KR20230142121A - 신경망 기반의 배터리 사용량 예측 방법 및 장치 - Google Patents

신경망 기반의 배터리 사용량 예측 방법 및 장치 Download PDF

Info

Publication number
KR20230142121A
KR20230142121A KR1020220040943A KR20220040943A KR20230142121A KR 20230142121 A KR20230142121 A KR 20230142121A KR 1020220040943 A KR1020220040943 A KR 1020220040943A KR 20220040943 A KR20220040943 A KR 20220040943A KR 20230142121 A KR20230142121 A KR 20230142121A
Authority
KR
South Korea
Prior art keywords
neural network
data
battery
usage prediction
battery usage
Prior art date
Application number
KR1020220040943A
Other languages
English (en)
Inventor
정의림
Original Assignee
한밭대학교 산학협력단
한밭대학교 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 한밭대학교 산학협력단, 한밭대학교 산학협력단 filed Critical 한밭대학교 산학협력단
Priority to KR1020220040943A priority Critical patent/KR20230142121A/ko
Publication of KR20230142121A publication Critical patent/KR20230142121A/ko

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

본 발명은 신경망 기반의 배터리 사용량 예측 방법 및 장치에 관한 것으로서, 배터리로부터 전압, 전류 및 온도 중 적어도 하나를 포함하는 데이터를 수집하는 단계; 신경망에 상기 수집된 데이터를 입력하여 상기 신경망을 학습시키는 단계; 및 상기 학습된 신경망에 의해, 상기 배터리가 실제 작동한 기간을 산출하는 단계를 포함한다.

Description

신경망 기반의 배터리 사용량 예측 방법 및 장치{METHOD AND APPARATUS FOR PREDICTING USAGE OF BATTERY BASED ON NEURAL NETWORK}
본 발명은 배터리 사용량 예측 방법에 관한 것으로, 더욱 상세하게는 신경망 기반의 배터리 사용량 예측 방법 및 장치에 관한 것이다.
근래에 들어서, 노트북, 비디오카메라, 및 휴대용 전화기 등과 같은 휴대용 전자 제품의 수요가 급격하게 증대되고, 에너지 저장용 축전지, 로봇, 및 위성 등의 개발이 본격화됨에 따라, 반복적인 충방전이 가능한 고성능 이차 전지에 대한 연구가 활발히 진행되고 있다.
현재 상용화된 배터리로는 니켈 카드뮴 전지, 니켈 수소 전지, 니켈 아연 전지, 리튬 이차 전지 등이 있는데, 이 중에서 리튬 이차 전지는 니켈 계열의 이차 전지에 비해 메모리 효과가 거의 일어나지 않아 충방전이 자유롭고, 자가 방전율이 매우 낮으며 에너지 밀도가 높다는 등의 장점으로 인해 많은 각광을 받고 있다.
그런데 이러한 배터리는 시간의 흐름에 따라 자연적으로 퇴화되거나, 충방전을 반복함에 따라 퇴화되어 그 성능이 저하된다. 특히, 배터리를 구성하는 배터리 셀의 노화나 배터리 셀 간의 연결을 위한 버스바(Bus bar)의 풀림 현상 등으로 인해 저항이 발생하게 된다. 이러한 저항이 증가하면 배터리에 열이 발생하여 배터리 내부 회로나 배터리 자체를 손상시키는 원인이 될 수 있다. 나아가 배터리의 폭발로 이어져 화재를 일으키는 원인이 될 수 있다.
따라서, 배터리를 사용함에 있어서 배터리의 사용량을 정량적으로 예측하는 기술이 요구된다.
국내등록특허 제10-1701377호 국내등록특허 제10-1105142호
본 명세서는 상기한 바와 같은 문제점을 해결하기 위하여 안출된 것으로서, 추가적인 장치 없이 배터리의 데이터에 기반하여 실제 배터리가 가동된 시기를 판단할 수 있는 신경망 기반의 배터리 사용량 예측 방법 및 장치를 제공하는 데 그 목적이 있다.
이와 같은 목적을 달성하기 위한, 본 명세서의 제1 실시예에 따르면, 본 명세서에 따른 신경망 기반의 배터리 사용량 예측 방법은, 배터리 사용량 예측을 위한 컴퓨팅 장치에서 신경망(neural network)을 학습하는 방법에 있어서, 배터리로부터 전압, 전류 및 온도 중 적어도 하나를 포함하는 데이터를 수집하는 단계; 상기 신경망에 상기 수집된 데이터를 입력하여 상기 신경망을 학습시키는 단계; 및 상기 학습된 신경망에 의해, 상기 배터리가 실제 작동한 기간을 산출하는 단계를 포함한다.
바람직하게는, 상기 신경망을 학습시키는 단계 이전에, 상기 수집된 데이터를 분석하여 상기 수집된 데이터 중 미운용된 기간의 데이터를 삭제함으로써, 상기 수집된 데이터를 전처리하는 단계를 더 포함하는 것을 특징으로 한다.
바람직하게는, 상기 신경망을 학습시키는 단계에서, 전처리된 데이터의 일부를 상기 신경망에 입력하는 것을 특징으로 한다.
바람직하게는, 상기 신경망을 학습시키는 단계 이전에, 상기 수집된 데이터를 특정한 간격으로 분할하는 단계를 더 포함하는 것을 특징으로 한다.
바람직하게는, 상기 배터리가 실제 작동한 기간을 주(week), 일(day) 및 시(hour) 중 어느 하나의 단위로 출력하는 단계를 더 포함하는 것을 특징으로 한다.
본 명세서의 제2 실시예에 따르면, 본 명세서에 따른 신경망 기반의 배터리 사용량 예측 방법은, 배터리 사용량 예측을 위한 컴퓨팅 장치에서 신경망(neural network)을 학습하는 방법에 있어서, 배터리로부터 적어도 전압, 전류 및 온도를 포함하는 데이터를 시계열 데이터 형태로 수집하는 단계; 상기 신경망에 상기 수집된 데이터를 입력하여 상기 신경망을 학습시키는 단계; 상기 학습된 신경망에 의해, 상기 수집된 데이터 각각에 대해서 기설정된 데이터 패턴과의 유사도를 측정하여, 상기 수집된 데이터 중 소정수의 데이터의 유사도가 기설정된 임계치보다 높은 구간이 존재하는지 여부를 판단하는 단계; 상기 학습된 신경망에 의해, 상기 소정수의 데이터의 유사도가 기설정된 임계치보다 높은 구간이 존재하는 경우, 해당 구간을 상기 배터리가 작동하는 구간으로 판단하는 단계; 및 상기 구간을 모두 합산하여 상기 배터리가 실제 작동한 기간으로 출력하는 단계를 포함한다.
바람직하게는, 상기 신경망을 학습시키는 단계 이전에, 상기 수집된 데이터를 분석하여 상기 수집된 데이터 중 미운용된 기간의 데이터를 삭제함으로써, 상기 수집된 데이터를 전처리하는 단계를 더 포함하는 것을 특징으로 한다.
바람직하게는, 상기 신경망을 학습시키는 단계에서, 전처리된 데이터의 일부를 상기 신경망에 입력하는 것을 특징으로 한다.
바람직하게는, 상기 신경망을 학습시키는 단계 이전에, 상기 수집된 데이터를 특정한 간격으로 분할하는 단계를 더 포함하는 것을 특징으로 한다.
본 명세서의 제3 실시예에 따르면, 본 명세서에 따른 신경망 기반의 배터리 사용량 예측 장치는, 하나 이상의 인스트럭션들(Instructions)을 저장하는 메모리; 및 상기 저장된 하나 이상의 인스터럭션들을 실행함으로써, 배터리로부터 적어도 전압, 전류 및 온도를 포함하는 데이터를 시계열 데이터 형태로 입력받아, 기설정된 데이터 패턴과의 유사도를 측정하여, 상기 데이터 중 소정수의 데이터의 유사도가 기설정된 임계치보다 높은 구간이 존재하는지 여부를 판단하고, 상기 소정수의 데이터의 유사도가 기설정된 임계치보다 높은 구간이 존재하는 경우, 해당 구간을 상기 배터리가 작동하는 구간으로 판단하며, 상기 구간을 모두 합산하여 상기 배터리가 실제 작동한 기간으로 출력하는 신경망을 구성하는 하나 이상의 프로세서를 포함한다.
바람직하게는, 상기 하나 이상의 프로세서는 상기 데이터를 상기 신경망에 입력하기 전에 상기 데이터 중 미운용된 기간의 데이터를 삭제하는 것을 특징으로 한다.
이상에서 설명한 바와 같이 본 명세서에 의하면, 배터리로부터 전압, 전류 및 온도 중 적어도 하나를 포함하는 데이터를 수집하고, 신경망에 수집된 데이터를 입력하여 신경망을 학습시키며, 학습된 신경망에 의해, 배터리가 실제 작동한 기간을 산출하는 신경망 기반의 배터리 사용량 예측 방법 및 장치를 제공함으로써, 배터리 공급 회사로 하여금 배터리 교체 시기를 정확히 판단하도록 할 수 있다. 또한, 배터리에 문제가 있을 때 고객에게 잠시 장치의 가동 중지를 요청하고 A/S를 신청하도록 함으로써, 선제적인 조치를 통해 회사의 신뢰도를 향상시킬 수 있다.
또한, 수집된 데이터 중 미운용된 기간의 데이터의 삭제 및 수집된 데이터의 특정한 간격으로의 분할 등의 전처리를 수행하는 신경망 기반의 배터리 사용량 예측 방법 및 장치를 제공함으로써, 배터리 전처리 알고리즘에 대한 방법 및 파라미터 결정에 용이하고, 인공 지능을 통한 상태 진단을 위해 필요한 센싱 주기 결정에도 용이하며, 데이터 수집량에 따른 비용 문제를 해결할 수 있다. 결과적으로, 본 발명에 따른 신경망 기반의 배터리 사용량 예측 방법 및 장치를 통해 사용량 예측의 정확도가 향상된다면, 이용된 파라미터(입력 값 및 센싱 데이터 등) 값들이 배터리 상태 진단을 위한 인공지능 시스템의 개발 등에 있어서 표준이 될 수 있다.
도 1은 본 발명의 실시예에 따른 신경망 기반의 배터리 사용량 예측 장치의 동작을 설명하기 위한 도면,
도 2는, 본 발명의 실시 형태에 관한 배터리 사용량 예측 장치의 기능을 실현 가능한 하드웨어의 일례를 도시한 블록도,
도 3은, 본 발명의 실시 형태에 관한 배터리 사용량 예측 장치가 갖는 기능의 일례를 도시한 블록도,
도 4는 본 발명의 실시예에 따른 신경망 기반의 배터리 사용량 예측 방법을 나타낸 흐름도,
도 5는 본 발명에 따른 배터리 사용량 예측 장치에서의 데이터의 전처리 방법을 설명하기 위한 도면, 및
도 6 내지 도 9는 본 발명에 따른 배터리 사용량 예측 장치의 배터리 실 사용량 예측 방법의 적용예를 보여주는 도면이다.
본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 명세서에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 본 명세서에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
또한, 본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는 데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니됨을 유의해야 한다.
도 1은 본 발명의 실시예에 따른 신경망 기반의 배터리 사용량 예측 장치의 동작을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명에 따른 배터리 사용량 예측 장치는 배터리의 전압, 전류 및 온도 중 적어도 하나를 포함하는 데이터를 수집한다(S10).
배터리 사용량 예측 장치는 수집된 데이터에 대해 간단한 전처리를 행한다(S20). 구체적으로는, 배터리 사용량 예측 장치는 수집된 데이터를 신경망에 입력하기 전에, 수집된 데이터를 분석하여 수집된 데이터 중 미운용된 기간의 데이터를 삭제한다. 예를 들면, 배터리 사용량 예측 장치는 배터리의 전압, 전류 및 온도 등의 파형을 분석하여 파형에 변화가 없는 구간을 삭제하거나, 전체 구간에서 파형이 다른 구간을 삭제할 수 있다.
배터리 사용량 예측 장치는 전처리 과정을 거친 데이터를 신경망에 입력하여, 신경망의 반복 학습을 통해 배터리의 실 사용량을 예측한다(S30). 이때, 배터리 사용량 예측 장치는 전처리 과정을 거친 데이터의 일부를 신경망에 입력하여 배터리의 실 사용량을 예측할 수 있다.
본 발명에 따른 배터리 사용량 예측 장치는, 긴 시계열 데이터 간의 연관성을 분석하기 위해 dilated CNN을 기본 구조로 사용하고, dilated CNN과 배치 정규화 기술을 반복적으로 쌓아 전체 인공신경망을 구성할 수 있다. 또한, 배터리 사용량 예측 장치는 긴 시계열 데이터의 차원을 줄이기 위해 1D-CNN을 사용할 수 있다.
이하에서는, 본 발명의 실시예에 관한 배터리 사용량 예측 장치에 대해서 자세히 설명하기로 한다.
도 2를 참조하면, 배터리 사용량 예측 장치의 기능을 실현 가능한 하드웨어에 대해서 설명한다. 도 2는, 본 발명의 실시 형태에 관한 배터리 사용량 예측 장치의 기능을 실현 가능한 하드웨어의 일례를 도시한 블록도이다.
배터리 사용량 예측 장치가 갖는 기능은, 예컨대, 도 2에 도시하는 하드웨어 자원을 이용하여 실현하는 것이 가능하다. 즉, 배터리 사용량 예측 장치가 갖는 기능은, 컴퓨터 프로그램을 이용하여 도 2에 도시하는 하드웨어를 제어함으로써 실현된다.
도 2에 도시한 바와 같이, 이 하드웨어는, 주로, CPU(202), ROM(Read Only Memory)(204), RAM(206), 호스트 버스(208), 및 브리지(210)를 갖는다. 또한, 이 하드웨어는, 외부 버스(212), 인터페이스(214), 입력부(216), 출력부(218), 기억부(220), 드라이브(222), 접속 포트(224), 및 통신부(226)를 갖는다.
CPU(202)는, 예컨대, 연산 처리 장치 또는 제어 장치로서 기능하여, ROM(204), RAM(206), 기억부(220), 또는 리무버블 기록 매체(228)에 기록된 각종 프로그램에 기초하여 각 구성 요소의 동작 전반 또는 그 일부를 제어한다. ROM(204)은, CPU(202)에 판독되는 프로그램이나 연산에 이용하는 데이터 등을 저장하는 기억 장치의 일례이다. RAM(206)에는, 예컨대, CPU(202)에 판독되는 프로그램이나, 그 프로그램을 실행할 때 변화하는 각종 파라미터 등이 일시적 또는 영속적으로 저장된다.
이들 요소는, 예컨대, 고속의 데이터 전송이 가능한 호스트 버스(208)를 통해서 서로 접속된다. 한편, 호스트 버스(208)는, 예컨대, 브리지(210)를 통해서 비교적 데이터 전송 속도가 저속인 외부 버스(212)에 접속된다. 또한, 입력부(216)로서는, 예컨대, 마우스, 키보드, 터치 패널, 터치 패드, 버튼, 스위치, 및 레버 등이 이용된다. 또한, 입력부(216)로서는, 적외선이나 그 밖의 전파를 이용하여 제어 신호를 송신하는 것이 가능한 리모트 컨트롤러가 이용될 수 있다.
출력부(218)로서는, 예컨대, CRT(Cathode Ray Tube), LCD(Liquid Crystal Display), PDP(Plasma Display Panel), 또는 ELD(Electro-Luminescence Display) 등의 디스플레이 장치가 이용될 수 있다. 또한, 출력부(218)로서, 스피커나 헤드폰 등의 오디오 출력 장치, 또는 프린터 등이 이용될 수 있다.
기억부(220)는, 각종 데이터를 저장하기 위한 장치이다. 기억부(220)로서는, 예컨대, HDD 등의 자기 기억 디바이스가 이용된다. 또한, 기억부(220)로서, SSD(Solid State Drive)나 RAM 디스크 등의 반도체 기억 디바이스, 광기억 디바이스, 또는 광자기 기억 디바이스 등이 이용되어도 된다.
드라이브(222)는, 착탈 가능한 기록매체인 리무버블 기록 매체(228)에 기록된 정보를 판독하거나, 또는 리무버블 기록 매체(228)에 정보를 기록하는 장치이다. 리무버블 기록 매체(228)로서는, 예컨대, 자기 디스크, 광디스크, 광자기 디스크, 또는 반도체 메모리 등이 이용된다. 또한, 리무버블 기록 매체(228)에는, 배터리 사용량 예측 장치의 동작을 규정하는 프로그램이 저장될 수 있다.
접속 포트(224)는, 예컨대, USB(Universal Serial Bus) 포트, IEEE 1394 포트, SCSI(Small Computer System Interface), RS-232C 포트, 또는 광오디오 단자 등, 외부 접속 기기(230)를 접속하기 위한 포트이다. 외부 접속 기기(230)로서는, 예컨대, 프린터 등이 이용된다.
통신부(226)는, 네트워크(232)에 접속하기 위한 통신 디바이스이다. 통신부(226)로서는, 예컨대, 유선 또는 무선 LAN용 통신 회로, WUSB(Wireless USB)용 통신 회로, 휴대 전화 네트워크용 통신 회로 등이 이용될 수 있다. 네트워크(232)는, 예컨대, 유선 또는 무선에 의해 접속된 네트워크이다.
이상, 배터리 사용량 예측 장치의 하드웨어에 대해서 설명하였다. 또한, 상술한 하드웨어는 일례이며, 일부의 요소를 생략하는 변형이나, 새로운 요소를 추가하는 변형 등이 가능하다.
이어서, 도 3을 참조하면서, 배터리 사용량 예측 장치의 기능에 대해서 설명한다. 도 3은, 본 발명의 실시 형태에 관한 배터리 사용량 예측 장치가 갖는 기능의 일례를 도시한 블록도이다.
도 3에 도시한 바와 같이, 배터리 사용량 예측 장치는, 기억부(310), 배터리 데이터 수집부(320), 데이터 전처리부(330) 및 배터리 사용량 예측부(340)를 포함할 수 있다.
또한, 기억부(310)의 기능은, 상술한 RAM(206)이나 기억부(220) 등을 이용하여 실현된다. 배터리 데이터 수집부(320)의 기능은, 상술한 통신부(226) 등을 이용하여 실현할 수 있다. 배터리 사용량 예측부(330)의 기능은, 상술한 CPU(202) 등을 이용하여 실현할 수 있다.
기억부(310)는 배터리의 전압, 전류 및 온도 중 적어도 하나를 포함하는 데이터를 저장한다.
배터리 데이터 수집부(320)는 배터리로부터 전압, 전류 및 온도 중 적어도 하나를 포함하는 데이터를 시계열 데이터 형태로 수집하여 기억부(310)에 저장한다. 즉, 배터리에 배터리 관리 시스템(Battery Management System, BMS)이 장착되어 있으며, 배터리 데이터 수집부(320)는 배터리 관리 시스템으로부터 전압, 전류 및 온도 중 적어도 하나를 포함하는 데이터를 시계열 데이터 형태로 수집할 수 있다.
데이터 전처리부(330)는 수집된 데이터에 대해 전처리를 수행한다. 구체적으로는, 데이터 전처리부(330)는 수집된 데이터를 분석하여 수집된 데이터 중 미운용된 기간의 데이터를 삭제할 수 있다. 예를 들면, 데이터 전처리부(330)는 배터리의 전압, 전류 및 온도 등의 파형을 분석하여 파형에 변화가 없는 구간을 삭제하거나, 전체 구간에서 파형이 다른 구간을 삭제할 수 있다.
배터리 사용량 예측부(340)는 전처리된 데이터를 신경망에 입력하여 신경망을 학습시킴으로써, 배터리가 실제 작동한 기간을 산출한다. 즉, 배터리 사용량 예측부(340)는 학습된 신경망에 의해, 전처리된 데이터 각각에 대해서 기설정된 데이터 패턴과의 유사도를 측정하여, 전처리된 데이터 중 소정수의 데이터의 유사도가 기설정된 임계치보다 높은 구간이 존재하는지 여부를 판단하고, 소정수의 데이터의 유사도가 기설정된 임계치보다 높은 구간이 존재하는 경우, 해당 구간을 배터리가 작동하는 구간으로 판단하며, 상기 구간을 모두 합산하여 배터리가 실제 작동한 기간으로 출력한다. 예를 들면, 배터리 사용량 예측부(340)는 비지도학습을 통해 전처리된 데이터를 제1 패턴(사용상태)과 제2 패턴(비사용상태)으로 구분하고, 제1 패턴에 해당되는 구간을 배터리가 실제 작동한 기간으로 출력할 수 있다. 또한, 배터리 사용량 예측부(340)는 전처리된 데이터를 제1 패턴과 제2 패턴으로 구분하고, 지도학습을 통해 해당 패턴들을 미리 정해진 패턴과 비교함으로써, 미리 정해진 패턴과 유사한 패턴에 해당되는 구간을 배터리가 실제 작동한 기간으로 출력할 수 있다.
여기서, 배터리 사용량 예측부(340)는 긴 시계열 데이터 간의 연관성을 분석하기 위해 확장된 합성곱 신경망(dilated Convolution Neural Network; 이하, 'dilated CNN')을 기본 구조로 사용하고, dilated CNN과 배치 정규화(Batch Normalization) 기술을 반복적으로 쌓아 전체 인공신경망을 구성할 수 있다. 또한, 배터리 사용량 예측부(340)는 긴 시계열 데이터의 차원을 줄이기 위해 1D-CNN(Convolution Neural Network)을 사용할 수 있다.
확장 콘볼루션(dilated convolution, a` trous convolution)은 원래 파형 요소(wavelet) 분해를 위해 발전된 콘볼루션의 유형이다. 예를 들어, [Holschneider, M.; Kronland-Martinet, R.; Morlet, J.; and Tchamitchian, Ph., A Real-Time Algorithm for Signal Analysis with the Help of the Wavelet Transform in Wavelets: Time-Frequency Methods and Phase Space, J.M. Combes et al., eds., pp. 286-297 (1987)]를 참조한다. 그러나 특히 복잡한 특징들을 얻기 위해 의미론적 분할(semantic segmentation)에 적용되었다. 예를 들어, [Yu, Fisher and Koltun, Vladlen, Multi-scale context aggregation by dilated convolutions, 2016 Int'l Conference on Learning Representations (ICLR) (hereinafter, "Yu et al. 2016")]를 참조한다.
풀링(pooling) 없이 콘볼루션 레이어들로 구성된 순수한 CNN에서, 특징 맵들은 입력에서 인접한 데이터들을 픽셀들을 콘볼루션하여 생성될 수 있기 때문에, 유닛의 수신 필드(receptive field)는 레이어별로 선형적으로만 성장할 수 있다. 수신 필드를 증가시키기 위한 실현 가능한 방법들은 더 큰 영역에서 입력 데이터들을 콘볼루션하는 것이다. 이는 종래의 콘볼루션을 위해 기존의 밀집 커널(dense kernel)을 사용하는 것 대신, 확장 콘볼루션에서 '확장 커널(dilation kernel)을 사용하는 것과 유사할 수 있다.
F는 이산 함수, K는 콘볼루션 커널, 및 확장 콘볼루션 *d는 아래의 수학식 1에 의해 정의된 바와 같이, 전형적인 콘볼루션의 일반화된 버전이라고 가정하면, 종래의 콘볼루션은 단순한 1-확장 콘볼루션일 수 있다(즉, d=1일 때). 여기서, d는 확장 계수(dilation factor)이다.
CNN에서 확장 콘볼루션을 적용하는 것의 한가지 이점은, 확장 버전은 더 큰 수신 필드를 갖는다는 점이다. 확장 콘볼루션 필터(dilated convolutional filter)는 오리지널 필터(original filter)를 업샘플링(upsampling)함으로써 얻을 수 있다. 즉, 오리지널 필터의 구성 요소(element) 사이에 0을 삽입함으로써 얻을 수 있다. 그러므로 설계에 의해 확장된 필터는 0 구성요소의 구조화된 패턴을 가질 수 있다. 0 요소가 무작위 패턴 및 위치를 갖는 가중치 프루닝(pruning)과 비교하면, 확장 필터는 0 가중치에 대한 구조화된 패턴을 가질 수 있고, 하드웨어(hardware)와 소프트웨어(software)에서의 계산 복잡도를 감소시키는 데 훨씬 더 유용할 수 있다. 특히, 본 발명과 같이 순차적으로 많은 값이 신경망에 입력되는 경우, 이런 확장 콘볼루션을 활용하여 계산 복잡도를 낮추지만 결과값의 정확도는 낮아지지 않는 효과를 발휘할 수 있다.
배치 정규화는 활성화함수의 활성화값 또는 출력값을 정규화(정규분포로 만든다)하는 작업을 말한다. 구체적으로는, 배치 정규화는 미니 배치의 데이터에서 각 특징별로 평균과 표준편차를 계산해서 정규화한다. 이러한 배치 정규화는 미니 배치 단위로 정규화하여 학습하기 때문에 인공 신경망 학습 중에 발생할 수 있는 내부 공변량 이동(Internal Covariate Shift)을 감소시킬 수 있다.
한편, 본 발명은 dilated CNN과 배치 정규화(Batch Normalization) 기술을 반복적으로 쌓아 전체 인공신경망을 구성하는 것에 한정되지 않고 다른 방법을 통해 인공신경망을 구성할 수 있다.
여러 개의 퍼셉트론 뉴런을 여러 층으로 쌓은 다층 퍼셉트론 (Multi-Layer-Perceptron) 혹은 1D 또는 2D CNN 혹은 유닛 간의 연결이　순환적 구조를 갖는 순환 신경망 (Recurrent neural network) 혹은 어텐션(Attention)만을 사용하여 인코더-디코더 구조를 만들어 학습 속도가 트랜스포머(Transformer architecture) 혹은 전반부는 CNN로 학습하고 후반부는 RNN로 학습하여 인공신경망을 구성하여도 무방하다.
또한, 배터리 사용량 예측부(340)는 전처리된 데이터의 일부를 신경망에 입력하여 배터리의 실 사용량을 예측할 수 있다.
또한, 배터리 사용량 예측부(340)는 전처리된 데이터를 특정한 간격(예를 들면, 시간 및 주기 등)으로 분할하여 신경망에 입력할 수 있다.
도 4는 본 발명의 실시예에 따른 신경망 기반의 배터리 사용량 예측 방법을 나타낸 흐름도이다.
도 4를 참조하면, 배터리 사용량 예측 장치는 배터리로부터 적어도 전압, 전류 및 온도를 포함하는 데이터를 수집한다(S410). 배터리에는 배터리 관리 시스템이 장착되어 있으며, 배터리 사용량 예측 장치는 배터리 관리 시스템으로부터 적어도 전압, 전류 및 온도를 포함하는 데이터를 시계열 데이터 형태로 수집할 수 있다.
배터리 사용량 예측 장치는 수집된 데이터에 대해 전처리를 행한다(S420). 구체적으로는, 배터리 사용량 예측 장치는 수집된 데이터를 분석하여 수집된 데이터 중 미운용된 기간의 데이터를 삭제한다. 예를 들면, 배터리 사용량 예측 장치는 배터리의 전압, 전류 및 온도 등의 파형을 분석하여 파형에 변화가 없는 구간을 삭제하거나, 전체 구간에서 파형이 다른 구간을 삭제할 수 있다.
배터리 사용량 예측 장치는 전처리된 데이터를 신경망에 입력하여 신경망을 학습시킨다(S430). 이때, 배터리 사용량 예측 장치는 전처리된 데이터의 일부를 신경망에 입력하여 신경망을 학습시킬 수 있다. 예를 들면, 배터리 사용량 예측 장치는 실제 3~5일 사용된 배터리의 데이터 및 15~17일 사용된 배터리의 데이터 등을 학습된 신경망에 입력하여 신경망을 학습시킬 수 있다. 또한, 배터리 사용량 예측 장치는, 긴 시계열 데이터 간의 연관성을 분석하기 위해 dilated CNN을 기본 구조로 사용하고, dilated CNN과 배치 정규화 기술을 반복적으로 쌓아 전체 인공신경망을 구성할 수 있다. 또한, 배터리 사용량 예측 장치는 긴 시계열 데이터의 차원을 줄이기 위해 1D-CNN을 사용할 수 있다.
배터리 사용량 예측 장치는, 학습된 신경망에 의해, 전처리된 데이터 각각에 대해서 기설정된 데이터 패턴과의 유사도를 측정한다(S440).
배터리 사용량 예측 장치는 전처리된 데이터 중 소정수의 데이터의 유사도가 기설정된 임계치보다 높은 구간이 존재하는지 여부를 판단하고(S450), 소정수의 데이터의 유사도가 기설정된 임계치보다 높은 구간이 존재하는 경우, 해당 구간을 배터리가 작동하는 구간으로 판단한다(S460). 예를 들면, 배터리 사용량 예측 장치는 비지도학습을 통해 전처리된 데이터를 제1 패턴(사용상태)과 제2 패턴(비사용상태)으로 구분하고, 제1 패턴에 해당되는 구간을 배터리가 실제 작동한 기간으로 판단할 수 있다. 또한, 배터리 사용량 예측 장치는 전처리된 데이터를 제1 패턴과 제2 패턴으로 구분하고, 지도학습을 통해 해당 패턴들을 미리 정해진 패턴과 비교함으로써, 미리 정해진 패턴과 유사한 패턴에 해당되는 구간을 배터리가 실제 작동한 기간으로 판단할 수 있다.
끝으로, 배터리 사용량 예측 장치는 단계 S450에서 배터리가 실제 작동한 기간으로 판단된 구간을 모두 합산하여 배터리가 실제 작동한 기간으로 출력한다(S470). 예를 들면, 배터리 사용량 예측 장치는 배터리가 실제 작동한 기간을 사용자 선택에 따라 주(week), 일(day) 및 시(hour) 중 어느 하나의 단위로 출력할 수 있다.
전술한 방법은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(Firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로컨트롤러 및 마이크로프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.
도 5는 본 발명에 따른 배터리 사용량 예측 장치에서의 데이터의 전처리 방법을 설명하기 위한 도면이다.
도 5를 참조하면, 배터리 사용량 예측 장치는 배터리의 데이터를 시계열 데이터 형태로 수집한다. 여기서, 데이터라 함은 전압, 온도 및 전류 등 배터리 관리 시스템에 의해 측정된 데이터를 의미한다.
배터리 사용량 예측 장치는 수집된 데이터를 신경망에 입력하기 전에, 수집된 데이터를 분석하여 수집된 데이터 중 미운용된 기간(A+B+C)의 데이터를 삭제한다. 예를 들면, 배터리 사용량 예측 장치는 배터리의 전압, 전류 및 온도 등의 파형을 분석하여 파형에 변화가 없는 구간을 삭제하거나, 전체 구간에서 파형이 다른 구간을 삭제할 수 있다.
그리고 배터리 사용량 예측 장치는 배터리 운용기간 중에 실가동 시간(a+b+c+d)만을 신경망에 입력한다. 따라서, 본 발명에 따른 배터리 사용량 예측 장치는 인공지능을 통한 상태 진단을 위해 필요한 센싱 주기를 용이하게 결정할 수 있고, 데이터 수집량에 따른 비용 문제를 해결할 수 있다.
도 6 내지 도 9는 본 발명에 따른 배터리 사용량 예측 장치의 배터리 실 사용량 예측 방법의 적용예를 보여주는 도면이다.
도 6 내지 도 9를 참조하면, 우선 도면부호 600은 전처리된 데이터 중에 신경망에 입력되는 구간을 나타낸다.
이처럼, 본 발명에 따른 배터리 사용량 예측 장치는 전처리된 데이터의 일부(600)를 신경망에 입력하여 신경망을 학습시킬 수 있다. 즉, 도 6에 도시된 바와 같이, 배터리 사용량 예측 장치는 전처리된 데이터의 일부(600)를 신경망에 입력함으로써, 4일이라는 배터리가 실제 작동한 기간을 예측할 수 있다. 또한, 도 7에 도시된 바와 같이, 배터리 사용량 예측 장치는 전처리된 데이터의 일부(600)를 신경망에 입력함으로써, 4.3일이라는 배터리가 실제 작동한 기간을 예측할 수 있다. 또한, 도 8에 도시된 바와 같이, 배터리 사용량 예측 장치는 전처리된 데이터의 일부(600)를 신경망에 입력함으로써, 8.5일이라는 배터리가 실제 작동한 기간을 예측할 수 있다. 또한, 도 9에 도시된 바와 같이, 배터리 사용량 예측 장치는 전처리된 데이터의 일부(600)를 신경망에 입력함으로써, 17일이라는 배터리가 실제 작동한 기간을 예측할 수 있다.
도 6 내 도 9의 현재 시간이란 사용 중인 배터리를 측정하는 시각을 지칭하는 것일 수 있다. 즉, 실제 배터리 사용 기간을 알고 싶은 배터리를 본 발명에 따른 장치로 실제 배터리 사용 기간을 측정하는 시점을 도 6 내지 도 9의 현재 시간이라고 할 수 있다.
좀 더 상세하게, 본 발명에 따르면, 배터리의 온도, 전류, 전압 등의 데이터를 입력받아 배터리의 수명에 대해 지도학습 방식으로 학습된 인공신경망을 구축하고, 사용자가 알고자 하는 실제 사용된 배터리의 소명을 알고자 할 때, 상기 사용된 배터리의 소정의 기간, 즉 어떠한 시점에서 소정의 시간 동안 출력된 온도, 전류, 전압 데이터만을 상기 인공신경망에 입력하는 경우, 본 배터리가 실제 사용된 기간을 출력할 수 있는 것이다. 즉 본 발명을 통해, 어떠한 시점에서나, 예를 들어, 배터리를 사용한 후 1주일 후, 6개월 후, 1년 후 어떠한 시점에 배터리로부터 출력되는 소정의 온도, 전류, 전압만을 본 발명에 따른 장치에 입력하면 본 장치는 정확히 본 배터리가 실제 사용된 수명을 예측하여 출력하는 효과가 있다.
이상에서 본 명세서에 개시된 실시예들을 첨부된 도면들을 참조로 설명하였다. 이와 같이 각 도면에 도시된 실시예들은 한정적으로 해석되면 아니되며, 본 명세서의 내용을 숙지한 당업자에 의해 서로 조합될 수 있고, 조합될 경우 일부 구성 요소들은 생략될 수도 있는 것으로 해석될 수 있다.
여기서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 본 명세서에 개시된 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 명세서에 개시된 실시예에 불과할 뿐이고, 본 명세서에 개시된 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
310: 기억부 320: 배터리 데이터 수집부
330: 데이터 전처리부 340: 배터리 사용량 예측부

Claims (11)

  1. 배터리 사용량 예측을 위한 컴퓨팅 장치에서 신경망(neural network)을 학습하는 방법에 있어서,
    배터리로부터 전압, 전류 및 온도 중 적어도 하나를 포함하는 데이터를 수집하는 단계;
    상기 신경망에 상기 수집된 데이터를 입력하여 상기 신경망을 학습시키는 단계; 및
    상기 학습된 신경망에 의해, 상기 배터리가 실제 작동한 기간을 산출하는 단계;
    를 포함하는 신경망 기반의 배터리 사용량 예측 방법.
  2. 제1항에 있어서, 상기 신경망을 학습시키는 단계 이전에,
    상기 수집된 데이터를 분석하여 상기 수집된 데이터 중 미운용된 기간의 데이터를 삭제함으로써, 상기 수집된 데이터를 전처리하는 단계;
    를 더 포함하는 것을 특징으로 하는 신경망 기반의 배터리 사용량 예측 방법.
  3. 제2항에 있어서, 상기 신경망을 학습시키는 단계에서,
    전처리된 데이터의 일부를 상기 신경망에 입력하는 것을 특징으로 하는 신경망 기반의 배터리 사용량 예측 방법.
  4. 제1항에 있어서, 상기 신경망을 학습시키는 단계 이전에,
    상기 수집된 데이터를 특정한 간격으로 분할하는 단계;
    를 더 포함하는 것을 특징으로 하는 신경망 기반의 배터리 사용량 예측 방법.
  5. 제1항에 있어서,
    상기 배터리가 실제 작동한 기간을 주(week), 일(day) 및 시(hour) 중 어느 하나의 단위로 출력하는 단계;
    를 더 포함하는 것을 특징으로 하는 신경망 기반의 배터리 사용량 예측 방법.
  6. 배터리 사용량 예측을 위한 컴퓨팅 장치에서 신경망(neural network)을 학습하는 방법에 있어서,
    배터리로부터 적어도 전압, 전류 및 온도를 포함하는 데이터를 시계열 데이터 형태로 수집하는 단계;
    상기 신경망에 상기 수집된 데이터를 입력하여 상기 신경망을 학습시키는 단계;
    상기 학습된 신경망에 의해, 상기 수집된 데이터 각각에 대해서 기설정된 데이터 패턴과의 유사도를 측정하여, 상기 수집된 데이터 중 소정수의 데이터의 유사도가 기설정된 임계치보다 높은 구간이 존재하는지 여부를 판단하는 단계;
    상기 학습된 신경망에 의해, 상기 소정수의 데이터의 유사도가 기설정된 임계치보다 높은 구간이 존재하는 경우, 해당 구간을 상기 배터리가 작동하는 구간으로 판단하는 단계; 및
    상기 구간을 모두 합산하여 상기 배터리가 실제 작동한 기간으로 출력하는 단계;
    를 포함하는 신경망 기반의 배터리 사용량 예측 방법.
  7. 제6항에 있어서, 상기 신경망을 학습시키는 단계 이전에,
    상기 수집된 데이터를 분석하여 상기 수집된 데이터 중 미운용된 기간의 데이터를 삭제함으로써, 상기 수집된 데이터를 전처리하는 단계;
    를 더 포함하는 것을 특징으로 하는 신경망 기반의 배터리 사용량 예측 방법.
  8. 제7항에 있어서, 상기 신경망을 학습시키는 단계에서,
    전처리된 데이터의 일부를 상기 신경망에 입력하는 것을 특징으로 하는 신경망 기반의 배터리 사용량 예측 방법.
  9. 제6항에 있어서, 상기 신경망을 학습시키는 단계 이전에,
    상기 수집된 데이터를 특정한 간격으로 분할하는 단계;
    를 더 포함하는 것을 특징으로 하는 신경망 기반의 배터리 사용량 예측 방법.
  10. 하나 이상의 인스트럭션들(Instructions)을 저장하는 메모리; 및
    상기 저장된 하나 이상의 인스터럭션들을 실행함으로써,
    배터리로부터 적어도 전압, 전류 및 온도를 포함하는 데이터를 시계열 데이터 형태로 입력받아, 기설정된 데이터 패턴과의 유사도를 측정하여, 상기 데이터 중 소정수의 데이터의 유사도가 기설정된 임계치보다 높은 구간이 존재하는지 여부를 판단하고, 상기 소정수의 데이터의 유사도가 기설정된 임계치보다 높은 구간이 존재하는 경우, 해당 구간을 상기 배터리가 작동하는 구간으로 판단하며, 상기 구간을 모두 합산하여 상기 배터리가 실제 작동한 기간으로 출력하는 신경망을 구성하는 하나 이상의 프로세서;
    를 포함하는 신경망 기반의 배터리 사용량 예측 장치.
  11. 제10항에 있어서,
    상기 하나 이상의 프로세서는 상기 데이터를 상기 신경망에 입력하기 전에 상기 데이터 중 미운용된 기간의 데이터를 삭제하는 것을 특징으로 하는 신경망 기반의 배터리 사용량 예측 장치.
KR1020220040943A 2022-04-01 2022-04-01 신경망 기반의 배터리 사용량 예측 방법 및 장치 KR20230142121A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220040943A KR20230142121A (ko) 2022-04-01 2022-04-01 신경망 기반의 배터리 사용량 예측 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220040943A KR20230142121A (ko) 2022-04-01 2022-04-01 신경망 기반의 배터리 사용량 예측 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20230142121A true KR20230142121A (ko) 2023-10-11

Family

ID=88295506

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220040943A KR20230142121A (ko) 2022-04-01 2022-04-01 신경망 기반의 배터리 사용량 예측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20230142121A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117930028A (zh) * 2024-03-21 2024-04-26 成都赛力斯科技有限公司 新能源车辆电池热失效的预测方法、系统、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101105142B1 (ko) 2009-11-13 2012-01-16 주식회사 포스코 배터리의 잔존수명 측정방법
KR101701377B1 (ko) 2015-07-30 2017-02-01 주식회사 엘지화학 배터리 잔존 수명 추정 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101105142B1 (ko) 2009-11-13 2012-01-16 주식회사 포스코 배터리의 잔존수명 측정방법
KR101701377B1 (ko) 2015-07-30 2017-02-01 주식회사 엘지화학 배터리 잔존 수명 추정 장치 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117930028A (zh) * 2024-03-21 2024-04-26 成都赛力斯科技有限公司 新能源车辆电池热失效的预测方法、系统、设备及介质
CN117930028B (zh) * 2024-03-21 2024-05-17 成都赛力斯科技有限公司 新能源车辆电池热失效的预测方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
KR102362532B1 (ko) 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치
KR102439041B1 (ko) 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치
Sui et al. A review of non-probabilistic machine learning-based state of health estimation techniques for Lithium-ion battery
WO2023284142A1 (zh) 脉冲神经网络中神经元的信号处理方法及该网络训练方法
KR20200140093A (ko) 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템
US20090187736A1 (en) Computing Device, a System and a Method for Parallel Processing of Data Streams
Li et al. Fast battery capacity estimation using convolutional neural networks
CN110210513A (zh) 数据分类方法、装置及终端设备
CN112379269A (zh) 电池异常检测模型训练及其检测方法、装置
KR102424916B1 (ko) 배터리 진단 방법 및 그 장치
KR102387780B1 (ko) 신경망 기반의 배터리 용량 추정 방법 및 장치
CN113392749A (zh) 一种基于gaf-vgg的滚动轴承故障诊断方法及装置
CN116316591A (zh) 基于混合双向门控循环的短期光伏功率预测方法及系统
Li et al. Remaining useful life prediction for lithium-ion batteries with a hybrid model based on TCN-GRU-DNN and dual attention mechanism
CN105320834A (zh) 基于电器使用状态的人数计算方法及其监控系统
KR20230142121A (ko) 신경망 기반의 배터리 사용량 예측 방법 및 장치
CN115330435A (zh) 一种碳排放权价格指标体系建立方法、装置、设备及介质
Khaleghi et al. Towards machine-learning driven prognostics and health management of Li-ion batteries. A comprehensive review
KR20230166196A (ko) 배터리 상태 진단을 위한 배터리 데이터 전처리 방법 및 시스템, 그리고 배터리 상태 예측 시스템
CN117154263A (zh) 锂电池梯次利用充放电系统及控制方法
KR102556093B1 (ko) 전력의 피크 부하를 저감하기 위한 보상 생성 방법 및 그 방법을 수행하는 동작 제어 장치
Song et al. A Remaining Useful Life Prediction Framework Integrating Multiple Time Window Convolutional Neural Networks.
KR20230174911A (ko) 비지도 학습 기반의 배터리 이상 예측 방법 및 시스템
CN117341477B (zh) 磷酸铁锂动力电池内短路预警方法、装置和计算机设备
WO2024046283A1 (zh) 任务调度方法、模型生成方法、以及电子设备