KR20230153096A - 배터리의 건강 상태를 추정하는 방법 및 장치 - Google Patents
배터리의 건강 상태를 추정하는 방법 및 장치 Download PDFInfo
- Publication number
- KR20230153096A KR20230153096A KR1020220052876A KR20220052876A KR20230153096A KR 20230153096 A KR20230153096 A KR 20230153096A KR 1020220052876 A KR1020220052876 A KR 1020220052876A KR 20220052876 A KR20220052876 A KR 20220052876A KR 20230153096 A KR20230153096 A KR 20230153096A
- Authority
- KR
- South Korea
- Prior art keywords
- battery
- health state
- attention
- estimating
- neural network
- Prior art date
Links
- 230000036541 health Effects 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 77
- 230000032683 aging Effects 0.000 claims description 24
- 230000003862 health status Effects 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 229910001416 lithium ion Inorganic materials 0.000 description 17
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 239000007787 solid Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 229910052987 metal hydride Inorganic materials 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- PXHVJJICTQNCMI-UHFFFAOYSA-N nickel Substances [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 1
- -1 nickel metal hydride Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 239000007784 solid electrolyte Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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
-
- 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
- H01M10/05—Accumulators with non-aqueous electrolyte
- H01M10/052—Li-accumulators
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (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
컴퓨팅 장치에 의해 수행되는 배터리의 건강 상태 추정 방법은 미리 학습된 인공 신경망을 준비하는 단계, 배터리의 적어도 하나의 파라미터를 측정하여 입력 데이터를 생성하는 단계, 상기 입력 데이터를 상기 인공 신경망에 입력하여 상기 배터리의 건강 상태 추정값 및 어텐션 맵을 획득하는 단계, 상기 어텐션 맵을 기초로 어텐션 점수를 산출하는 단계, 및 상기 어텐션 점수를 기초로 상기 건강 상태 추정값의 신뢰 여부를 결정하는 단계를 포함한다.
Description
본 발명은 배터리의 건강 상태를 추정하는 방법 및 장치에 관한 것이다. 더욱 구체적으로, 본 발명은 미리 학습된 인공 신경망을 이용하여 배터리로부터 직접 측정할 수 있는 데이터에 기초하여 배터리의 건강 상태를 추정하는 방법, 컴퓨터 프로그램 및 장치에 관한 것이다.
리튬-이온(Lithium-ion) 배터리는 다른 유형의 배터리들에 비해 높은 에너지 및 전력 밀도로 인해 에너지 저장 시스템 및 전기 자동차 등의 다양한 분야에서 활발히 사용된다. 그러나 리튬 이온 배터리의 내부에서는 동작 조건과 환경 조건에 따라 다양한 노화 메커니즘이 발생한다. 이러한 노화 매커니즘들은 배터리의 내부 상태를 점차적으로 변화시킨다. 안전한 동작을 위해서는 사용 가능한 리튬 잔여량을 나타내는 용량이 지속적으로 관측되어야 한다. 배터리의 노화 상태 또는 건강 상태에 따라, 배터리의 용량이 동일하더라도 배터리의 동작 특성이 다를 수 있다. 따라서 배터리의 용량을 정확하게 추정하기 위해서는 배터리의 건강 상태를 정확하게 추정하는 것이 필요하다.
리튬 이온 배터리의 용량을 추정하기 위한 많은 연구가 수행되었다. 대부분의 기술은 몇 가지 파라미터를 사용하는 비교적 단순한 구조를 갖는 등가 회로 모델(ECM) 또는 다른 경험적 모델과 같은 비 물리화학적 모델을 기반으로 한다. 이러한 종류의 모델은 계산 부담이 적고 간단하게 적용할 수 있지만 정확도와 표현력에 한계가 있다.
일부 연구에서는 배터리의 물리화학적 특성에 기반한 정교한 전기화학적 리튬 이온 배터리 모델을 사용하여 더욱 정확한 추정을 달성했다. 그러나 전기화학적 모델은 배터리의 다양한 노화 상태를 나타낼 수 있음에도 불구하고 계산량이 많아 실용화하기 어렵다는 문제가 있다.
본 발명이 해결하고자 하는 과제는 전술한 문제점을 극복하기 위한 것으로서, 학습된 인공 신경망을 이용하여 배터리로부터 직접 측정할 수 있는 데이터에 기초하여 배터리의 건강 상태를 추정하는 방법, 컴퓨터 프로그램 및 장치를 제공하는 것이다.
상술한 기술적 과제들을 달성하기 위한 기술적 수단으로서, 본 발명의 일 측면에 따른 컴퓨팅 장치에 의해 수행되는 배터리의 건강 상태를 추정하는 방법은 미리 학습된 인공 신경망을 준비하는 단계, 배터리의 적어도 하나의 파라미터를 측정하여 입력 데이터를 생성하는 단계, 상기 입력 데이터를 상기 인공 신경망에 입력하여 상기 배터리의 건강 상태 추정값 및 어텐션 맵을 획득하는 단계, 상기 어텐션 맵을 기초로 어텐션 점수를 산출하는 단계, 및 상기 어텐션 점수를 기초로 상기 건강 상태 추정값의 신뢰 여부를 결정하는 단계를 포함한다.
일 예에 따르면, 상기 적어도 하나의 파라미터는 상기 배터리의 전압 및 전류를 포함할 수 있다.
다른 예에 따르면, 상기 입력 데이터를 생성하는 단계는 사용 중인 상기 배터리의 전압 값 및 전류 값을 미리 설정된 샘플링 주기마다 측정하는 단계, 및 상기 배터리의 전압 값들과 전류 값들을 각각 정규화하여 정규화된 전압 값들 및 정규화된 전류 값들을 상기 입력 데이터로서 생성하는 단계를 포함할 수 있다.
또 다른 예에 따르면, 상기 인공 신경망은 상기 입력 데이터를 입력받는 제1 컨볼루션 계층(convolution layer), 역 병목 네트워크(Inverted bottleneck network), 제2 컨볼루션 계층, 및 GAP(global average pooling) 계층을 포함할 수 있다. 상기 GAP 계층은 상기 건강 상태 추정값 및 상기 어텐션 맵을 출력할 수 있다.
또 다른 예에 따르면, 상기 역 병목 네트워크는 제1 점별(pointwise) 컨볼루션 계층, 깊이별(depthwise) 컨볼루션 계층, 및 제2 점별 콘볼류션 계층을 포함할 수 있다.
또 다른 예에 따르면, 상기 어텐션 맵은 상기 인공 신경망이 집중하는 지점들을 나타내며, 에 의해 생성될 수 있다. 여기서, h는 상기 제2 컨볼루션 계층의 채널 번호이고, fh(t)는 시간 t에서 상기 제2 컨볼루션 계층의 h번째 채널의 출력이고, ωh는 상기 GAP 계층에서 사용된 h번째 채널의 가중치이고, M(t)는 시간 t에서의 어텐션 값을 나타낸다.
또 다른 예에 따르면, 상기 어텐션 점수는 에 의해 산출될 수 있다. 여기서, Sattention은 상기 어텐션 점수이고, H(·)는 고역 통과 필터 함수, V(t)는 시간 t에서의 전압 값, M(t)는 시간 t에서의 어텐션 값이고, T는 샘플링 기간을 나타내다.
또 다른 예에 따르면, 상기 어텐션 점수가 미리 설정된 기준치를 초과할 때의 상기 건강 상태 추정값이 출력될 수 있다.
또 다른 예에 따르면, 상기 어텐션 점수를 기초로 상기 건강 상태 추정값의 신뢰도가 산출될 수 있다.
또 다른 예에 따르면, 상기 미리 학습된 인공 신경망을 준비하는 단계는 배터리의 실측 충방전 데이터로부터 P2D(pseudo-2-dimensional) 모델의 파라미터들을 추정하는 단계, 상기 파라미터들 중에서 노화와 관련된 미리 설정된 적어도 하나의 파라미터를 시간에 따라 변화시킴으로써 P2D 모델을 생성하는 단계, 상기 P2D 모델을 이용하여 합성 데이터를 생성하는 단계, 및 상기 합성 데이터를 이용하여 상기 인공 신경망을 학습시키는 단계를 포함할 수 있다.
상술한 기술적 과제들을 달성하기 위한 기술적 수단으로서, 본 발명의 일 측면에 따른 컴퓨터 프로그램은 컴퓨팅 장치를 이용하여 전술한 배터리의 건강 상태를 추정하는 방법을 실행시키기 위하여 매체에 저장된다.
상술한 기술적 과제들을 달성하기 위한 기술적 수단으로서, 본 발명의 일 측면에 따른 배터리의 건강 상태를 추정하는 장치는 미리 학습된 인공 신경망, 및 배터리의 적어도 하나의 파라미터를 측정함으로써 생성되는 입력 데이터를 저장하는 메모리, 및 상기 입력 데이터를 상기 인공 신경망에 입력하여 상기 배터리의 건강 상태 추정값 및 어텐션 맵을 획득하고, 상기 어텐션 맵을 기초로 어텐션 점수를 산출하고, 상기 어텐션 점수를 기초로 상기 건강 상태 추정값의 신뢰 여부를 결정하도록 구성되는 적어도 하나의 프로세서를 포함한다.
일 예에 따르면, 상기 적어도 하나의 파라미터는 상기 배터리의 전압 및 전류를 포함할 수 있다.
다른 예에 따르면, 상기 적어도 하나의 프로세서는 사용 중인 상기 배터리의 전압 값 및 전류 값을 미리 설정된 샘플링 주기마다 측정하고, 상기 배터리의 전압 값들과 전류 값들을 각각 정규화하여 정규화된 전압 값들 및 정규화된 전류 값들을 상기 입력 데이터로서 생성하도록 구성될 수 있다.
또 다른 예에 따르면, 상기 인공 신경망은 상기 입력 데이터를 입력받는 제1 컨볼루션 계층(convolution layer), 역 병목 네트워크(Inverted bottleneck network), 제2 컨볼루션 계층, 및 GAP(global average pooling) 계층을 포함할 수 있다. 상기 GAP 계층은 상기 건강 상태 추정값 및 상기 어텐션 맵을 출력할 수 있다.
또 다른 예에 따르면, 상기 적어도 하나의 프로세서는 상기 인공 신경망이 집중하는 지점들을 나타내는 상기 어텐션 맵을 에 따라 생성하도록 구성될 수 있다. 여기서, h는 상기 제2 컨볼루션 계층의 채널 번호이고, fh(t)는 시간 t에서 상기 제2 컨볼루션 계층의 h번째 채널의 출력이고, ωh는 상기 GAP 계층에서 사용된 h번째 채널의 가중치이고, M(t)는 시간 t에서의 어텐션 값을 나타낸다.
또 다른 예에 따르면, 상기 적어도 하나의 프로세서는 상기 어텐션 점수를 에 따라 산출하도록 구성될 수 있다. 여기서, Sattention은 상기 어텐션 점수이고, H(·)는 고역 통과 필터 함수, V(t)는 시간 t에서의 전압 값, M(t)는 시간 t에서의 어텐션 값이고, T는 샘플링 기간을 나타낸다.
또 다른 예에 따르면, 상기 적어도 하나의 프로세서는 상기 어텐션 점수가 미리 설정된 기준치를 초과할 때의 상기 건강 상태 추정값을 출력하도록 구성될 수 있다.
본 발명에 따르면, 사용 중인 배터리로부터 직접 측정할 수 있는 데이터에 기초하여 학습된 인공 신경망을 이용하여 배터리의 건강 상태를 실시간으로 정확하게 추정할 수 있다.
도 1은 본 발명의 일 실시예에 따른 배터리 팩을 개략적으로 도시한다.
도 2는 본 발명의 일 실시예에 따른 배터리 컨트롤러의 내부 구성을 개략적으로 도시한다.
도 3은 본 발명의 일 실시예에 따른 프로세서의 내부 구성을 개략적으로 도시한다.
도 4는 본 발명의 일 실시예에 따른 인공 신경망의 구조를 도시한다.
도 5는 본 발명에 따른 배터리의 건강 상태 추정 결과를 도시한다.
도 6은 본 발명에 따른 어텐션 점수와 건강 상태 추정값의 오차 분포를 도시한다.
도 7은 본 발명에 따른 어텐션 점수에 대한 건강 상태 추정 오차의 확률 분포를 도시한다.
도 2는 본 발명의 일 실시예에 따른 배터리 컨트롤러의 내부 구성을 개략적으로 도시한다.
도 3은 본 발명의 일 실시예에 따른 프로세서의 내부 구성을 개략적으로 도시한다.
도 4는 본 발명의 일 실시예에 따른 인공 신경망의 구조를 도시한다.
도 5는 본 발명에 따른 배터리의 건강 상태 추정 결과를 도시한다.
도 6은 본 발명에 따른 어텐션 점수와 건강 상태 추정값의 오차 분포를 도시한다.
도 7은 본 발명에 따른 어텐션 점수에 대한 건강 상태 추정 오차의 확률 분포를 도시한다.
아래에서는 첨부한 도면을 참조하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 다양한 실시예들을 상세히 설명한다. 그러나 본 개시의 기술적 사상은 다양한 형태로 변형되어 구현될 수 있으므로 본 명세서에서 설명하는 실시예들로 제한되지 않는다. 본 명세서에 개시된 실시예들을 설명함에 있어서 관련된 공지 기술을 구체적으로 설명하는 것이 본 개시의 기술적 사상의 요지를 흐릴 수 있다고 판단되는 경우 그 공지 기술에 대한 구체적인 설명을 생략한다. 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
본 명세서에서 어떤 요소가 다른 요소와 "연결"되어 있다고 기술될 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라 그 중간에 다른 요소를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 어떤 요소가 다른 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 요소 외에 또 다른 요소를 배제하는 것이 아니라 또 다른 요소를 더 포함할 수 있는 것을 의미한다.
일부 실시예들은 기능적인 블록 구성들 및 다양한 처리 단계들로 설명될 수 있다. 이러한 기능 블록들의 일부 또는 전부는 특정 기능을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 본 개시의 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 본 개시의 기능 블록이 수행하는 기능은 복수의 기능 블록에 의해 수행되거나, 본 개시에서 복수의 기능 블록이 수행하는 기능들은 하나의 기능 블록에 의해 수행될 수도 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다.
본 발명은 전기화학적 모델의 역학을 유지하면서 계산량이 많다는 문제를 극복하기 위해, 모델 지식 이전을 통한 인공 신경망 기반의 배터리 건강 상태 추정 방법 및 장치를 제공한다.
전기화학적 리튬 이온 배터리 모델은 리튬과 전자의 움직임과 같은 배터리 내부에서 발생하는 물리 화학적 현상과 질량 및 전하 보존 법칙에서 파생된다. 이 모델은 배터리의 내부 상태와 현상을 사실적으로 표현할 수 있다. 많은 배터리 관련 분야 및 응용 분야에서 전기화학적 리튬 이온 배터리 모델은 정확성과 표현력으로 인해 성공적으로 사용되었다. 그러나 전기화학적 리튬 이온 배터리 모델은 마이크로 스케일 볼륨으로 처리되기 때문에 경계 조건을 만족하면서 지배 방정식을 푸는 것은 상당한 계산 부담을 초래한다.
허용 가능한 단순화 및 근사화로 부담을 줄이기 위해 P2D(pseudo-two dimensional) 모델이 사용된다. P2D 모델은 계산 부담을 줄이기 위해 x축(리튬 이온의 흐름 방향)과 의사 r축(고체 입자의 반경 방향)만 고려한다. P2D 모델은 열역학 모델 및 SEI(Solid Electrolyte Interface)층 형성 모델과 함께 배터리의 내부 현상을 더욱 정교하게 설명할 수 있다.
인공 신경망 훈련을 위한 고품질 데이터를 충분히 제공하기 위해, 수학적 모델을 사용하여 훈련 데이터가 합성된다. 이 방법을 이용함으로써 비용과 시간이 많이 소요되는 프로세스 없이 다양한 조건과 환경에서 많은 양의 데이터를 수집할 수 있다. 인공 신경망은 이렇게 수집된 데이터를 사용하여 전기화학적 리튬 이온 배터리 모델의 역학을 학습할 수 있다. 그에 따라서, 전기화학적 리튬이온 배터리 모델의 역학을 신경망에 이전할 수 있으며, 모델 지식이 이전된 신경망을 이용하여 배터리의 건강 상태, 즉, 노화 상태가 정확하게 추정될 수 있다.
건강 상태(SOH, State of Health)는 일반적으로 에너지 및 전력 특성의 관점에서 배터리의 잔여 용량 또는 내부 임피던스를 나타낸다. 본 명세서에서 건강 상태는 0%에서 100% 사이의 배터리 잔여 용량(remaining capacity)을 나타낸다. 배터리가 노화됨에 따라 동작 및 환경 조건에 따라 내부에서 원하지 않는 전기화학적 부반응이 발생한다. 예를 들어, 리튬 및 활성 고체 입자의 손실은 용량 감소로 이어지는 전해질 및 전극 분해와 같은 노화 메커니즘의 결과이다. 다양한 동작 또는 환경 조건에 따라 노화의 강도가 다를 수 있다. 따라서 동일한 잔여 용량을 갖는 배터리라고 하더라도, 이전 사용 이력에 따라 내부 상태 및 역학이 다를 수 있다. 이러한 이유로 배터리의 건강 상태는 전기화학적 리튬이온 배터리 모델에 대한 지식을 가지고 종합적으로 추정되어야 한다.
전기화학적 모델의 정확도와 합성 데이터가 생성되는 방식에 따라 모델 지식 이전의 성능이 결정된다. 본 발명의 일 예에 따르면, 전기화학적 모델이 실제 배터리의 거동을 따르도록 하기 위해, 파라미터 최적화 방법 중 하나인 AEHS(Adaptive Explosion Harmony Search)를 사용할 수 있으며, 모델의 물리화학적 파라미터의 가능한 범위가 신중하게 선택될 수 있다. 물리화학적 파라미터와 전류 입력 패턴의 수 많은 조합들은 다양한 내부 및 외부 조건을 가정한 상태에서 많은 합성 데이터를 생성하는데 사용될 수 있다. 파라미터의 경우 일반 화학 반응 속도 방정식에 따라 가능한 범위 내에서 샘플링될 수 있다. 전류 패턴은 널리 사용되는 글로벌 기준 구동 프로파일에서 추출될 수 있다. 본 발명에서 인공 신경망을 학습하고 테스트하기 위해 약 600만 개의 합성 데이터가 생성되었다. 합성 데이터는 신경망에 입력될 전류 및 전압 프로파일과 신경망으로부터 출력될 배터리의 건강 상태를 포함한다.
본 발명에 따르면, 메모리 효율성을 높이기 위해 완전 연결 계층들(fully connected layers)을 사용하지 않고 역 병목 네트워크(inverted bottleneck network, IBN)라고 하는 완전 컨볼루션 네트워크(FCN, fully convolutional network)로 인공 신경망을 설계할 수 있다. 특히, 본 발명에 따른 인공 신경망의 중간 계층은 소형 메모리 장치에서도 사용될 수 있는 역 병목 계층들(inverted bottlenect layers)로 구성될 수 있다. 이러한 인공 신경망은 높은 메모리 효율성을 가질 뿐만 아니라, 컨볼루션 층으로만 구성되어 있기 때문에 일반적인 인공 신경망과 달리 결과를 해석할 수 있다.
본 발명에 따르면, 결과를 해석하기 위해 입력 데이터에서 인공 신경망이 초점을 맞추는 지점을 시각적으로 표현한 어텐션 맵이 사용된다. 역 병목 네트워크(IBN)를 포함하는 인공 신경망이 배터리의 건강 상태를 추정할 때 어텐션 맵이 동시에 생성될 수 있다. 그후, 어텐션 맵과 입력 데이터의 값을 기초로, 어텐션 점수가 산출될 수 있다. 본 발명에 따르면 어텐션 점수를 기초로 해당 배터리의 건강 상태 추정 결과에 대한 신뢰 여부가 결정될 수 있다. 본 발명의 발명자들은 어텐션 점수가 높을수록 건강 상태 추정 결과의 신뢰 구간이 좁아지는 것을 확인하였다.
도 1은 본 발명의 일 실시예에 따른 배터리 팩을 개략적으로 도시한다.
도 1을 참조하면, 배터리 팩(100)은 배터리(110), 배터리 컨트롤러(120) 및 스위치(130)를 포함할 수 있다.
배터리(110)는 적어도 하나의 배터리 셀(111)을 포함하며, 배터리 셀(110)은 충전가능한 이차 전지일 수 있다. 예컨대, 배터리 셀(110)은 니켈-카드뮴 전지(nickel-cadmium battery), 납 축전지, 니켈-수소 전지(NiMH: nickel metal hydride battery), 리튬-이온 전지(lithium ion battery), 리튬 폴리머 전지(lithium polymer battery) 등으로 이루어진 그룹으로부터 선택되는 적어도 하나를 포함할 수 있다.
배터리(110)에 포함되는 배터리 셀들(111)의 개수 및 연결 방식은 배터리 팩(100)에 요구되는 전력량 및 전압 등을 기초로 결정될 수 있다. 도 1에는 오로지 예시적인 목적으로 배터리(110)에 포함된 배터리 셀들(111)이 직렬로 연결되는 것으로 도시되지만, 배터리 셀들(111)은 서로 병렬로 연결되거나, 직렬 및 병렬로 연결될 수 있다. 도 1에는 오로지 예시적인 목적으로 배터리 팩(100)이 하나의 배터리(110)를 포함하는 것으로 도시되지만, 직렬, 병렬 또는 직렬과 병렬로 연결되는 복수의 배터리(110)를 포함할 수 있다. 배터리(110)는 오직 하나의 배터리 셀(111)을 포함할 수도 있다.
배터리(110)는 각각 복수의 배터리 셀들(111)로 구성되는 복수의 배터리 모듈들을 포함할 수 있다. 배터리 팩(100)은 전기 부하 또는 충전 장치가 연결될 수 있는 팩 단자들(101, 102)을 포함한다.
본 명세서에서 건강 상태를 추정하는 대상은 배터리(110)일 수도 있고, 배터리(110)에 포함되는 배터리 셀들(111) 각각일 수도 있다. 본 명세서에서는 하나의 배터리의 건강 상태를 추정하는 방법에 대하여 설명하지만, 배터리(110)에 포함되는 복수의 배터리 셀들(111) 각각의 건강 상태를 추정하는 방법에도 동일하게 적용될 수 있다.
스위치(130)는 배터리(110)와 팩 단자들(101, 102) 중 하나(예컨대, 101)사이에 연결된다. 스위치(130)는 배터리 컨트롤러(120)에 의해 제어될 수 있다.
배터리 컨트롤러(120)는 배터리(110)를 관리할 수 있다. 배터리 컨트롤러(120)는 배터리(110)의 충전 상태, 충방전 전류 등을 관리할 수 있다. 예컨대, 배터리 컨트롤러(120)는 배터리(110)의 배터리 셀들(111) 각각의 셀 전압을 측정하고, 배터리(110)의 온도를 측정하고, 배터리(110)의 충방전 전류를 측정할 수 있다. 배터리 컨트롤러(120)는 배터리 셀들(111)의 셀 전압을 균등화할 수도 있다. 배터리 컨트롤러(120)는 배터리(110)가 과충전, 과방전, 또는 고온 상태가 되면, 이를 감지하고 스위치(130)를 개방시킬 수도 있다.
배터리 컨트롤러(120)는 배터리(110)로부터 측정된 데이터를 이용하여 배터리(110)의 건강 상태를 추정할 수 있다. 배터리(110)로부터 측정된 데이터는 배터리 셀들(111) 각각의 셀 전압, 배터리(110)의 단자 전압, 배터리 셀(110)의 충방전 전류, 배터리(110)의 온도 중 적어도 하나를 포함할 수 있다. 배터리 컨트롤러(120)가 배터리(110)의 건강 상태를 추정하는 방법에 대해서는 아래에서 더욱 자세히 설명한다.
도 1에 도시되지 않았지만, 배터리 팩(100)은 배터리 보호 회로, 퓨즈, 전류 센서 등을 더 포함할 수 있다.
도 2는 본 발명의 일 실시예에 따른 배터리 컨트롤러(120)의 내부 구성을 개략적으로 도시한다.
도 2를 참조하면, 배터리 컨트롤러(120)는 프로세서(121) 및 메모리(123)를 포함한다.
프로세서(121)는 배터리 컨트롤러(120)의 전반적인 동작을 제어한다. 프로세서(121)는 기본적인 산술, 로직 및 입출력 연산을 수행하고, 예컨대 메모리(123)에 저장된 프로그램 코드, 예컨대, 미리 학습된 인공 신경망을 실행할 수 있다. 프로세서(121)는 데이터를 메모리(121)에 저장하거나, 메모리(121)에 저장된 데이터를 로딩할 수 있다.
메모리(123)는 프로세서(121)가 판독할 수 있는 기록 매체로서, RAM, ROM 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 메모리(123)에는 운영체제와 적어도 하나의 프로그램 또는 어플리케이션 코드가 저장될 수 있다. 메모리(123)에는 본 발명의 일 실시예에 따라서 배터리의 건강 상태를 추정하기 위해 미리 학습된 인공 신경망을 구현하기 위한 프로그램 코드가 저장될 수 있다. 메모리(123)에는 배터리(110)의 적어도 하나의 파라미터를 측정함으로써 생성되는 입력 데이터가 저장될 수 있다. 메모리(123)에는 배터리(110)의 적어도 하나의 파라미터를 측정함으로써 생성되는 입력 데이터를 이용하여 인공 신경망을 추가로 학습시키기 위한 프로그램 코드가 저장될 수 있다. 배터리(110)의 적어도 하나의 파라미터는 배터리(110)의 단자 전압, 충방전 전류, 및/또는 주변 온도와 같은 요소(component) 또는 변수(variable)를 의미한다.
배터리 컨트롤러(120)는 배터리(110)의 적어도 하나의 파라미터를 측정하기 위한 센싱 모듈을 더 포함할 수 있다. 배터리 컨트롤러(120)는 차량의 전자 제어 장치, 충전 장치의 컨트롤러 등과 같은 다른 장치와 통신하기 위한 통신 모듈을 더 포함할 수 있다.
도 3은 본 발명의 일 실시예에 따른 프로세서(121)의 내부 구성을 개략적으로 도시한다.
도 3을 참조하면, 프로세서(121)는 인공 신경망(320), 어텐션 점수 산출부(330), 및 건강 상태 추정값 출력부(340)를 포함한다. 인공 신경망(320), 어텐션 점수 산출부(330), 및 건강 상태 추정값 출력부(340)는 프로세서(121)에 의해 구현될 수 있다.
미리 학습된 인공 신경망(320)에 입력 데이터(310)가 입력될 수 있다. 미리 학습된 인공 신경망(320)는 입력 데이터(310)에 대응하여 배터리의 건강 상태 추정값 및 어텐션 맵을 출력할 수 있다. 어텐션 점수 산출부(320)는 어텐션 맵을 기초로 어텐션 점수를 산출할 수 있다. 건강 상태 추정값 출력부(340)는 어텐션 점수를 기초로 건강 상태 추정값의 신뢰 여부를 결정하고, 신뢰할 수 있는 건강 상태 추정값을 출력할 수 있다.
입력 데이터(310)는 배터리(110)의 적어도 하나의 파라미터를 측정한 측정 데이터로부터 생성될 수 있다. 적어도 하나의 파라미터는 배터리(110)의 전압 및 전류일 수 있다. 배터리(110)의 적어도 하나의 파라미터를 측정한 측정 데이터는 배터리(110)의 전압 데이터, 및 전류 데이터를 포함한다. 배터리(110)는 사용 중일 수 있다. 즉, 배터리(110)는 부하에 전력을 공급하기 위해 방전 중이거나, 충전 장치로부터 전력을 공급받아 충전 중일 수 있다.
배터리(110)의 전압 데이터, 및 전류 데이터는 시계열 데이터이며, 미리 설정된 샘플링 주기마다 측정된 전압 값들 및 전류 값들을 포함한다. 미리 설정된 샘플링 주기는 예컨대, 1초일 수 있다. 그러나, 샘플링 주기는 1초보다 짧거나 길 수도 있다. 배터리(110)의 전압 데이터 및 전류 데이터는 아래에서 측정 데이터로 통칭할 수 있다.
입력 데이터(310)는 배터리(110)의 측정 데이터 중에서 미리 설정된 윈도우 크기에 해당하는 일부의 측정 데이터들을 포함할 수 있다. 윈도우 크기는 샘플링 주기의 T배에 해당하는 샘플링 기간에 대응할 수 있다. T는 자연수이며, 예컨대 100일 수 있다. 입력 데이터(310)는 미리 설정된 샘플링 기간동안 측정한 적어도 하나의 파라미터의 측정값들에 기초하여 생성될 수 있다.
다른 예에 따르면, 입력 데이터(310)는 배터리(110)의 측정 데이터를 전처리한 데이터들을 포함할 수 있다. 전처리는 예컨대, 노이즈를 제거하기 위한 필터링 및/또는 전압 데이터, 전류 데이터, 및 온도 데이터 각각의 평균과 분산을 일정하게 하기 위한 정규화를 포함할 수 있다. 이 경우, 입력 데이터(310)는 미리 설정된 샘플링 주기마다 측정된 배터리(110)의 전압 값들과 전류 값들을 각각 정규화하여 얻어진 정규화된 전압 값들 및 정규화된 전류 값들을 포함할 수 있다.
입력 데이터(310)가 인공 신경망(320)에 입력되면, 인공 신경망(320)은 입력 데이터(310)에 대응하여 건강 상태 추정값과 어텐션 맵을 출력할 수 있다. 인공 신경망(320)은 미리 학습되어 있다.
도 4는 본 발명의 일 실시예에 따른 인공 신경망(320)의 구조를 도시한다.
도 4를 참조하면, 인공 신경망(320)는 제1 컨볼루션 계층(convolution layer)(410), 역 병목 네트워크(Inverted bottleneck network)(420), 제2 컨볼루션 계층(430), 및 GAP(global average pooling) 계층(440)을 포함한다.
제1 컨볼루션 계층(410)는 입력 데이터(310)로서, 전압 및 전류 데이터(401)를 입력받고, GAP 계층(440)은 건강 상태 추정값(402) 및 어텐션 맵(403)을 출력할 수 있다.
인공 신경망(320)은 역 병목 구조를 기반으로 하는 완전 컨볼루션 네트워크(FCN, Fully convolutional network)일 수 있따. 인공 신경망(320)은 두 개의 채널로 구성된 긴 1차원 데이터를 입력받는다. 하나는 정규화된 전압 값들로 이루어진 전압 데이터이고, 다른 하나는 정규화된 전류 값들로 이루어진 전류 데이터일 수 있다.
역 병목 네트워크(420)는 제1 점별(pointwise) 컨볼루션 계층, 깊이별(depthwise) 컨볼루션 계층, 및 제2 점별 콘볼류션 계층을 포함할 수 있다. 역 병목 네트워크(420)는 점별 컨볼루션 계층들을 통해 채널 승산(multiplication)과 감산(reduction) 단계들을 가지므로 비선형 활성화 함수에서 정보 손실을 줄일 수 있다. 또한 역 병목 네트워크(420)가 분리 가능한 컨볼루션 계층들(깊이별 컨볼루션 계층 및 점별 컨볼루션 계층)을 사용하므로, 모델 크기에 비해 모델 정확도가 효율적으로 증가할 수 있다.
인공 신경망(320)에서 피드-포워드 계산을 하는 동안 어텐션 맵(403)이 획득될 수 있으며, 건강 상태 추정값(402)은 마제2 컨볼루션 계층(430) 이후에 구현되는 GAP 계층(440)에 의해 생성될 수 있다.
인공 신경망(320)에 출력되는 어텐션 맵(403)은 전압 및 전류 데이터(401)에서 인공 신경망(320)이 집중하는 지점을 나타내며, 에 의해 생성될 수 있다.
여기서, h는 제2 컨볼루션 계층(430)의 채널 번호이고, fh(t)는 시간 t에서 제2 컨볼루션 계층(430)의 h번째 채널의 출력이고, ωh는 GAP 계층(440)에서 사용된 h번째 채널의 가중치이고, M(t)는 시간 t에서의 어텐션 값을 나타낸다.
어텐션 맵(403)은 전압 및 전류 데이터(401)에서 인공 신경망(320)이 집중하는 지점을 나타내며, 인공 신경망(320)의 출력에 대한 결정 기반으로 해석될 수 있다. 어텐션 맵(403)을 어텐션 점수로 점수화함으로써, 인공 신경망(320)에서 출력한 건강 상태 추정값(402)의 신뢰도가 결정될 수 있다.
다시 도 3을 참조하면, 어텐션 점수 산출부(320)는 어텐션 맵(도 4의 403)을 기초로 어텐션 점수를 산출할 수 있다. 어텐션 점수는 에 의해 산출될 수 있다. 여기서, Sattention은 어텐션 점수이고, H(·)는 고역 통과 필터 함수, V(t)는 시간 t에서의 전압 값, M(t)는 시간 t에서의 어텐션 값이고, T는 샘플링 기간을 나타낸다.
어텐션 점수와 함께 건강 상태 추정값의 오차를 분석함으로써, 어텐션 점수에 대응하는 건강 상태 추정값의 오차 확률 분포가 획득될 수 있다. 본 발명에 따르면, 인공 신경망(320)으로부터 건강 상태 추정값(402)와 어텐션 맵(403)이 획득되며, 어텐션 맵(403)을 점수화하여 건강 상태 추정값(402)의 신뢰도가 결정될 수 있다.
건강 상태 추정값 출력부(340)는 어텐션 점수를 기초로 건강 상태 추정값의 신뢰 여부를 결정하고, 신뢰할 수 있는 건강 상태 추정값을 출력할 수 있다. 일 예에 따르면, 건강 상태 추정값 출력부(340)는 어텐션 점수(Sattention)가 미리 설정된 기준치를 초과할 때의 건강 상태 추정값(도 4의 402)을 출력할 수 있다. 건강 상태 추정값 출력부(340)는 어텐션 점수(Sattention)가 미리 설정된 기준치를 초과하지 못할 경우, 건강 상태 추정값(402)을 출력하지 않고 폐기할 수 있다. 이 경우, 다음 샘플링 기간 동안 측정되는 전압 및 전류 데이터에 대하여 건강 상태 추정값(402) 및 어텐션 맵(403)이 획득될 수 있다.
건강 상태 추정값 출력부(340)는 어텐션 점수를 기초로 건강 상태 추정값의 신뢰도를 산출하고, 건강 상태 추정값(402)과 함께 이의 신뢰도를 함께 출력할 수 있다. 어텐션 점수가 높을수록 건강 상태 추정값의 신뢰도도 높을 수 있다. 예를 들면, 건강 상태 추정값의 신뢰도와 어텐션 점수는 1차 함수의 관계를 가질 수 있다.
아래에서는 미리 학습된 인공 신경망을 준비하는 방법에 대하여 설명한다.
미리 학습된 인공 신경망을 준비하는 방법은 다른 컴퓨팅 장치에 의해 수행될 수 있다. 배터리의 실측 충방전 데이터가 수집될 수 있다. 실측 충방전 데이터는 전류 데이터 및 전압 데이터를 포함할 수 있다. 실측 충방전 데이터는 미리 설정된 전류 프로파일에 따라 배터리를 충전 및 방전시키면서 배터리의 전압을 측정함으로써 획득될 수 있다.
배터리의 실측 충방전 데이터로부터 P2D(pseudo-2-dimensional) 모델의 파라미터들이 추정될 수 있다. 예를 들면, AEHS(adaptive exploration harmony search) 알고리즘을 사용하여 P2D 모델의 파라미터들이 추정될 수 있다. 추정된 파라미터는 노화를 고려하여 합성 데이터 생성 동안 유효한 매개변수 공간에 대해 합리적으로 시간에 따라 변화한다.
P2D 모델의 파라미터들 중에서 미리 설정된 적어도 하나의 파라미터를 시간에 따라 변화시킴으로써 P2D 모델이 생성될 수 있다. 미리 설정된 적어도 하나의 파라미터는 노화와 관련된 파라미터다. 중요하고 영향력 있는 것으로 간주되는 노화 매커니즘은 양극 전극 분해, 양극 전해질 분해, 배터리 부피 변화 등이다. 이러한 세 가지 노화 메커니즘과 관련된 파라미터들은 예컨대 음극과 양극의 고체 입자 표면적, 음극과 양극의 고체 입자 전도도, 양극의 SEI 층 저항일 수 있다.
화학 반응의 경우, 노화 관련 파라미터는 일반 화학 반응 속도식에 따라 변경되는 것이 합리적이다. 파라미터 값은 와 같이 변형될 수 있다.
여기서, θaging은 노화 과정에서 시간에 따라 변하는 파라미터 값이고, θBOL은 새 배터리에 대한 파라미터 값이고, N은 해당 파라미터에 영향을 미치는 노화 메커니즘의 횟수이고, ΔSOH는 건강 상태의 감소분, k는 변화 방향에 대한 계수이다. F는 파라미터 변화율, Di는 i번째 노화 메커니즘의 정량적 강도이다. k의 부호가 양수이면 파라미터 값이 시간이 지남에 따라 감소한다는 것을 의미한다. 변화률(F)는 고정 값으로 각 파라미터에 독립적으로 할당된다. Di가 클수록 i번째 노화 메커니즘의 강도가 높아 파라미터 변동이 가속화됨을 나타낸다.
전술한 노화 관련 파라미터 외에도, 합성 데이터를 더욱 다양하고 명확하게 생성하기 위해 확산 계수 및 반응 속도와 같은 6가지 다른 전기화학적 파라미터가 ΔSOH에 비례하여 변화하도록 설정될 수 있다.
이렇게 생성된 P2D 모델을 이용하여 합성 데이터가 생성될 수 있다. 실제 배터리의 다양한 노화 과정을 포함하기 위해 노화 관련 파라미터들을 시간에 따라 변화시켜 얻은 P2D 모델로부터 합성 데이터가 생성될 수 있다. P2D 모델은 리튬 이온 배터리의 전기화학적 거동을 조사하기 위한 완전 맞춤형 MATLAB 기반 배터리 시뮬레이션 도구 상자인 리튬 이온 시뮬레이션 배터리(LIONSIMBA) 도구 상자에 의해 계산될 수 있다.
합성 데이터를 생성하기 위한 전류 입력 프로파일은 UDDS(Urban dynamometer driving schedule), WLTP(Worldwide Harmonized Light Vehicle Test Procedure), IM240(Inspection and Maintenance Driving Cycle)과 같은 여러 공식 구동 프로파일에서 선택될 수 있다.
다양하고 조밀한 합성 데이터 생성을 위해 P2D 모델의 많은 양의 전류 입력 데이터 및 전압 출력 데이터가 서로 다른 초기 충전 상태(SOC) 및 건강 상태(SOH)에서 획득될 수 있다. 합성 데이터는 지정된 건강 상태(SOH)와 함께 100초 동안의 전압 및 전류 데이터로 구성될 수 있다.
전기화학적 리튬 이온 배터리 모델에 대한 지식을 인공 신경망에 이전하기 위해 합성 데이터가 생성될 수 있다. 효과적인 훈련을 위해서, 파라미터들에 대하여 고르게 합성 데이터가 생성될 수 있다.
합성 데이터를 이용하여 인공 신경망이 학습될 수 있다. 합성 데이터는 배터리의 역학과 함께 노화 과정을 학습하도록 인공 신경망을 훈련하는데 사용될 수 있다. 이러한 과정을 통해, 전기화학적 리튬이온 배터리 모델에 대한 지식이 인공 신경망에 전달될 수 있다. 합성 데이터의 약 80%가 인공 신경망(320)의 훈련에 사용되고, 나머지 20%는 인공 신경망(320)의 테스트에 사용될 수 있다.
일 예에 따르면, 인공 신경망은 다음과 같은 구조를 가질 수 있다.
leaky ReLU 활성화 함수가 있는 역 병목 구조들이 제4 내지 제9 계층, 제10 내지 제15 계층, 및 제16 내지 제21 계층에 각각 사용될 수 있다. 배치 정규화 계층이 효율적인 훈련 및 정규화를 위해 각 포인트별 및 깊이별 컨볼루션 계층에 뒤따를 수 있다. 효과적인 학습률 설정을 위해 SGDR(stochastic gradient descent with warm restart) 방법이 적용될 수 있다. SGDR의 최소 및 최대 학습률은 각각 1x10-5 및 1x10-4로 각각 설정될 수 있다. 훈련을 위한 마지막 에포크(epoch)는 8,000으로 선택될 수 있다. 각 반복의 미니 배치 크기는 빠른 에포크(epoch) 진행을 위해 30,000으로 설정될 수 있다.
본 발명에 따른 인공 신경망은 결과적으로 0.791% 포인트(%p)의 평균 절대 오차(MAE)와 0.998%p의 RMSE(제곱 평균 제곱근)로 테스트 데이터 세트에 대해 우수한 추정 정확도를 제공하였다.
도 5는 본 발명에 따른 배터리의 건강 상태 추정 결과를 도시한다.
도 5를 참조하면, 본 발명에 따른 인공 신경망에 입력된 전류 및 전압 데이터, 및 인공 신경망으로부터 출력된 건강 상태 추정값 및 어텐션 맵이 도시된다.
도 5의 (a)는 UDDS 프로파일을 이용한 것이다. 건강 상태 실제값(True SOH)이 99인 배터리에 대하여, 건강 상태 추정값(Estimated SOH)은 98.725이었다.
도 5의 (b)는 WLTP 프로파일을 이용한 것이다. 건강 상태 실제값(True SOH)이 96인 배터리에 대하여, 건강 상태 추정값(Estimated SOH)은 95.553이었다.
도 5의 (c)는 IM240 프로파일을 이용한 것이다. 건강 상태 실제값(True SOH)이 81인 배터리에 대하여, 건강 상태 추정값(Estimated SOH)은 81.645이었다.
어텐션 맵들을 참조하면, 본 발명에 따라서 미리 학습된 신경망은 입력 데이터에서 빠르게 변화하는 영역에 초점을 맞추는 경향이 있음을 알 수 있다.
전술한 바와 같이, 각 입력 데이터 세트에 대해 어텐션 점수가 어텐션 맵으로부터 산출될 수 있다. 어텐션 점수에 대한 건강 상태 추정 오차의 확률 분포가 결정될 수 있다.
도 6은 본 발명에 따른 어텐션 점수와 건강 상태 추정값의 오차 분포를 도시한다.
도 6을 참조하면, 회색 점은 입력 데이터 세트들 각각을 나타낸다. 빨간색 실선은 어텐션 점수에 따른 추정 오차의 가우시안 확률 분포를 나타낸고, 빨간색 점선(또는 파란색 실선)은 90% 신뢰 구간을 나타낸다. 분홍색 점은 확률 분포의 평균값을 나타낸다.
각 확률 분포의 평균값은 거의 0이지만, 표준 편차는 어텐션 점수가 증가함에 따라 점차 감소하였다. 도 6에서 표준편차가 1.01%p인 가장 왼쪽의 확률 분포는 어텐션 맵 점수가 증가함에 따라 0.57%p의 표준편차인 가장 오른쪽의 확률 분포로 점진적으로 이동한다. 어텐션 점수가 높을 때 건강 상태 추정값이 더 신뢰할 수 있다는 것을 알 수 있다.
도 7은 본 발명에 따른 어텐션 점수에 대한 건강 상태 추정 오차의 확률 분포를 도시한다.
도 7의 (a)는 UDDS 프로파일을 이용한 것이다. 도 7의 (b)는 WLTP 프로파일을 이용한 것이다. 도 7의 (c)는 IM240 프로파일을 이용한 것이다. 도 7의 결과는 도 6의 결과와 동일함을 알 수 있다. 높은 어텐션 점수를 갖는 건강 상태 추정값을 업데이트 또는 출력하는 것이 효과적이다.
다른 신경망 기반 건강 상태 추정 애플리케이션은 본 발명과 같은 어텐션 점수 정보를 제공하지 않았다. 본 발명에 따른 건강 상태 추정을 위한 어텐션 점수에 대한 정보는 배터리 최종 사용자에게 실용적이고 유용한 지침을 제공할 수 있다.
본 발명에 따르면, 모델 지식 이전 및 어텐션 매핑을 통해 신뢰할 수 있는 신경망 기반 건강 상태 추정 방법 및 장치가 제공된다. 먼저 다양한 노화 시나리오를 고려하여 전기화학 리튬이온 배터리 모델에서 합성 데이터를 생성하고, 건강 상태를 추정하기 위해 합성 데이터에서 전기화학 모델 역학을 학습하도록 역 병목 네트워크를 훈련할 수 있다. 건강 상태 추정 시 주어진 입력 데이터에 대한 어텐션 맵을 인공 신경망으로부터 획득하고, 각 어텐션 점수를 계산하여 건강 상태 추정 결과의 신뢰도를 결정할 수 있다.
본 발명에 따라 생성된 합성 데이터는 신뢰도 계산을 위한 우수한 추정 성능과 유용한 보조 확률 분포를 제공함을 확인하였다. 실제 배터리에 대한 실험을 통해 본 발명의 건강 상태 추정 방법이 모델 지식 이전 및 어텐션 매핑에 의해 효과적임을 확인하였다. 본 발명의 건강 상태 추정 방법은 다양한 구동 사이클 프로파일에 안정적으로 사용될 수 있고 많은 노화 현상을 포괄하므로 배터리 관리 및 배터리 진단 분야에서 유용할 것이다.
이상 설명된 다양한 실시예들은 예시적이며, 서로 구별되어 독립적으로 실시되어야 하는 것은 아니다. 본 명세서에서 설명된 실시예들은 서로 조합된 형태로 실시될 수 있다.
이상 설명된 다양한 실시예들은 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 명세서에서, "부", "모듈" 등은 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다. 예를 들면, "부", "모듈" 등은 소프트웨어 구성 요소들, 객체 지향 소프트웨어 구성 요소들, 클래스 구성 요소들 및 태스크 구성 요소들과 같은 구성 요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들에 의해 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (18)
- 적어도 하나의 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
미리 학습된 인공 신경망을 준비하는 단계;
배터리의 적어도 하나의 파라미터를 측정하여 입력 데이터를 생성하는 단계;
상기 입력 데이터를 상기 인공 신경망에 입력하여 상기 배터리의 건강 상태 추정값 및 어텐션 맵을 획득하는 단계;
상기 어텐션 맵을 기초로 어텐션 점수를 산출하는 단계; 및
상기 어텐션 점수를 기초로 상기 건강 상태 추정값의 신뢰 여부를 결정하는 단계를 포함하는 배터리의 건강 상태를 추정하는 방법. - 제1 항에 있어서,
상기 적어도 하나의 파라미터는 상기 배터리의 전압 및 전류를 포함하는 배터리의 건강 상태를 추정하는 방법. - 제2 항에 있어서,
상기 입력 데이터를 생성하는 단계는,
사용 중인 상기 배터리의 전압 값 및 전류 값을 미리 설정된 샘플링 주기마다 측정하는 단계; 및
상기 배터리의 전압 값들과 전류 값들을 각각 정규화하여 정규화된 전압 값들 및 정규화된 전류 값들을 상기 입력 데이터로서 생성하는 단계를 포함하는 배터리의 건강 상태를 추정하는 방법. - 제1 항에 있어서,
상기 인공 신경망은 상기 입력 데이터를 입력받는 제1 컨볼루션 계층(convolution layer), 역 병목 네트워크(Inverted bottleneck network), 제2 컨볼루션 계층, 및 GAP(global average pooling) 계층을 포함하고,
상기 GAP 계층은 상기 건강 상태 추정값 및 상기 어텐션 맵을 출력하는 배터리의 건강 상태를 추정하는 방법. - 제4 항에 있어서,
상기 역 병목 네트워크는 제1 점별(pointwise) 컨볼루션 계층, 깊이별(depthwise) 컨볼루션 계층, 및 제2 점별 콘볼류션 계층을 포함하는 배터리의 건강 상태를 추정하는 방법. - 제4 항에 있어서,
상기 어텐션 맵은 상기 인공 신경망이 집중하는 지점들을 나타내며, 에 의해 생성되고,
여기서, h는 상기 제2 컨볼루션 계층의 채널 번호이고, fh(t)는 시간 t에서 상기 제2 컨볼루션 계층의 h번째 채널의 출력이고, ωh는 상기 GAP 계층에서 사용된 h번째 채널의 가중치이고, M(t)는 시간 t에서의 어텐션 값을 나타내는 배터리의 건강 상태를 추정하는 방법. - 제6 항에 있어서,
상기 어텐션 점수는 에 의해 산출되고,
여기서, Sattention은 상기 어텐션 점수이고, H(·)는 고역 통과 필터 함수, V(t)는 시간 t에서의 전압 값, M(t)는 시간 t에서의 어텐션 값이고, T는 샘플링 기간을 나타내는 배터리의 건강 상태를 추정하는 방법. - 제1 항에 있어서,
상기 어텐션 점수가 미리 설정된 기준치를 초과할 때의 상기 건강 상태 추정값을 출력하는 단계를 더 포함하는 배터리의 건강 상태를 추정하는 방법. - 제1 항에 있어서,
상기 어텐션 점수를 기초로 상기 건강 상태 추정값의 신뢰도를 산출하는 단계를 더 포함하는 배터리의 건강 상태를 추정하는 방법. - 제1 항에 있어서,
상기 미리 학습된 인공 신경망을 준비하는 단계는,
배터리의 실측 충방전 데이터로부터 P2D(pseudo-2-dimensional) 모델의 파라미터들을 추정하는 단계;
상기 파라미터들 중에서 노화와 관련된 미리 설정된 적어도 하나의 파라미터를 시간에 따라 변화시킴으로써 P2D 모델을 생성하는 단계;
상기 P2D 모델을 이용하여 합성 데이터를 생성하는 단계; 및
상기 합성 데이터를 이용하여 상기 인공 신경망을 학습시키는 단계를 포함하는 배터리의 건강 상태를 추정하는 방법. - 컴퓨팅 장치를 이용하여 제1 항 내지 제10 항 중 어느 한 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
- 미리 학습된 인공 신경망, 및 배터리의 적어도 하나의 파라미터를 측정함으로써 생성되는 입력 데이터를 저장하는 메모리; 및
상기 입력 데이터를 상기 인공 신경망에 입력하여 상기 배터리의 건강 상태 추정값 및 어텐션 맵을 획득하고, 상기 어텐션 맵을 기초로 어텐션 점수를 산출하고, 상기 어텐션 점수를 기초로 상기 건강 상태 추정값의 신뢰 여부를 결정하도록 구성되는 적어도 하나의 프로세서를 포함하는 배터리의 건강 상태를 추정하는 장치. - 제12 항에 있어서,
상기 적어도 하나의 파라미터는 상기 배터리의 전압 및 전류를 포함하는 배터리의 건강 상태를 추정하는 장치. - 제13 항에 있어서,
상기 적어도 하나의 프로세서는 사용 중인 상기 배터리의 전압 값 및 전류 값을 미리 설정된 샘플링 주기마다 측정하고, 상기 배터리의 전압 값들과 전류 값들을 각각 정규화하여 정규화된 전압 값들 및 정규화된 전류 값들을 상기 입력 데이터로서 생성하도록 구성되는 배터리의 건강 상태를 추정하는 장치. - 제12 항에 있어서,
상기 인공 신경망은 상기 입력 데이터를 입력받는 제1 컨볼루션 계층(convolution layer), 역 병목 네트워크(Inverted bottleneck network), 제2 컨볼루션 계층, 및 GAP(global average pooling) 계층을 포함하고,
상기 GAP 계층은 상기 건강 상태 추정값 및 상기 어텐션 맵을 출력하는 배터리의 건강 상태를 추정하는 장치. - 제15 항에 있어서,
상기 적어도 하나의 프로세서는 상기 인공 신경망이 집중하는 지점들을 나타내는 상기 어텐션 맵을 에 따라 생성하도록 구성되고,
여기서, h는 상기 제2 컨볼루션 계층의 채널 번호이고, fh(t)는 시간 t에서 상기 제2 컨볼루션 계층의 h번째 채널의 출력이고, ωh는 상기 GAP 계층에서 사용된 h번째 채널의 가중치이고, M(t)는 시간 t에서의 어텐션 값을 나타내는 배터리의 건강 상태를 추정하는 장치. - 제16 항에 있어서,
상기 적어도 하나의 프로세서는 상기 어텐션 점수를 에 따라 산출하도록 구성되고,
여기서, Sattention은 상기 어텐션 점수이고, H(·)는 고역 통과 필터 함수, V(t)는 시간 t에서의 전압 값, M(t)는 시간 t에서의 어텐션 값이고, T는 샘플링 기간을 나타내는 배터리의 건강 상태를 추정하는 장치. - 제12 항에 있어서,
상기 적어도 하나의 프로세서는 상기 어텐션 점수가 미리 설정된 기준치를 초과할 때의 상기 건강 상태 추정값을 출력하도록 구성되는 배터리의 건강 상태를 추정하는 장치.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220052876A KR20230153096A (ko) | 2022-04-28 | 2022-04-28 | 배터리의 건강 상태를 추정하는 방법 및 장치 |
| EP23170137.6A EP4270033A1 (en) | 2022-04-28 | 2023-04-26 | Method and apparatus for estimating state of health of battery |
| US18/140,118 US20230349977A1 (en) | 2022-04-28 | 2023-04-27 | Method and apparatus for estimating state of health of battery |
| CN202310481772.0A CN116973756A (zh) | 2022-04-28 | 2023-04-28 | 用于估计电池的健康状态的方法及设备以及计算机程序 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220052876A KR20230153096A (ko) | 2022-04-28 | 2022-04-28 | 배터리의 건강 상태를 추정하는 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230153096A true KR20230153096A (ko) | 2023-11-06 |
Family
ID=86226873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220052876A KR20230153096A (ko) | 2022-04-28 | 2022-04-28 | 배터리의 건강 상태를 추정하는 방법 및 장치 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20230349977A1 (ko) |
| EP (1) | EP4270033A1 (ko) |
| KR (1) | KR20230153096A (ko) |
| CN (1) | CN116973756A (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117970128B (zh) * | 2024-03-29 | 2024-05-28 | 中科军源(南京)智能技术有限公司 | 一种实时反馈控制的电池综合实验调试方法及系统 |
| CN118136983A (zh) * | 2024-05-07 | 2024-06-04 | 东莞市锂智慧能源有限公司 | 一种低压堆叠电池系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112098874B (zh) * | 2020-08-21 | 2023-09-22 | 杭州电子科技大学 | 一种考虑老化情况下的锂离子电池电量预测方法 |
| CN113376540B (zh) * | 2021-05-18 | 2023-07-07 | 西安理工大学 | 基于进化注意力机制的lstm电池健康状态估计方法 |
| CN113687242A (zh) * | 2021-09-29 | 2021-11-23 | 温州大学 | 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法 |
| CN114035098A (zh) * | 2021-12-14 | 2022-02-11 | 北京航空航天大学 | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 |
-
2022
- 2022-04-28 KR KR1020220052876A patent/KR20230153096A/ko unknown
-
2023
- 2023-04-26 EP EP23170137.6A patent/EP4270033A1/en active Pending
- 2023-04-27 US US18/140,118 patent/US20230349977A1/en active Pending
- 2023-04-28 CN CN202310481772.0A patent/CN116973756A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20230349977A1 (en) | 2023-11-02 |
| EP4270033A1 (en) | 2023-11-01 |
| CN116973756A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fotouhi et al. | Lithium–sulfur battery state-of-charge observability analysis and estimation | |
| US11422192B2 (en) | Method and apparatus for estimating state of health of battery | |
| Farmann et al. | A comprehensive review of on-board State-of-Available-Power prediction techniques for lithium-ion batteries in electric vehicles | |
| Eddahech et al. | Behavior and state-of-health monitoring of Li-ion batteries using impedance spectroscopy and recurrent neural networks | |
| Sassi et al. | Comparative study of ANN/KF for on-board SOC estimation for vehicular applications | |
| US11366171B2 (en) | Battery state estimation method | |
| KR101992051B1 (ko) | 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템 | |
| US20230349977A1 (en) | Method and apparatus for estimating state of health of battery | |
| Lipu et al. | Lithium-ion battery state of charge estimation method using optimized deep recurrent neural network algorithm | |
| Biswas et al. | Simultaneous state and parameter estimation of li-ion battery with one state hysteresis model using augmented unscented kalman filter | |
| Ozcan et al. | Online battery state-of-charge estimation based on sparse gaussian process regression | |
| Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
| Kumari et al. | Electric vehicle battery state-of-charge estimation based on optimized deep learning strategy with varying temperature at different C Rate | |
| Li et al. | State of health estimation of lithium-ion batteries using EIS measurement and transfer learning | |
| KR20180121317A (ko) | 충전가능한 배터리의 용량 저하율을 예측하는 방법 및 장치 | |
| Lipu et al. | Extreme learning machine for SOC estimation of lithium-ion battery using gravitational search algorithm | |
| Vatani et al. | Cycling lifetime prediction model for lithium-ion batteries based on artificial neural networks | |
| Upashrutti et al. | Estimation of State of Charge of EV Batteries-A Machine Learning Approach | |
| Memon et al. | Estimating state of charge and state of health of electrified vehicle battery by data driven approach: Machine learning | |
| Sari et al. | State of charge estimation of Lithium Polymer battery using ANFIS and IT2FLS | |
| Jung et al. | Online electrochemical impedance spectroscopy estimation of lithium-ion batteries using a deep learning framework | |
| Lucchetta et al. | Battery State of Charge estimation using a Machine Learning approach | |
| Crocioni et al. | Li-Ion Batteries Releasable Capacity Estimation with Neural Networks on Intelligent IoT Microcontrollers | |
| Medina et al. | A hybrid system for lithium-ion battery state-of-charge univariate forecasting | |
| US11762032B2 (en) | Diagnosis method of battery, diagnosis device of battery, diagnosis system of battery, battery-mounted device, and non-transitory storage medium |