KR20230157549A - Apparatus for estimating soh of electric vehicle battery and method thereof - Google Patents

Apparatus for estimating soh of electric vehicle battery and method thereof Download PDF

Info

Publication number
KR20230157549A
KR20230157549A KR1020220056471A KR20220056471A KR20230157549A KR 20230157549 A KR20230157549 A KR 20230157549A KR 1020220056471 A KR1020220056471 A KR 1020220056471A KR 20220056471 A KR20220056471 A KR 20220056471A KR 20230157549 A KR20230157549 A KR 20230157549A
Authority
KR
South Korea
Prior art keywords
soh
deep learning
value
learning model
electric vehicle
Prior art date
Application number
KR1020220056471A
Other languages
Korean (ko)
Other versions
KR102617005B1 (en
Inventor
김동욱
김태훈
최재영
윤효정
이홍종
신동현
Original Assignee
한국자동차연구원
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 한국자동차연구원 filed Critical 한국자동차연구원
Priority to KR1020220056471A priority Critical patent/KR102617005B1/en
Publication of KR20230157549A publication Critical patent/KR20230157549A/en
Application granted granted Critical
Publication of KR102617005B1 publication Critical patent/KR102617005B1/en

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • 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]
    • G01R31/367—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]
    • G01R31/371—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with remote indication, e.g. on external chargers
    • 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
    • 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
    • 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

Abstract

본 발명은 전기차 배터리의 SOH 예측 장치에 관한 것으로, 전기차 배터리의 전류를 측정하는 전류 측정 모듈; 주행 데이터와 전류 측정 데이터가 지정된 SOC(State of Charge) 산출 조건이 되었을 때 배터리 개방 회로 전압(OCV)을 측정하는 OCV 측정 모듈; 주행 데이터와 전류 측정 데이터가 지정된 SOC(State of Charge) 산출 조건이 되었을 때 배터리 온도를 측정하는 온도 측정 모듈; 전류 측정 모듈, OCV 측정 모듈 및 온도 측정 모듈을 통해 각기 측정한 전류 측정 데이터, OCV 측정 데이터 및 온도 측정 데이터를 서버에 온라인으로 전달하는 프로세서; 및 온라인으로 전달되는 전류 측정 데이터를 미리 학습된 딥러닝 모델1 기반으로 보정하며, 미리 학습된 딥러닝 모델2 기반으로 OCV 값을 예측하여 전기차 배터리의 SOH(State of Health) 값을 예측하고, 또한 미리 학습된 딥러닝 모델3 기반으로 전기차 배터리의 SOH를 예측하는 서버;를 포함한다.The present invention relates to an SOH prediction device for an electric vehicle battery, comprising: a current measurement module that measures the current of the electric vehicle battery; An OCV measurement module that measures the battery open circuit voltage (OCV) when the driving data and current measurement data meet specified SOC (State of Charge) calculation conditions; A temperature measurement module that measures the battery temperature when the driving data and current measurement data meet specified SOC (State of Charge) calculation conditions; A processor that transmits current measurement data, OCV measurement data, and temperature measurement data measured through the current measurement module, OCV measurement module, and temperature measurement module online to the server; And the current measurement data transmitted online is corrected based on a pre-trained deep learning model 1, and the OCV value is predicted based on a pre-trained deep learning model 2 to predict the SOH (State of Health) value of the electric vehicle battery. It includes a server that predicts the SOH of an electric vehicle battery based on a pre-trained deep learning model3.

Figure P1020220056471
Figure P1020220056471

Description

전기차 배터리의 SOH 예측 장치 및 방법{APPARATUS FOR ESTIMATING SOH OF ELECTRIC VEHICLE BATTERY AND METHOD THEREOF}Apparatus and method for predicting SOH of electric vehicle battery {APPARATUS FOR ESTIMATING SOH OF ELECTRIC VEHICLE BATTERY AND METHOD THEREOF}

본 발명은 전기차 배터리의 SOH 예측 장치 및 방법에 관한 것으로, 보다 상세하게는 전기차에 장착된 배터리를 분리하지 않은 상태에서 온라인으로 전기차 배터리의 잔존 수명(SOH : State of Health)을 예측할 수 있도록 하는, 전기차 배터리의 SOH 예측 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for predicting the SOH of an electric vehicle battery, and more specifically, to predicting the remaining life (SOH: State of Health) of an electric vehicle battery online without disconnecting the battery mounted on the electric vehicle. This relates to an apparatus and method for predicting SOH of an electric vehicle battery.

최근 스마트폰, 노트북, PDA 등의 휴대용 전자기기 분야뿐만 아니라, 전기차(전기 자동차), 에너지 저장 시스템(ESS) 등에 이르기까지 다양한 분야에서 충전이 가능한 이차전지(이하, '배터리'라 함)(예 : 리튬 배터리)의 사용이 증가되고 있다.Recently, secondary batteries (hereinafter referred to as 'batteries') that can be charged in various fields, including portable electronic devices such as smartphones, laptops, and PDAs, as well as electric vehicles (electric vehicles) and energy storage systems (ESS) (e.g. : The use of lithium batteries is increasing.

그런데 이러한 배터리는 지속적인 사용기간이 길수록, 그리고 충/방전을 거듭할수록 수명이 단축되는 특성이 있고, 이로 인해 배터리의 용량 및 성능이 점차 저하되는 단점이 있다.However, these batteries have the characteristic that their lifespan is shortened the longer they are used continuously and as they are repeatedly charged/discharged, which has the disadvantage of gradually deteriorating the capacity and performance of the battery.

따라서 배터리의 잔존 수명(SOH : State of Health)을 정확하게 추정(예측)하는 것은 배터리의 교체가 필요한 시기를 파악할 수 있게 하고, 이에 따라 배터리의 용량 및 성능 저하로 인해 발생할 수 있는 부정적인 영향을 최소화함으로써 배터리를 이용하는 시스템이 안정적으로 운영될 수 있도록 한다.Therefore, accurately estimating (predicting) the remaining life (SOH: State of Health) of the battery allows you to identify when the battery needs to be replaced, thereby minimizing the negative effects that may occur due to deterioration in battery capacity and performance. Ensures that systems using batteries operate stably.

특히 전기차 배터리의 경우 휴대용 전자기기와 달리 배터리의 분리에 어려움이 있으며, 이에 따라 중고 전기차의 배터리에 대한 가치 판단 및 배터리 성능 판단 시, 배터리의 잔존 수명(SOH)을 정확하게 추정(예측)하기 위하여, 중고 전기차에서 배터리를 분리하는 것은 그 자체로 매우 번거로운 일이며 효율이 떨어지는 문제점이 있다.In particular, in the case of electric vehicle batteries, unlike portable electronic devices, it is difficult to separate the batteries. Accordingly, in order to accurately estimate (predict) the remaining life (SOH) of the battery when judging the value and performance of the battery of a used electric vehicle, Removing the battery from a used electric vehicle is a very cumbersome task in itself and has the problem of low efficiency.

따라서 전기차에 장착된 배터리를 분리하지 않은 상태에서 배터리의 잔존 수명(SOH)을 추정(예측)할 수 있도록 하는 기술이 필요한 상황이다.Therefore, there is a need for technology that can estimate (predict) the remaining lifespan (SOH) of the battery without disconnecting the battery mounted on an electric vehicle.

본 발명의 배경기술은 대한민국 공개특허 10-2019-0099904호(2019.08.28. 공개, 배터리 관리 시스템)에 개시되어 있다. The background technology of the present invention is disclosed in Korean Patent Publication No. 10-2019-0099904 (published on August 28, 2019, Battery Management System).

본 발명의 일 측면에 따르면, 본 발명은 상기와 같은 문제점을 해결하기 위해 창작된 것으로서, 전기차에 장착된 배터리를 분리하지 않은 상태에서 온라인으로 전기차 배터리의 잔존 수명(SOH)을 예측할 수 있도록 하는, 전기차 배터리의 SOH 예측 장치 및 방법을 제공하는 데 그 목적이 있다. According to one aspect of the present invention, the present invention was created to solve the above problems, and enables the remaining life (SOH) of an electric vehicle battery to be predicted online without disconnecting the battery mounted on the electric vehicle. The purpose is to provide a device and method for predicting SOH of electric vehicle batteries.

본 발명의 일 측면에 따른 전기차 배터리의 SOH 예측 장치는, 전기차 배터리의 전류를 측정하는 전류 측정 모듈; 주행 데이터와 전류 측정 데이터가 지정된 SOC(State of Charge) 산출 조건이 되었을 때 배터리 개방 회로 전압(OCV)을 측정하는 OCV 측정 모듈; 주행 데이터와 전류 측정 데이터가 지정된 SOC(State of Charge) 산출 조건이 되었을 때 배터리 온도를 측정하는 온도 측정 모듈; 상기 전류 측정 모듈, 상기 OCV 측정 모듈 및 상기 온도 측정 모듈을 통해 각기 측정한 전류 측정 데이터, OCV 측정 데이터 및 온도 측정 데이터를 서버에 온라인으로 전달하는 프로세서; 및 상기 온라인으로 전달되는 전류 측정 데이터를 미리 학습된 딥러닝 모델1 기반으로 보정하며, 미리 학습된 딥러닝 모델2 기반으로 OCV 값을 예측하여 전기차 배터리의 SOH(State of Health) 값을 예측하고, 또한 미리 학습된 딥러닝 모델3 기반으로 전기차 배터리의 SOH를 예측하는 서버;를 포함하는 것을 특징으로 한다.An apparatus for predicting SOH of an electric vehicle battery according to one aspect of the present invention includes a current measurement module that measures the current of the electric vehicle battery; An OCV measurement module that measures the battery open circuit voltage (OCV) when the driving data and current measurement data meet specified SOC (State of Charge) calculation conditions; A temperature measurement module that measures the battery temperature when the driving data and current measurement data meet specified SOC (State of Charge) calculation conditions; a processor that transmits current measurement data, OCV measurement data, and temperature measurement data measured through the current measurement module, the OCV measurement module, and the temperature measurement module online to a server; And the current measurement data transmitted online is corrected based on pre-trained deep learning model 1, and the OCV value is predicted based on pre-trained deep learning model 2 to predict the SOH (State of Health) value of the electric vehicle battery, It is also characterized by including a server that predicts the SOH of the electric vehicle battery based on a pre-trained deep learning model3.

본 발명에 있어서, 상기 서버는, 미리 학습한 딥러닝 모델1 및 딥러닝 모델2 기반으로 현재 SOH 값이 예측되고, 또한 딥러닝 모델3 기반으로 현재 SOH 값이 예측될 경우, 상기 예측된 두 SOH 값에 앙상블 기법을 적용하여 최종 SOH 값을 예측하는 것을 특징으로 한다.In the present invention, when the current SOH value is predicted based on pre-learned deep learning model 1 and deep learning model 2, and the current SOH value is predicted based on deep learning model 3, the server predicts the two predicted SOH values. It is characterized by predicting the final SOH value by applying an ensemble technique to the values.

본 발명에 있어서, 상기 딥러닝 모델1을 학습한 서버는, 측정 주기가 긴 저품질 전류 측정 데이터를 주기가 짧은 고품질 전류 측정 데이터로 보정하는 것을 특징으로 한다.In the present invention, the server that learned the deep learning model 1 is characterized by correcting low-quality current measurement data with a long measurement period into high-quality current measurement data with a short period.

본 발명에 있어서, 상기 SOC 산출 조건은, 충전 전 주차 상태에서 안정 시간이 경과된 후, 충전 후 안정 시간이 경과된 후, 및 주행 후 안정 시간이 경과된 후, 중 적어도 한 가지 조건을 포함하는 것을 특징으로 한다.In the present invention, the SOC calculation condition includes at least one of the following: after the stabilization time has elapsed in the parking state before charging, after the stabilization time has elapsed after charging, and after the stabilization time has elapsed after driving. It is characterized by

본 발명에 있어서, 상기 딥러닝 모델1은, 동일한 배터리 전류를 각기 다른 주기로 다양하게 측정한 전류 측정 데이터를 학습하는 딥러닝 모델인 것을 특징으로 한다.In the present invention, the deep learning model 1 is characterized as a deep learning model that learns current measurement data obtained by variously measuring the same battery current at different cycles.

본 발명에 있어서, 상기 딥러닝 모델2는, 주행 데이터와 전류 측정 데이터가 지정된 SOC 산출 조건이 되었을 때, 배터리 온도에 대응하는 OCV 측정 데이터를 학습하는 딥러닝 모델인 것을 특징으로 한다.In the present invention, the deep learning model 2 is characterized as a deep learning model that learns OCV measurement data corresponding to the battery temperature when the driving data and current measurement data meet specified SOC calculation conditions.

본 발명에 있어서, 상기 딥러닝 모델3은, 서버가 차량 장치로부터 실제 측정되어 전달받은 주행 데이터, 전류 측정 데이터, OCV 측정 데이터, 및 온도 측정 데이터 중 적어도 하나 이상을 바탕으로 산출하여 누적된 SOH 값을, 지정된 구간으로 구분하고, 각 구간별 시작 SOH 값과 종료 SOH 값 사이의 저하된 SOH 값()을 학습하는 딥러닝 모델인 것을 특징으로 한다.In the present invention, the deep learning model 3 is the accumulated SOH value calculated by the server based on at least one of driving data, current measurement data, OCV measurement data, and temperature measurement data actually measured and received from the vehicle device. is divided into designated sections, and the deteriorated SOH value between the start SOH value and the end SOH value for each section ( ) is characterized as a deep learning model that learns.

본 발명에 있어서, 상기 딥러닝 모델2를 학습한 서버는, SOH 예측을 위하여 OCV를 예측해야 할 경우, 딥러닝 모델1 기반으로 보정된 전류 측정 데이터 및 배터리 온도 측정 데이터를 바탕으로 미리 학습한 딥러닝 모델2를 이용하여 OCV를 예측하고, OCV 예측 값에 대응하는 SOC 값이 미리 설정된 LUT(Look Up Table)를 이용하여, 상기 OCV 예측 값에 대응하는 SOC 값을 예측하는 것을 특징으로 한다.In the present invention, when the server that has learned the deep learning model 2 needs to predict OCV for SOH prediction, the server learns the deep learning in advance based on current measurement data and battery temperature measurement data corrected based on deep learning model 1. The OCV is predicted using Learning Model 2, and the SOC value corresponding to the OCV predicted value is predicted using a LUT (Look Up Table) in which the SOC value corresponding to the OCV predicted value is preset.

본 발명에 있어서, 상기 서버는, SOH 산출 조건이 되었을 때, 산출된 SOC 값을 이용하여 SOH 값을 산출하며, 상기 SOH 산출 조건은, 전기차가 안정 시간 이상 주차된 상태에서 충전이 수행되고, 충전 후 안정 시간이 경과된 후에 해당되는 조건인 것을 특징으로 한다.In the present invention, when the SOH calculation condition is met, the server calculates the SOH value using the calculated SOC value, and the SOH calculation condition is that charging is performed while the electric vehicle is parked for more than a stabilization time, and charging is performed. It is characterized as a condition that applies after the post-stabilization time has elapsed.

본 발명에 있어서, 상기 서버는, 상기 SOH 산출 조건이 되지 않았을 때, SOH 값을 예측해야 될 경우, 예측된 SOC 값을 이용하여 SOH 값을 예측하는 것을 특징으로 한다.In the present invention, when the SOH calculation condition is not met and the SOH value needs to be predicted, the server predicts the SOH value using the predicted SOC value.

본 발명에 있어서, 상기 서버는, 아래의 수학식1 내지 수학식3을 이용하여 SOH 값을 산출하거나 예측하는 것을 특징으로 한다.In the present invention, the server calculates or predicts the SOH value using Equations 1 to 3 below.

(수학식 1)(Equation 1)

(수학식 2)(Equation 2)

(수학식 3)(Equation 3)

여기서, 는 초기의 배터리 용량 상태, 는 현재의 배터리 용량 상태, 는 전류 적산을 시작할 때의 배터리 충전 상태, 는 현재의 배터리 충전 상태, 는 배터리 전류 적산량, 는 현재의 OCV 값, 는 현재의 배터리 온도, 는 딥러닝 모델1에 의해 산출한 전류 측정 오류, 는 딥러닝 모델2에 의해 산출한 OCV 측정 오류를 의미한다.here, is the initial battery capacity state, is the current battery capacity status, is the battery charge state when starting current integration, is the current battery charge state, is the integrated battery current, is the current OCV value, is the current battery temperature, is the current measurement error calculated by deep learning model 1, means the OCV measurement error calculated by deep learning model 2.

본 발명의 다른 측면에 따른 전기차 배터리의 SOH 예측 방법은, 전기차 배터리의 SOH 예측 장치의 프로세서가 전류 측정 데이터, OCV 측정 데이터 및 온도 측정 데이터를 서버에 온라인으로 전달하는 단계; 및 상기 서버가 상기 온라인으로 전달되는 전류 측정 데이터를 미리 학습된 딥러닝 모델1 기반으로 보정하며, 미리 학습된 딥러닝 모델2 기반으로 OCV 값을 예측하여 전기차 배터리의 SOH(State of Health) 값을 예측하고, 또한 미리 학습된 딥러닝 모델3 기반으로 전기차 배터리의 SOH를 예측하는 단계;를 포함하는 것을 특징으로 한다.A method for predicting SOH of an electric vehicle battery according to another aspect of the present invention includes the steps of a processor of an SOH prediction device for an electric vehicle battery transmitting current measurement data, OCV measurement data, and temperature measurement data to a server online; And the server corrects the current measurement data transmitted online based on the pre-trained deep learning model 1, and predicts the OCV value based on the pre-trained deep learning model 2 to determine the SOH (State of Health) value of the electric vehicle battery. It is characterized by including the step of predicting and also predicting the SOH of the electric vehicle battery based on a pre-trained deep learning model3.

본 발명에 있어서, 상기 전기차 배터리의 SOH를 예측하는 단계에서, 상기 서버는, 미리 학습한 딥러닝 모델1 및 딥러닝 모델2 기반으로 현재 SOH 값이 예측되고, 또한 딥러닝 모델3 기반으로 현재 SOH 값이 예측될 경우, 상기 예측된 두 SOH 값에 앙상블 기법을 적용하여 최종 SOH 값을 예측하는 것을 특징으로 한다.In the present invention, in the step of predicting the SOH of the electric vehicle battery, the server predicts the current SOH value based on pre-learned deep learning model 1 and deep learning model 2, and also predicts the current SOH based on deep learning model 3. When a value is predicted, the final SOH value is predicted by applying an ensemble technique to the two predicted SOH values.

본 발명에 있어서, 상기 딥러닝 모델1은, 동일한 배터리 전류를 각기 다른 주기로 다양하게 측정한 전류 측정 데이터를 학습하는 딥러닝 모델이며, 상기 딥러닝 모델2는, 주행 데이터와 전류 측정 데이터가 지정된 SOC 산출 조건이 되었을 때, 배터리 온도에 대응하는 OCV 측정 데이터를 학습하는 딥러닝 모델이며, 상기 딥러닝 모델3은, 서버가 차량 장치로부터 실제 측정되어 전달받은 주행 데이터, 전류 측정 데이터, OCV 측정 데이터, 및 온도 측정 데이터 중 적어도 하나 이상을 바탕으로 산출하여 누적된 SOH 값을, 지정된 구간으로 구분하고, 각 구간별 시작 SOH 값과 종료 SOH 값 사이의 저하된 SOH 값()을 학습하는 딥러닝 모델인 것을 특징으로 한다.In the present invention, the deep learning model 1 is a deep learning model that learns current measurement data obtained by variously measuring the same battery current at different cycles, and the deep learning model 2 is a SOC in which the driving data and current measurement data are specified. It is a deep learning model that learns OCV measurement data corresponding to the battery temperature when the calculation conditions are met. The deep learning model 3 includes driving data, current measurement data, OCV measurement data, and And the accumulated SOH value calculated based on at least one of the temperature measurement data is divided into designated sections, and the decreased SOH value between the start SOH value and the end SOH value for each section ( ) is characterized as a deep learning model that learns.

본 발명에 있어서, 상기 딥러닝 모델1을 학습한 서버는, 측정 주기가 긴 저품질 전류 측정 데이터를 주기가 짧은 고품질 전류 측정 데이터로 보정하는 것을 특징으로 한다.In the present invention, the server that learned the deep learning model 1 is characterized by correcting low-quality current measurement data with a long measurement period into high-quality current measurement data with a short period.

본 발명에 있어서, 상기 딥러닝 모델2를 학습한 서버는, SOH 예측을 위하여 OCV를 예측해야 할 경우, 딥러닝 모델1 기반으로 보정된 전류 측정 데이터 및 배터리 온도 측정 데이터를 바탕으로 미리 학습한 딥러닝 모델2를 이용하여 OCV를 예측하고, OCV 예측 값에 대응하는 SOC 값이 미리 설정된 LUT(Look Up Table)를 이용하여, 상기 OCV 예측 값에 대응하는 SOC 값을 예측하는 것을 특징으로 한다.In the present invention, when the server that has learned the deep learning model 2 needs to predict OCV for SOH prediction, the server learns the deep learning in advance based on current measurement data and battery temperature measurement data corrected based on deep learning model 1. The OCV is predicted using Learning Model 2, and the SOC value corresponding to the OCV predicted value is predicted using a LUT (Look Up Table) in which the SOC value corresponding to the OCV predicted value is preset.

본 발명에 있어서, 상기 전기차 배터리의 SOH를 예측하는 단계에서, 상기 서버는, SOH 산출 조건이 되었을 때, 산출된 SOC 값을 이용하여 SOH 값을 산출하며, 상기 SOH 산출 조건은, 전기차가 안정 시간 이상 주차된 상태에서 충전이 수행되고, 충전 후 안정 시간이 경과된 후에 해당되는 조건인 것을 특징으로 한다.In the present invention, in the step of predicting the SOH of the electric vehicle battery, the server calculates the SOH value using the calculated SOC value when the SOH calculation condition is met, and the SOH calculation condition is the time when the electric vehicle stabilizes. Charging is performed in a parked state, and the condition is applicable after a stabilization time has elapsed after charging.

본 발명에 있어서, 상기 서버는, 상기 SOH 산출 조건이 되지 않았을 때, SOH 값을 예측해야 될 경우, 예측된 SOC 값을 이용하여 SOH 값을 예측하는 것을 특징으로 한다.In the present invention, when the SOH calculation condition is not met and the SOH value needs to be predicted, the server predicts the SOH value using the predicted SOC value.

본 발명에 있어서, 상기 미리 학습된 딥러닝 모델2 기반으로 OCV 값을 예측하여 전기차 배터리의 SOH 값을 예측하는 단계에서, 상기 서버는, 아래의 수학식1 내지 수학식3을 이용하여 SOH 값을 산출하거나 예측하는 것을 특징으로 한다.In the present invention, in the step of predicting the SOH value of an electric vehicle battery by predicting the OCV value based on the pre-trained deep learning model 2, the server calculates the SOH value using Equations 1 to 3 below. It is characterized by calculating or predicting.

(수학식 1)(Equation 1)

(수학식 2)(Equation 2)

(수학식 3)(Equation 3)

여기서, 는 초기의 배터리 용량 상태, 는 현재의 배터리 용량 상태, 는 전류 적산을 시작할 때의 배터리 충전 상태, 는 현재의 배터리 충전 상태, 는 배터리 전류 적산량, 는 현재의 OCV 값, 는 현재의 배터리 온도, 는 딥러닝 모델1에 의해 산출한 전류 측정 오류, 는 딥러닝 모델2에 의해 산출한 OCV 측정 오류를 의미한다.here, is the initial battery capacity state, is the current battery capacity status, is the battery charge state when starting current integration, is the current battery charge state, is the integrated battery current, is the current OCV value, is the current battery temperature, is the current measurement error calculated by deep learning model 1, means the OCV measurement error calculated by deep learning model 2.

본 발명의 일 측면에 따르면, 본 발명은 전기차에 장착된 배터리를 분리하지 않은 상태에서 온라인으로 전기차 배터리의 잔존 수명(SOH)을 보다 정확하게 추정하거나 예측할 수 있도록 한다.According to one aspect of the present invention, the present invention allows the remaining life (SOH) of an electric vehicle battery to be more accurately estimated or predicted online without disconnecting the battery mounted on the electric vehicle.

도 1은 본 발명의 일 실시 예에 따른 전기차 배터리의 SOH 예측 장치의 개략적인 구성을 보인 예시도.
도 2는 본 발명의 제1 실시 예에 따라 서버가 학습한 딥러닝 모델1 및 딥러닝 모델2 기반으로 현재 SOH 값(OCV model based Predicted SOH)을 예측하는 방법을 설명하기 위한 흐름도.
도 3은 본 발명의 제2 실시 예에 따라 서버가 학습한 딥러닝 모델3 기반으로 현재 SOH 값(History model based Predicted SOH)을 예측하는 방법을 설명하기 위한 흐름도.
도 4는 상기 도 1에 있어서, 서버가 미리 학습한 딥러닝 모델1 내지 딥러닝 모델3 기반으로 전기차 배터리의 SOH 예측 방법을 설명하기 위하여 보인 예시도.
도 5는 상기 도 1에 있어서, 서버가 차량 장치로부터 전달받은 전류 측정 데이터를 미리 학습된 딥러닝 모델1 기반으로 보정하는 방법을 설명하기 위하여 보인 예시도.
도 6은 상기 도 1에 있어서, 서버가 미리 학습한 딥러닝 모델2 기반으로 OCV 값을 예측하는 방법을 설명하기 위하여 보인 예시도.
도 7은 상기 도 1에 있어서, 실제 산출하여 누적된 SOH 값들을 이용하여 미리 학습한 모델3 기반으로 지정된 구간 단위로 감소된 SOH 값()을 학습하여 현재 SOH 값을 예측하는 방법을 설명하기 위하여 보인 예시도.
도 8은 상기 도 1에 있어서, 서버가 학습한 딥러닝 모델1 및 딥러닝 모델2 기반으로 보정되거나 예측된 데이터를 이용하여 SOH 값을 산출하거나 예측하는 방법을 설명하기 위하여 보인 예시도.1 is an exemplary diagram showing the schematic configuration of an SOH prediction device for an electric vehicle battery according to an embodiment of the present invention.
Figure 2 is a flowchart illustrating a method of predicting the current SOH value (OCV model based Predicted SOH) based on deep learning model 1 and deep learning model 2 learned by the server according to the first embodiment of the present invention.
Figure 3 is a flowchart illustrating a method of predicting the current SOH value (History model based Predicted SOH) based on deep learning model 3 learned by the server according to the second embodiment of the present invention.
Figure 4 is an example diagram shown in Figure 1 to explain a method for predicting the SOH of an electric vehicle battery based on deep learning model 1 to deep learning model 3 previously learned by the server.
FIG. 5 is an example diagram shown in FIG. 1 to explain a method in which a server corrects current measurement data received from a vehicle device based on pre-learned deep learning model 1.
FIG. 6 is an example diagram shown in FIG. 1 to explain a method of predicting an OCV value based on deep learning model 2 previously learned by the server.
7 shows the SOH value reduced in units of designated sections based on Model 3, which was learned in advance using the actually calculated and accumulated SOH values in FIG. 1 ( An example shown to explain how to predict the current SOH value by learning ).
Figure 8 is an example diagram shown to explain a method of calculating or predicting an SOH value using data corrected or predicted based on deep learning model 1 and deep learning model 2 learned by the server in Figure 1.

이하, 첨부된 도면을 참조하여 본 발명에 따른 전기차 배터리의 SOH 예측 장치 및 방법의 일 실시 예를 설명한다. Hereinafter, an embodiment of an apparatus and method for predicting SOH of an electric vehicle battery according to the present invention will be described with reference to the attached drawings.

이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In this process, the thickness of lines or sizes of components shown in the drawing may be exaggerated for clarity and convenience of explanation. In addition, the terms described below are terms defined in consideration of functions in the present invention, and may vary depending on the intention or custom of the user or operator. Therefore, definitions of these terms should be made based on the content throughout this specification.

도 1은 본 발명의 일 실시 예에 따른 전기차 배터리의 SOH 예측 장치의 개략적인 구성을 보인 예시도이다.Figure 1 is an exemplary diagram showing the schematic configuration of an SOH prediction device for an electric vehicle battery according to an embodiment of the present invention.

도 1에 도시된 바와 같이, 본 실시 예에 따른 전기차 배터리의 SOH 예측 장치는, 전류 측정 모듈(110), OCV(개방 회로 전압) 측정 모듈(120), 온도 측정 모듈(130), 주행 데이터 측정 모듈(140), 프로세서(150), 통신 모듈(160), 및 저장 모듈(170)을 포함하는 차량 장치(100)와, 상기 차량 장치(100)의 통신 모듈(160)을 통해 통신이 연결되는 서버(200)를 포함한다.As shown in FIG. 1, the SOH prediction device for an electric vehicle battery according to this embodiment includes a current measurement module 110, an open circuit voltage (OCV) measurement module 120, a temperature measurement module 130, and driving data measurement. A vehicle device 100 including a module 140, a processor 150, a communication module 160, and a storage module 170, and communication is connected through the communication module 160 of the vehicle device 100. Includes server 200.

상기 전기차 배터리의 SOH(State of Health) 예측 장치는, 차량(즉, 전기차)에 독립적으로 구현될 수도 있고, 본 실시 예와 같이 상기 차량(즉, 전기차)에서 측정(또는 산출)된 데이터(예 : 전류 측정 데이터, 주행 데이터, OCV 측정 데이터, SOC(State of Charge) 산출 데이터, SOH 산출 데이터 등)를 온라인으로 전달받아 배터리의 잔존 수명(SOH)을 추정하거나 예측하는 서버(200)를 포함하여 구현될 수도 있다. The SOH (State of Health) prediction device for the electric vehicle battery may be implemented independently of the vehicle (i.e., electric vehicle), and as in this embodiment, data measured (or calculated) from the vehicle (i.e., electric vehicle) (e.g. : Including a server 200 that receives online current measurement data, driving data, OCV measurement data, SOC (State of Charge) calculation data, SOH calculation data, etc., and estimates or predicts the remaining life (SOH) of the battery. It may be implemented.

만약 상기 전기차 배터리의 SOH 예측 장치가 차량(즉, 전기차)에 독립적으로 구현될 경우, 상기 서버(200)의 기능을 상기 프로세서(150)가 수행할 수 있다. If the SOH prediction device for the electric vehicle battery is implemented independently of the vehicle (i.e., electric vehicle), the processor 150 can perform the function of the server 200.

다만 본 실시 예에서는 상기 차량 장치(100)에서 전달된 정보에 기초하여 상기 서버(200)가 전기차 배터리의 SOH를 예측하는 장치에 대해서 설명한다.However, in this embodiment, a device in which the server 200 predicts the SOH of an electric vehicle battery based on information transmitted from the vehicle device 100 will be described.

이하 본 실시 예에서 상기 차량 장치(100) 내의 구성 요소들(110 ~ 140, 160, 170)은 상기 프로세서(150)의 제어에 따라 동작한다. Hereinafter, in this embodiment, the components 110 to 140, 160, and 170 in the vehicle device 100 operate under the control of the processor 150.

또한 상기 저장 모듈(170)은 상기 프로세서(150)가 상기 서버(200)에 전달하기 위하여 측정한 정보 및 산출한 정보들은 저장하며, 상기 프로세서(150)의 동작을 위한 알고리즘을 저장할 수 있다.Additionally, the storage module 170 stores measured and calculated information to be transmitted by the processor 150 to the server 200, and may store an algorithm for operating the processor 150.

상기 전류 측정 모듈(110)은 전기차 배터리의 전류를 주기적으로 측정한다.The current measurement module 110 periodically measures the current of the electric vehicle battery.

이 때 상기 전기차 배터리의 전류를 측정하는 주기는, 수ms 이내로 짧을수록, 전기차 배터리의 SOH를 더 정확하게 예측하는 데 도움이 된다.At this time, the shorter the period of measuring the current of the electric vehicle battery, within a few milliseconds, the more helpful it is to predict the SOH of the electric vehicle battery more accurately.

상기 프로세서(150)는 상기 전류 측정 모듈(110)을 통해 측정한 전류 측정 데이터를 주기적으로(예 : 1초, 10초, 10분, 60분 등) 상기 서버(200)에 전달한다.The processor 150 transmits the current measurement data measured through the current measurement module 110 to the server 200 periodically (eg, 1 second, 10 seconds, 10 minutes, 60 minutes, etc.).

상기 전류 측정 데이터를 상기 서버(200)에 전달하는 주기(또는 전류 측정 주기)는, 전기차의 주행 상태(예 : 주차, 주행, 충전 등)에 따라 달라질 수 있다. The cycle (or current measurement cycle) for transmitting the current measurement data to the server 200 may vary depending on the driving state (e.g., parked, driving, charging, etc.) of the electric vehicle.

상기 서버(200)는 상기 전류 측정 데이터를 미리 학습된 딥러닝 모델1 기반으로 보정한다. 즉, 상기 서버(200)에 전달되는 전류 측정 데이터는 전류 측정 정밀도가 떨어지기 때문에(즉, 적어도 전류 측정 주기가 수 ms 정도가 되어야 하지만, 1초 간격으로 전류 측정 정밀도가 떨어지기 때문에) 미리 학습된 딥러닝 모델1 기반으로 상기 전류 측정 데이터를 보다 정밀하게 보정한다(예 : 1초 간격의 전류 측정 데이터를 수 ms 간격의 전류 측정 데이터로 보정한다)(도 5 참조).The server 200 corrects the current measurement data based on pre-trained deep learning model 1. In other words, the current measurement data transmitted to the server 200 is learned in advance because the current measurement precision is low (that is, the current measurement period must be at least several ms, but the current measurement precision decreases at 1 second intervals). Based on deep learning model 1, the current measurement data is more precisely corrected (e.g., current measurement data at 1-second intervals are corrected with current measurement data at several ms intervals) (see FIG. 5).

예컨대 상기 미리 학습된 딥러닝 모델1은, 동일한 배터리 전류를 각기 다른 주기(예 : 1ms, 10ms, ..., 1초, 10초, 60분 등)로 다양하게 측정한 전류 측정 데이터를 학습한 딥러닝 모델을 의미한다.For example, the pre-trained deep learning model 1 learned current measurement data that measured the same battery current at various intervals (e.g., 1 ms, 10 ms, ..., 1 second, 10 seconds, 60 minutes, etc.). This refers to a deep learning model.

도 5는 상기 도 1에 있어서, 서버가 차량 장치로부터 전달받은 전류 측정 데이터를 미리 학습된 딥러닝 모델1 기반으로 보정하는 방법을 설명하기 위하여 보인 예시도로서, 도 5를 참조하면, 상기 딥러닝 모델1을 학습한 서버(200)는, 저품질 전류 측정 데이터(예 : 전류 측정 주기가 1초 이상 긴 전류 측정 데이터)를 온라인으로 전달 받을 경우, 상기 학습한 딥러닝 모델1에 의해 고품질 전류 측정 데이터(또는 전류 측정 주기가 수ms로 짧은 전류 측정 데이터)로 변환(또는 예측)한다.5 is an example diagram shown in FIG. 1 to explain how the server corrects current measurement data received from a vehicle device based on pre-learned deep learning model 1. Referring to FIG. 5, the deep learning When the server 200, which has learned Model 1, receives low-quality current measurement data (e.g., current measurement data with a current measurement period longer than 1 second) online, it receives high-quality current measurement data by the learned deep learning model 1. Convert (or predict) it to (or current measurement data with a short current measurement period of several ms).

상기 OCV(개방 회로 전압) 측정 모듈(120)은 주행 데이터(예 : 주차, 주행, 충전 등)와 전류 측정 데이터가 지정된 SOC 산출 조건(예 : 충전 전 주차 상태에서 안정 시간(즉, 배터리 양단 전압이 안정화 되는 시간, 약 3시간)이 경과된 후, 충전 후 안정 시간이 경과된 후, 또는 주행 후 안정 시간이 경과된 후)이 되었을 때 배터리 OCV(개방 회로 전압)를 측정한다(도 4 참조).The OCV (open circuit voltage) measurement module 120 uses driving data (e.g., parking, driving, charging, etc.) and current measurement data under specified SOC calculation conditions (e.g., stabilization time in a parking state before charging (i.e., voltage across the battery). After this stabilization time (approximately 3 hours) has elapsed, after the stabilization time has elapsed after charging, or after the stabilization time has elapsed after driving), the battery OCV (open circuit voltage) is measured (see Figure 4). ).

상기 온도 측정 모듈(130)은 상기 배터리 OCV(개방 회로 전압)를 측정할 때 배터리 온도를 측정한다. 즉, 상기 온도 측정 모듈(130)은 주행 데이터(예 : 주차, 주행, 충전 등)와 전류 측정 데이터가 지정된 SOC 산출 조건(예 : 충전 전 주차 상태에서 안정 시간(즉, 배터리 양단 전압이 안정화 되는 시간, 약 3시간)이 경과된 후, 충전 후 안정 시간이 경과된 후, 또는 주행 후 안정 시간이 경과된 후)이 되었을 때 배터리 온도를 측정한다.The temperature measurement module 130 measures the battery temperature when measuring the battery OCV (open circuit voltage). That is, the temperature measurement module 130 uses driving data (e.g., parking, driving, charging, etc.) and current measurement data under specified SOC calculation conditions (e.g., stabilization time in the parking state before charging (i.e., when the voltage at both ends of the battery stabilizes). Measure the battery temperature after (approximately 3 hours) has elapsed, after the stabilization time has elapsed after charging, or after the stabilization time has elapsed after driving.

다만 상기 배터리 온도는 지정된 SOC 산출 조건이 되지 않았더라도 언제나 즉시 측정이 가능하지만, 배터리 온도를 측정하더라도 SOH를 산출하지 않을 경우에는 필요가 없으므로, SOH를 산출하기 위하여 OCV를 측정하거나(즉, 지정된 SOC 산출 조건이 되었을 때 OCV를 측정하거나) OCV를 예측할 때(즉, 지정된 SOC 산출 조건이 되지 않았기 때문에 정확한 OCV가 측정되지 않으므로 정확한 OCV를 예측할 때) 배터리 온도를 함께 측정한다(도 4 참조).However, the battery temperature can always be measured immediately even if the specified SOC calculation conditions are not met. However, it is not necessary if SOH is not calculated even if the battery temperature is measured, so OCV is measured to calculate SOH (i.e., the specified SOC When measuring the OCV when the calculation conditions are met) or predicting the OCV (i.e., when predicting the accurate OCV because the exact OCV is not measured because the specified SOC calculation conditions are not met), the battery temperature is measured together (see FIG. 4).

도 4는 상기 도 1에 있어서, 서버가 미리 학습한 딥러닝 모델1 내지 딥러닝 모델3 기반으로 전기차 배터리의 SOH 예측 방법을 설명하기 위하여 보인 예시도로서, 이에 도시된 바와 같이, 지정된 SOC 산출 조건이 되었을 때, 배터리 OCV(개방 회로 전압) 및 배터리 온도를 함께 측정한다. 4 is an example diagram shown in FIG. 1 to explain the SOH prediction method of an electric vehicle battery based on deep learning model 1 to deep learning model 3 previously learned by the server, and as shown, specified SOC calculation conditions When this happens, measure the battery OCV (open circuit voltage) and battery temperature together.

상기 프로세서(150)는 상기 OCV 측정 모듈(120) 및 상기 온도 측정 모듈(130)을 통해 각기 측정한 OCV 측정 데이터(즉, OCV 측정 값) 및 온도 측정 데이터(즉, 온도 측정 값)를 상기 서버(200)에 전달한다.The processor 150 sends OCV measurement data (i.e., OCV measurement value) and temperature measurement data (i.e., temperature measurement value) respectively measured through the OCV measurement module 120 and the temperature measurement module 130 to the server. Deliver to (200).

상기 서버(200)는 미리 학습된 딥러닝 모델2 기반으로 OCV 값을 예측한다(도 6 참조). The server 200 predicts the OCV value based on the pre-trained deep learning model 2 (see FIG. 6).

예컨대 상기 미리 학습된 딥러닝 모델2는, 주행 데이터(예 : 주차, 주행, 충전 등)와 전류 측정 데이터가 지정된 SOC 산출 조건이 되었을 때, 배터리 온도에 대응하는 OCV 측정 데이터를 학습한 딥러닝 모델을 의미한다.For example, the pre-trained deep learning model 2 is a deep learning model that learns OCV measurement data corresponding to the battery temperature when driving data (e.g. parking, driving, charging, etc.) and current measurement data meet specified SOC calculation conditions. means.

도 6은 상기 도 1에 있어서, 서버가 미리 학습한 딥러닝 모델2 기반으로 OCV 값을 예측하는 방법을 설명하기 위하여 보인 예시도로서, 도 6을 참조하면, 상기 딥러닝 모델2를 학습한 서버(200)는, OCV를 예측해야 할 경우(즉, 지정된 SOC 산출 조건이 되지 않았기 때문에 정확한 OCV가 측정되지 않으므로 정확한 SOH 예측을 위하여 정확한 OCV를 예측해야 할 경우), 주행 데이터(예 : 주차, 주행, 충전 등)와 전류 측정 데이터(즉, 딥러닝 모델1 기반으로 보정된 전류 측정 데이터) 및 배터리 온도 측정 데이터(즉, OCV를 예측할 시점에 측정한 배터리 온도 측정 데이터)를 바탕으로 미리 학습한 딥러닝 모델2를 이용하여 OCV를 예측한다.FIG. 6 is an example diagram shown in FIG. 1 to explain a method of predicting an OCV value based on deep learning model 2 previously learned by the server. Referring to FIG. 6, the server learned deep learning model 2. (200), when the OCV needs to be predicted (i.e., the accurate OCV is not measured because the specified SOC calculation conditions are not met, so the accurate OCV must be predicted for accurate SOH prediction), driving data (e.g. parking, driving , charging, etc.), current measurement data (i.e., current measurement data corrected based on deep learning model 1), and battery temperature measurement data (i.e., battery temperature measurement data measured at the time of predicting OCV). Predict OCV using Learning Model 2.

상기와 같이 OCV가 측정되거나 OCV가 예측될 경우, 상기 서버(200)는 OCV 측정 값(또는 OCV 예측 값)에 대응하는 SOC 값이 미리 설정된 LUT(Look Up Table)를 이용하여 상기 OCV 측정 값(또는 OCV 예측 값)에 대응하는 SOC 값을 산출(또는 예측)한다.When the OCV is measured or OCV is predicted as described above, the server 200 uses the OCV measurement value (LUT (Look Up Table)) in which the SOC value corresponding to the OCV measurement value (or OCV prediction value) is preset. Or calculate (or predict) the SOC value corresponding to the OCV predicted value).

이 때 상기 OCV 측정 데이터(즉, OCV 측정 값), 온도 측정 데이터(즉, 온도 측정 값), 및 SOC 산출 값은 지정된 SOC 산출 조건(예 : 충전 전 주차 상태에서 안정 시간(즉, 배터리 양단 전압이 안정화 되는 시간, 약 3시간)이 경과된 후, 충전 후 안정 시간이 경과된 후, 또는 주행 후 안정 시간이 경과된 후)이 되었을 때 반복해서 측정되거나 산출된다.At this time, the OCV measurement data (i.e., OCV measurement value), temperature measurement data (i.e., temperature measurement value), and SOC calculation value are used under specified SOC calculation conditions (e.g., stabilization time in parking state before charging (i.e., voltage across the battery) It is measured or calculated repeatedly after this stabilization time (approximately 3 hours) has elapsed, after the stabilization time has elapsed after charging, or after the stabilization time has elapsed after driving.

그러나 상기 SOC 값이 산출되었다고 하더라도 지정된 SOH 산출 조건이 되지 않았을 경우에는 SOH 값을 산출하지 않으며, 지정된 SOH 산출 조건(예 : 안정 시간 주차된 상태에서 충전이 수행되고, 충전 후 안정 시간이 경과된 후)이 되었을 때에만 상기 SOC 산출 값을 이용하여 SOH 값을 산출한다(도 8 참조).However, even if the SOC value is calculated, the SOH value is not calculated if the specified SOH calculation conditions are not met, and the specified SOH calculation conditions (e.g., charging is performed while parked during the stabilization time, and after the stabilization time has elapsed after charging) ), the SOH value is calculated using the SOC calculation value (see FIG. 8).

다만 지정된 SOH 산출 조건(예 : 주차 상태에서 충전 후의 안정 시간이 경과된 후)이 되지 않은 상태에서 SOH 값을 예측해야 될 경우, 상기 서버(200)는 예측된 SOC 값(즉, SOC 예측 값)을 이용하여 SOH 값을 예측한다(도 8 참조).However, if the SOH value needs to be predicted without the specified SOH calculation condition (e.g., after the stabilization time after charging in the parking state has elapsed), the server 200 generates the predicted SOC value (i.e., SOC prediction value). Predict the SOH value using (see FIG. 8).

도 8은 상기 도 1에 있어서, 서버가 학습한 딥러닝 모델1 및 딥러닝 모델2 기반으로 보정되거나 예측된 데이터를 이용하여 SOH 값을 산출하거나 예측하는 방법을 설명하기 위하여 보인 예시도로서, 이에 도시된 바와 같이, 서버(200)는 차량 장치(100)로부터 전달받은 주행 데이터(예 : 주차, 주행, 충전 등), 전류 측정 데이터, OCV 측정 데이터(즉, OCV 측정 값), 및 온도 측정 데이터(즉, 온도 측정 값) 중 적어도 하나 이상을 바탕으로, 배터리 초기에서부터 충전이나 방전이 이루어짐에 따라 변하게 되는 현재의 SOH 값을, 아래의 수학식1 내지 수학식3을 이용하여 산출(또는 예측)한다.Figure 8 is an example diagram shown in Figure 1 to explain a method of calculating or predicting an SOH value using data corrected or predicted based on deep learning model 1 and deep learning model 2 learned by the server. As shown, the server 200 receives driving data (e.g., parking, driving, charging, etc.), current measurement data, OCV measurement data (i.e., OCV measurement value), and temperature measurement data received from the vehicle device 100. Based on at least one of (i.e., temperature measurement values), the current SOH value, which changes as the battery is charged or discharged from the beginning, is calculated (or predicted) using Equations 1 to 3 below. do.

여기서, 는 초기의 배터리 용량 상태(즉, 배터리 초기의 SOH 값), 는 현재의 배터리 용량 상태(즉, 배터리 현재의 SOH 값), 는 전류 적산을 시작할 때의 배터리 충전 상태, 는 현재의 배터리 충전 상태, 는 배터리 전류 적산량, 는 현재의 OCV 값, 는 현재의 배터리 온도, 는 딥러닝 모델1에 의해 산출한 전류 측정 오류(일종의 보정값), 는 딥러닝 모델2에 의해 산출한 OCV 측정 오류(일종의 보정값)를 의미한다.here, is the initial battery capacity state (i.e., the initial SOH value of the battery), is the current battery capacity status (i.e., the battery's current SOH value), is the battery charge state when starting current integration, is the current battery charge state, is the integrated battery current, is the current OCV value, is the current battery temperature, is the current measurement error (a type of correction value) calculated by deep learning model 1, means the OCV measurement error (a type of correction value) calculated by deep learning model 2.

이 때 상기 서버(200)는 딥러닝 모델1과 딥러닝 모델2를 이용한 학습을 통해 보정된 전류 측정 데이터와 보정된 OCV 값을 이용함으로써 기존 대비 더 정확한 SOH 값을 산출(또는 예측)할 수 있다.At this time, the server 200 can calculate (or predict) a more accurate SOH value than before by using current measurement data and corrected OCV values corrected through learning using deep learning model 1 and deep learning model 2. .

한편, 본 실시 예에서는 정확한 SOH 값을 예측하기 위하여, 서버(200)가 미리 학습된 딥러닝 모델3 기반으로 SOH 값을 예측한다(도 7 참조). Meanwhile, in this embodiment, in order to predict an accurate SOH value, the server 200 predicts the SOH value based on a pre-trained deep learning model 3 (see FIG. 7).

예컨대 상기 미리 학습된 딥러닝 모델3은, 서버(200)가 차량 장치(100)로부터 실제 측정되어 전달받은 주행 데이터(예 : 주차, 주행, 충전 등), 전류 측정 데이터, OCV 측정 데이터(즉, OCV 측정 값), 및 온도 측정 데이터(즉, 온도 측정 값) 중 적어도 하나 이상을 바탕으로 산출하여 누적된 SOH 값을, 지정된 구간(또는 윈도우)으로 구분하고, 각 구간(또는 윈도우)별 시작 SOH 값과 종료 SOH 값 사이의 감소(또는 저하)된 SOH 값(즉, )을 학습한 딥러닝 모델을 의미한다(도 7 참조).For example, the pre-trained deep learning model 3 includes driving data (e.g. parking, driving, charging, etc.), current measurement data, and OCV measurement data (i.e., The accumulated SOH value is calculated based on at least one of the OCV measurement value (OCV measurement value) and temperature measurement data (i.e. temperature measurement value), divided into designated sections (or windows), and the starting SOH for each section (or window). The reduced (or degraded) SOH value between the value and the ending SOH value (i.e. ) refers to the deep learning model that learned (see Figure 7).

도 7은 상기 도 1에 있어서, 실제 산출하여 누적된 SOH 값들을 이용하여 미리 학습한 모델3 기반으로 지정된 구간 단위로 감소된 SOH 값()을 학습하여 현재 SOH 값을 예측하는 방법을 설명하기 위하여 보인 예시도이다.7 shows the SOH value reduced in units of designated sections based on Model 3, which was learned in advance using the actually calculated and accumulated SOH values in FIG. 1 ( This is an example diagram shown to explain how to predict the current SOH value by learning ).

한편 상기와 같이 상기 서버(200)가 학습한 딥러닝 모델1 및 딥러닝 모델2 기반으로 현재 SOH 값이 예측되고, 또한 상기 서버(200)가 학습한 딥러닝 모델3 기반으로 현재 SOH 값이 예측될 경우, 상기 서버(200)는 앙상블 기법으로 적용하여 최종적으로 현재 SOH 값을 최종 예측한다.Meanwhile, as described above, the current SOH value is predicted based on deep learning model 1 and deep learning model 2 learned by the server 200, and the current SOH value is predicted based on deep learning model 3 learned by the server 200. If so, the server 200 applies the ensemble technique to finally predict the current SOH value.

이하 상기 두 가지의 현재 SOH 값을 예측하는 방법에 대하여 도 2 및 도 3을 참조하여 설명한다.Hereinafter, the method for predicting the two current SOH values will be described with reference to FIGS. 2 and 3.

도 2는 본 발명의 제1 실시 예에 따라 서버가 학습한 딥러닝 모델1 및 딥러닝 모델2 기반으로 현재 SOH 값(OCV model based Predicted SOH)을 예측하는 방법을 설명하기 위한 흐름도이다.Figure 2 is a flowchart illustrating a method of predicting the current SOH value (OCV model based Predicted SOH) based on deep learning model 1 and deep learning model 2 learned by the server according to the first embodiment of the present invention.

도 2를 참조하면, 차량 장치(100)의 프로세서(150)는 주기적으로 전기차 배터리의 전류 측정 데이터를 서버(200)에 전달하고(S101), 상기 서버(200)는 상기 전류 측정 데이터를 미리 학습된 딥러닝 모델1 기반으로 보정한다(S102). Referring to FIG. 2, the processor 150 of the vehicle device 100 periodically transmits current measurement data of the electric vehicle battery to the server 200 (S101), and the server 200 learns the current measurement data in advance. Calibrate based on deep learning model 1 (S102).

예컨대 상기 딥러닝 모델1을 학습한 서버(200)는, 저품질 전류 측정 데이터(예 : 전류 측정 주기가 1초 이상 긴 전류 측정 데이터)를 전달 받아 상기 학습한 딥러닝 모델1에 의해 고품질 전류 측정 데이터(또는 전류 측정 주기가 수ms로 짧은 전류 측정 데이터)로 변환(또는 예측)한다.For example, the server 200, which has learned the deep learning model 1, receives low-quality current measurement data (e.g., current measurement data with a current measurement period longer than 1 second) and generates high-quality current measurement data by the learned deep learning model 1. Convert (or predict) it to (or current measurement data with a short current measurement period of several ms).

여기서 상기 미리 학습된 딥러닝 모델1은, 동일한 배터리 전류를 각기 다른 주기(예 : 1ms, 10ms, ..., 1초, 10초, 60분 등)로 다양하게 측정한 전류 측정 데이터를 학습한 딥러닝 모델을 의미한다.Here, the pre-trained deep learning model 1 learns current measurement data from various measurements of the same battery current at different periods (e.g., 1 ms, 10 ms, ..., 1 second, 10 seconds, 60 minutes, etc.). This refers to a deep learning model.

또한 상기 프로세서(150)는 주행 데이터(예 : 주차, 주행, 충전 등)와 전류 측정 데이터가 지정된 SOC 산출 조건(예 : 충전 전 주차 상태에서 안정 시간(즉, 배터리 양단 전압이 안정화 되는 시간, 약 3시간)이 경과된 후, 충전 후 안정 시간이 경과된 후, 또는 주행 후 안정 시간이 경과된 후)이 되었을 경우(S103의 예), 배터리 온도와 배터리 OCV(개방 회로 전압)를 측정한다(S104).In addition, the processor 150 uses driving data (e.g., parking, driving, charging, etc.) and current measurement data to determine specified SOC calculation conditions (e.g., stabilization time in a parking state before charging (i.e., the time when the voltage at both ends of the battery stabilizes, approximately After 3 hours) has elapsed, after the stabilization time has elapsed after charging, or after the stabilization time has elapsed after driving (example of S103), measure the battery temperature and battery OCV (open circuit voltage) ( S104).

이 때 도면에는 구체적으로 도시되어 있지 않지만, 지정된 SOC 산출 조건이 될 때마다 상기 배터리 온도와 배터리 OCV(개방 회로 전압)를 측정하는 동작은 반복 수행된다.At this time, although not specifically shown in the drawing, the operation of measuring the battery temperature and battery OCV (open circuit voltage) is repeatedly performed whenever a specified SOC calculation condition is met.

한편 SOH를 산출하고자 할 시점에 지정된 SOC 산출 조건이 되지 않음으로써 SOH를 예측하기 위하여 OCV를 예측해야 할 경우(S105의 예), 상기 서버(200)는 미리 학습된 딥러닝 모델2 기반으로 OCV 값을 예측한다(S106).On the other hand, if OCV needs to be predicted to predict SOH because the specified SOC calculation conditions are not met at the time of calculating SOH (example of S105), the server 200 calculates the OCV value based on the pre-trained deep learning model 2. Predict (S106).

예컨대 상기 딥러닝 모델2를 학습한 서버(200)는, 주행 데이터(예 : 주차, 주행, 충전 등)와 전류 측정 데이터(즉, 딥러닝 모델1 기반으로 보정된 전류 측정 데이터) 및 배터리 온도 측정 데이터(즉, OCV를 예측할 시점에 측정한 배터리 온도 측정 데이터)를 바탕으로 미리 학습한 딥러닝 모델2를 이용하여 OCV 값을 예측한다.For example, the server 200 that learned the deep learning model 2 measures driving data (e.g., parking, driving, charging, etc.), current measurement data (i.e., current measurement data corrected based on deep learning model 1), and battery temperature. The OCV value is predicted using deep learning model 2, which was previously learned based on data (i.e., battery temperature measurement data measured at the time of predicting OCV).

여기서 상기 미리 학습된 딥러닝 모델2는, 주행 데이터(예 : 주차, 주행, 충전 등)와 전류 측정 데이터가 지정된 SOC 산출 조건이 되었을 때 배터리 온도에 대응하는 OCV 측정 데이터를 학습한 딥러닝 모델을 의미한다.Here, the pre-trained deep learning model 2 is a deep learning model that learned OCV measurement data corresponding to the battery temperature when driving data (e.g. parking, driving, charging, etc.) and current measurement data meet specified SOC calculation conditions. it means.

상기와 같이 OCV가 측정되거나 OCV가 예측될 경우, 상기 서버(200)는 OCV 측정 값(또는 OCV 예측 값)에 대응하는 SOC 값이 미리 설정된 LUT(Look Up Table)를 이용하여 상기 OCV 측정 값(또는 OCV 예측 값)에 대응하는 SOC 값을 산출하거나 예측한다(S107).When the OCV is measured or OCV is predicted as described above, the server 200 uses the OCV measurement value (LUT (Look Up Table)) in which the SOC value corresponding to the OCV measurement value (or OCV prediction value) is preset. Or calculate or predict the SOC value corresponding to the OCV predicted value (S107).

상기 SOC 값이 산출되었다고 하더라도 상기 서버(200)는 지정된 SOH 산출 조건이 되지 않았을 경우에는 SOH 값을 산출하지 않으며(S108의 아니오), 지정된 SOH 산출 조건(예 : 안정 시간 주차된 상태에서 충전이 수행되고, 충전 후 안정 시간이 경과된 후)이 되었을 경우(S108의 예), 상기 서버(200)는 상기 SOC 산출 값을 이용하여 SOH 값을 산출하고, 만약 지정된 SOH 산출 조건이 되지 않은 상태에서 SOH 값을 예측할 경우, 상기 서버(200)는 예측된 SOC 값(즉, SOC 예측 값)을 이용하여 SOH 값을 예측한다(S109).Even if the SOC value is calculated, the server 200 does not calculate the SOH value if the specified SOH calculation condition is not met (No in S108), and charging is performed while parked under the specified SOH calculation condition (e.g., stable time) and after the stabilization time has elapsed after charging (example of S108), the server 200 calculates the SOH value using the SOC calculation value, and if the specified SOH calculation conditions are not met, the SOH When predicting a value, the server 200 predicts the SOH value using the predicted SOC value (i.e., SOC prediction value) (S109).

이 때 상기 서버(200)는 상기 수학식 1 내지 수학식 3을 바탕으로, 현재의 SOH 값을 산출하거나 예측할 수 있다.At this time, the server 200 can calculate or predict the current SOH value based on Equations 1 to 3 above.

도 3은 본 발명의 제2 실시 예에 따라 서버가 학습한 딥러닝 모델3 기반으로 현재 SOH 값(History model based Predicted SOH)을 예측하는 방법을 설명하기 위한 흐름도이다.Figure 3 is a flowchart illustrating a method of predicting the current SOH value (History model based Predicted SOH) based on deep learning model 3 learned by the server according to the second embodiment of the present invention.

도 3을 참조하면, 서버(200)는 차량 장치(100)로부터 실제 측정된 주행 데이터(예 : 주차, 주행, 충전 등), 전류 측정 데이터, OCV 측정 데이터(즉, OCV 측정 값), 및 온도 측정 데이터(즉, 온도 측정 값)를 전달받아 확보하고(S201), 상기 전달받은 데이터를 바탕으로 이미 산출하여 누적되어 있는 SOH 값을, 지정된 구간(또는 윈도우) 단위로 구분하여(S202), 각 구간(또는 윈도우)별 시작 SOH 값과 종료 SOH 값 사이의 저하된 SOH 값(즉, )을 학습(딥러닝 모델3 학습)하여(S203), 상기 학습한 딥러닝 모델3 기반으로 최종 SOH 값을 예측한다(S204).Referring to FIG. 3, the server 200 collects actual measured driving data (e.g. parking, driving, charging, etc.), current measurement data, OCV measurement data (i.e. OCV measurement value), and temperature measured from the vehicle device 100. Measurement data (i.e., temperature measurement value) is received and secured (S201), and the SOH value already calculated and accumulated based on the received data is divided into designated sections (or windows) (S202), and each The degraded SOH value between the starting and ending SOH values for each section (or window) (i.e. ) is learned (learning deep learning model 3) (S203), and the final SOH value is predicted based on the learned deep learning model 3 (S204).

한편 상기와 같이 상기 서버(200)가 학습한 딥러닝 모델1 및 딥러닝 모델2 기반으로 현재 SOH 값이 예측되고, 또한 상기 서버(200)가 학습한 딥러닝 모델3 기반으로 현재 SOH 값이 예측될 경우, 상기 서버(200)는 앙상블 기법으로 적용하여 최종적으로 현재 SOH 값을 최종 예측한다.Meanwhile, as described above, the current SOH value is predicted based on deep learning model 1 and deep learning model 2 learned by the server 200, and the current SOH value is predicted based on deep learning model 3 learned by the server 200. If so, the server 200 applies the ensemble technique to finally predict the current SOH value.

상기와 같이 본 실시 예는 전기차에 장착된 배터리를 분리하지 않은 상태에서 온라인으로 전기차 배터리의 잔존 수명(SOH)을 보다 정확하게 추정(예측)할 수 있도록 하는 효과가 있다.As described above, this embodiment has the effect of allowing the remaining lifespan (SOH) of an electric vehicle battery to be more accurately estimated (predicted) online without disconnecting the battery mounted on the electric vehicle.

이상으로 본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 기술적 보호범위는 아래의 특허청구범위에 의해서 정하여져야 할 것이다. 또한 본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍 가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.As described above, the present invention has been described with reference to the embodiments shown in the drawings, but these are merely illustrative, and various modifications and equivalent embodiments can be made by those skilled in the art. You will understand the point. Therefore, the scope of technical protection of the present invention should be determined by the scope of the patent claims below. Implementations described herein may also be implemented as, for example, a method or process, device, software program, data stream, or signal. Although discussed only in the context of a single form of implementation (eg, only as a method), implementations of the features discussed may also be implemented in other forms (eg, devices or programs). The device may be implemented with appropriate hardware, software, firmware, etc. The method may be implemented in a device such as a processor, which generally refers to a processing device that includes a computer, microprocessor, integrated circuit, or programmable logic device. Processors also include communication devices such as computers, cell phones, portable/personal digital assistants (“PDAs”) and other devices that facilitate communication of information between end-users.

100 : 차량 장치 110 : 전류 측정 모듈
120 : OCV 측정 모듈 130 : 온도 측정 모듈
140 : 주행 데이터 측정 모듈 150 : 프로세서
160 : 통신 모듈 170 : 저장 모듈
200 : 서버100: vehicle device 110: current measurement module
120: OCV measurement module 130: Temperature measurement module
140: Driving data measurement module 150: Processor
160: communication module 170: storage module
200: server

Claims (19)

전기차 배터리의 전류를 측정하는 전류 측정 모듈;
주행 데이터와 전류 측정 데이터가 지정된 SOC(State of Charge) 산출 조건이 되었을 때 배터리 개방 회로 전압(OCV)을 측정하는 OCV 측정 모듈;
주행 데이터와 전류 측정 데이터가 지정된 SOC(State of Charge) 산출 조건이 되었을 때 배터리 온도를 측정하는 온도 측정 모듈;
상기 전류 측정 모듈, 상기 OCV 측정 모듈 및 상기 온도 측정 모듈을 통해 각기 측정한 전류 측정 데이터, OCV 측정 데이터 및 온도 측정 데이터를 서버에 온라인으로 전달하는 프로세서; 및
상기 온라인으로 전달되는 전류 측정 데이터를 미리 학습된 딥러닝 모델1 기반으로 보정하며, 미리 학습된 딥러닝 모델2 기반으로 OCV 값을 예측하여 전기차 배터리의 SOH(State of Health) 값을 예측하고, 또한 미리 학습된 딥러닝 모델3 기반으로 전기차 배터리의 SOH를 예측하는 서버;를 포함하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치.
A current measurement module that measures the current of an electric vehicle battery;
An OCV measurement module that measures the battery open circuit voltage (OCV) when the driving data and current measurement data meet specified SOC (State of Charge) calculation conditions;
A temperature measurement module that measures the battery temperature when the driving data and current measurement data meet specified SOC (State of Charge) calculation conditions;
a processor that transmits current measurement data, OCV measurement data, and temperature measurement data measured through the current measurement module, the OCV measurement module, and the temperature measurement module online to a server; and
The current measurement data transmitted online is corrected based on the pre-trained deep learning model 1, and the OCV value is predicted based on the pre-trained deep learning model 2 to predict the SOH (State of Health) value of the electric vehicle battery. A SOH prediction device for an electric vehicle battery, comprising a server that predicts the SOH of an electric vehicle battery based on a pre-trained deep learning model3.
 제 1항에 있어서, 상기 서버는,
미리 학습한 딥러닝 모델1 및 딥러닝 모델2 기반으로 현재 SOH 값이 예측되고, 또한 딥러닝 모델3 기반으로 현재 SOH 값이 예측될 경우,
상기 예측된 두 SOH 값에 앙상블 기법을 적용하여 최종 SOH 값을 예측하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치.
The method of claim 1, wherein the server:
If the current SOH value is predicted based on pre-trained deep learning model 1 and deep learning model 2, and the current SOH value is predicted based on deep learning model 3,
An SOH prediction device for an electric vehicle battery, characterized in that the final SOH value is predicted by applying an ensemble technique to the two predicted SOH values.
 제 1항에 있어서, 상기 딥러닝 모델1을 학습한 서버는,
측정 주기가 긴 저품질 전류 측정 데이터를 주기가 짧은 고품질 전류 측정 데이터로 보정하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치.
The method of claim 1, wherein the server that learned the deep learning model 1,
An SOH prediction device for electric vehicle batteries characterized by correcting low-quality current measurement data with a long measurement cycle into high-quality current measurement data with a short cycle.
 제 1항에 있어서, 상기 SOC 산출 조건은,
충전 전 주차 상태에서 안정 시간이 경과된 후, 충전 후 안정 시간이 경과된 후, 및 주행 후 안정 시간이 경과된 후, 중 적어도 한 가지 조건을 포함하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치.
The method of claim 1, wherein the SOC calculation conditions are:
An SOH prediction device for an electric vehicle battery comprising at least one of the following conditions: after a stabilization time has elapsed in a parking state before charging, after a stabilization time has elapsed after charging, and after a stabilization time has elapsed after driving.
 제 1항에 있어서, 상기 딥러닝 모델1은,
동일한 배터리 전류를 각기 다른 주기로 다양하게 측정한 전류 측정 데이터를 학습하는 딥러닝 모델인 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치.
The method of claim 1, wherein the deep learning model 1 is:
An SOH prediction device for electric vehicle batteries, which is a deep learning model that learns current measurement data obtained by measuring the same battery current in various ways at different cycles.
 제 1항에 있어서, 상기 딥러닝 모델2는,
주행 데이터와 전류 측정 데이터가 지정된 SOC 산출 조건이 되었을 때, 배터리 온도에 대응하는 OCV 측정 데이터를 학습하는 딥러닝 모델인 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치.
The method of claim 1, wherein the deep learning model 2 is:
An SOH prediction device for an electric vehicle battery, characterized in that it is a deep learning model that learns OCV measurement data corresponding to battery temperature when driving data and current measurement data meet specified SOC calculation conditions.
 제 1항에 있어서, 상기 딥러닝 모델3은,
서버가 차량 장치로부터 실제 측정되어 전달받은 주행 데이터, 전류 측정 데이터, OCV 측정 데이터, 및 온도 측정 데이터 중 적어도 하나 이상을 바탕으로 산출하여 누적된 SOH 값을, 지정된 구간으로 구분하고, 각 구간별 시작 SOH 값과 종료 SOH 값 사이의 저하된 SOH 값()을 학습하는 딥러닝 모델인 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치.
The method of claim 1, wherein the deep learning model 3 is:
The server calculates the accumulated SOH value based on at least one of the driving data, current measurement data, OCV measurement data, and temperature measurement data actually measured and received from the vehicle device, divides it into designated sections, and starts each section. Degraded SOH value between SOH value and end SOH value ( ) SOH prediction device for electric vehicle batteries, characterized in that it is a deep learning model that learns ).
 제 1항에 있어서, 상기 딥러닝 모델2를 학습한 서버는,
SOH 예측을 위하여 OCV를 예측해야 할 경우, 딥러닝 모델1 기반으로 보정된 전류 측정 데이터 및 배터리 온도 측정 데이터를 바탕으로 미리 학습한 딥러닝 모델2를 이용하여 OCV를 예측하고,
OCV 예측 값에 대응하는 SOC 값이 미리 설정된 LUT(Look Up Table)를 이용하여, 상기 OCV 예측 값에 대응하는 SOC 값을 예측하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치.
The method of claim 1, wherein the server that learned the deep learning model 2,
If OCV needs to be predicted for SOH prediction, predict OCV using deep learning model 2, which was previously learned based on current measurement data and battery temperature measurement data corrected based on deep learning model 1,
An SOH prediction device for an electric vehicle battery, characterized in that it predicts the SOC value corresponding to the OCV prediction value using a LUT (Look Up Table) in which the SOC value corresponding to the OCV prediction value is preset.
 제 1항에 있어서, 상기 서버는,
SOH 산출 조건이 되었을 때, 산출된 SOC 값을 이용하여 SOH 값을 산출하며,
상기 SOH 산출 조건은,
전기차가 안정 시간 이상 주차된 상태에서 충전이 수행되고, 충전 후 안정 시간이 경과된 후에 해당되는 조건인 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치.
The method of claim 1, wherein the server:
When the SOH calculation conditions are met, the SOH value is calculated using the calculated SOC value.
The SOH calculation conditions are:
An SOH prediction device for an electric vehicle battery, characterized in that charging is performed while the electric vehicle is parked for more than a stabilization time, and the conditions apply after the stabilization time has elapsed after charging.
 제 9항에 있어서, 상기 서버는,
상기 SOH 산출 조건이 되지 않았을 때, SOH 값을 예측해야 될 경우,
예측된 SOC 값을 이용하여 SOH 값을 예측하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치.
The method of claim 9, wherein the server:
When the above SOH calculation conditions are not met and the SOH value needs to be predicted,
A SOH prediction device for an electric vehicle battery, characterized in that it predicts the SOH value using the predicted SOC value.
 제 1항에 있어서, 상기 서버는,
아래의 수학식1 내지 수학식3을 이용하여 SOH 값을 산출하거나 예측하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치.
(수학식 1)

(수학식 2)

(수학식 3)

여기서, 는 초기의 배터리 용량 상태, 는 현재의 배터리 용량 상태, 는 전류 적산을 시작할 때의 배터리 충전 상태, 는 현재의 배터리 충전 상태, 는 배터리 전류 적산량, 는 현재의 OCV 값, 는 현재의 배터리 온도, 는 딥러닝 모델1에 의해 산출한 전류 측정 오류, 는 딥러닝 모델2에 의해 산출한 OCV 측정 오류를 의미한다.
The method of claim 1, wherein the server:
An SOH prediction device for an electric vehicle battery, characterized in that it calculates or predicts the SOH value using Equation 1 to Equation 3 below.
(Equation 1)

(Equation 2)

(Equation 3)

here, is the initial battery capacity state, is the current battery capacity status, is the battery charge state when starting current integration, is the current battery charge state, is the integrated battery current, is the current OCV value, is the current battery temperature, is the current measurement error calculated by deep learning model 1, means the OCV measurement error calculated by deep learning model 2.
 전기차 배터리의 SOH 예측 장치의 프로세서가 전류 측정 데이터, OCV 측정 데이터 및 온도 측정 데이터를 서버에 온라인으로 전달하는 단계; 및
상기 서버가 상기 온라인으로 전달되는 전류 측정 데이터를 미리 학습된 딥러닝 모델1 기반으로 보정하며, 미리 학습된 딥러닝 모델2 기반으로 OCV 값을 예측하여 전기차 배터리의 SOH(State of Health) 값을 예측하고, 또한 미리 학습된 딥러닝 모델3 기반으로 전기차 배터리의 SOH를 예측하는 단계;를 포함하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 방법.
A processor of the SOH prediction device for an electric vehicle battery transmitting current measurement data, OCV measurement data, and temperature measurement data to a server online; and
The server corrects the current measurement data transmitted online based on pre-trained deep learning model 1, and predicts the OCV value based on pre-trained deep learning model 2 to predict the SOH (State of Health) value of the electric vehicle battery. And also predicting the SOH of the electric vehicle battery based on a pre-trained deep learning model3. A method for predicting the SOH of an electric vehicle battery, comprising:
 제 12항에 있어서, 상기 전기차 배터리의 SOH를 예측하는 단계에서,
상기 서버는,
미리 학습한 딥러닝 모델1 및 딥러닝 모델2 기반으로 현재 SOH 값이 예측되고, 또한 딥러닝 모델3 기반으로 현재 SOH 값이 예측될 경우,
상기 예측된 두 SOH 값에 앙상블 기법을 적용하여 최종 SOH 값을 예측하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 방법.
The method of claim 12, wherein in predicting the SOH of the electric vehicle battery,
The server is,
If the current SOH value is predicted based on pre-trained deep learning model 1 and deep learning model 2, and the current SOH value is predicted based on deep learning model 3,
A SOH prediction method for an electric vehicle battery, characterized in that the final SOH value is predicted by applying an ensemble technique to the two predicted SOH values.
 제 12항에 있어서,
상기 딥러닝 모델1은, 동일한 배터리 전류를 각기 다른 주기로 다양하게 측정한 전류 측정 데이터를 학습하는 딥러닝 모델이며,
상기 딥러닝 모델2는, 주행 데이터와 전류 측정 데이터가 지정된 SOC 산출 조건이 되었을 때, 배터리 온도에 대응하는 OCV 측정 데이터를 학습하는 딥러닝 모델이며,
상기 딥러닝 모델3은, 서버가 차량 장치로부터 실제 측정되어 전달받은 주행 데이터, 전류 측정 데이터, OCV 측정 데이터, 및 온도 측정 데이터 중 적어도 하나 이상을 바탕으로 산출하여 누적된 SOH 값을, 지정된 구간으로 구분하고, 각 구간별 시작 SOH 값과 종료 SOH 값 사이의 저하된 SOH 값()을 학습하는 딥러닝 모델인 것을 특징으로 하는 전기차 배터리의 SOH 예측 방법.
According to clause 12,
The deep learning model 1 is a deep learning model that learns current measurement data obtained by variously measuring the same battery current at different cycles,
The deep learning model 2 is a deep learning model that learns OCV measurement data corresponding to the battery temperature when the driving data and current measurement data meet specified SOC calculation conditions,
The deep learning model 3 calculates the accumulated SOH value based on at least one of driving data, current measurement data, OCV measurement data, and temperature measurement data that the server actually measured and received from the vehicle device, and divides it into a designated section. distinction, and the deteriorated SOH value between the start SOH value and the end SOH value for each section ( ) SOH prediction method for electric vehicle batteries, characterized in that it is a deep learning model that learns ).
 제 12항에 있어서, 상기 딥러닝 모델1을 학습한 서버는,
측정 주기가 긴 저품질 전류 측정 데이터를 주기가 짧은 고품질 전류 측정 데이터로 보정하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 방법.
The method of claim 12, wherein the server that learned the deep learning model 1,
A SOH prediction method for electric vehicle batteries characterized by correcting low-quality current measurement data with a long measurement cycle with high-quality current measurement data with a short cycle.
 제 12항에 있어서, 상기 딥러닝 모델2를 학습한 서버는,
SOH 예측을 위하여 OCV를 예측해야 할 경우, 딥러닝 모델1 기반으로 보정된 전류 측정 데이터 및 배터리 온도 측정 데이터를 바탕으로 미리 학습한 딥러닝 모델2를 이용하여 OCV를 예측하고,
OCV 예측 값에 대응하는 SOC 값이 미리 설정된 LUT(Look Up Table)를 이용하여, 상기 OCV 예측 값에 대응하는 SOC 값을 예측하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 방법.
The method of claim 12, wherein the server that learned the deep learning model 2,
If OCV needs to be predicted for SOH prediction, predict OCV using deep learning model 2, which was previously learned based on current measurement data and battery temperature measurement data corrected based on deep learning model 1,
A SOH prediction method for an electric vehicle battery, characterized in that predicting the SOC value corresponding to the OCV predicted value using a LUT (Look Up Table) in which the SOC value corresponding to the OCV predicted value is preset.
 제 12항에 있어서, 상기 전기차 배터리의 SOH를 예측하는 단계에서,
상기 서버는,
SOH 산출 조건이 되었을 때, 산출된 SOC 값을 이용하여 SOH 값을 산출하며,
상기 SOH 산출 조건은,
전기차가 안정 시간 이상 주차된 상태에서 충전이 수행되고, 충전 후 안정 시간이 경과된 후에 해당되는 조건인 것을 특징으로 하는 전기차 배터리의 SOH 예측 방법.
The method of claim 12, wherein in predicting the SOH of the electric vehicle battery,
The server is,
When the SOH calculation conditions are met, the SOH value is calculated using the calculated SOC value.
The SOH calculation conditions are:
A method for predicting SOH of an electric vehicle battery, characterized in that charging is performed while the electric vehicle is parked for more than a stabilization time, and the conditions apply after the stabilization time has elapsed after charging.
 제 17항에 있어서, 상기 서버는,
상기 SOH 산출 조건이 되지 않았을 때, SOH 값을 예측해야 될 경우,
예측된 SOC 값을 이용하여 SOH 값을 예측하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 방법.
The method of claim 17, wherein the server:
When the above SOH calculation conditions are not met and the SOH value needs to be predicted,
A SOH prediction method for an electric vehicle battery, characterized by predicting the SOH value using the predicted SOC value.
 제 12항에 있어서, 상기 미리 학습된 딥러닝 모델2 기반으로 OCV 값을 예측하여 전기차 배터리의 SOH 값을 예측하는 단계에서,
상기 서버는,
아래의 수학식1 내지 수학식3을 이용하여 SOH 값을 산출하거나 예측하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 방법.
(수학식 1)

(수학식 2)

(수학식 3)

여기서, 는 초기의 배터리 용량 상태, 는 현재의 배터리 용량 상태, 는 전류 적산을 시작할 때의 배터리 충전 상태, 는 현재의 배터리 충전 상태, 는 배터리 전류 적산량, 는 현재의 OCV 값, 는 현재의 배터리 온도, 는 딥러닝 모델1에 의해 산출한 전류 측정 오류, 는 딥러닝 모델2에 의해 산출한 OCV 측정 오류를 의미한다.The method of claim 12, wherein in the step of predicting the SOH value of the electric vehicle battery by predicting the OCV value based on the pre-trained deep learning model 2,
The server is,
A SOH prediction method for an electric vehicle battery, characterized by calculating or predicting the SOH value using Equation 1 to Equation 3 below.
(Equation 1)

(Equation 2)

(Equation 3)

here, is the initial battery capacity state, is the current battery capacity status, is the battery charge state when starting current integration, is the current battery charge state, is the integrated battery current, is the current OCV value, is the current battery temperature, is the current measurement error calculated by deep learning model 1, means the OCV measurement error calculated by deep learning model 2.
KR1020220056471A 2022-05-09 2022-05-09 Apparatus for estimating soh of electric vehicle battery and method thereof KR102617005B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220056471A KR102617005B1 (en) 2022-05-09 2022-05-09 Apparatus for estimating soh of electric vehicle battery and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220056471A KR102617005B1 (en) 2022-05-09 2022-05-09 Apparatus for estimating soh of electric vehicle battery and method thereof

Publications (2)

Publication Number Publication Date
KR20230157549A true KR20230157549A (en) 2023-11-17
KR102617005B1 KR102617005B1 (en) 2023-12-22

Family

ID=88969010

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220056471A KR102617005B1 (en) 2022-05-09 2022-05-09 Apparatus for estimating soh of electric vehicle battery and method thereof

Country Status (1)

Country Link
KR (1) KR102617005B1 (en)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010078530A (en) * 2008-09-27 2010-04-08 Sanyo Electric Co Ltd Detection method of deterioration degree of battery
KR20150109643A (en) * 2014-03-20 2015-10-02 현대모비스 주식회사 Apparatus and Method for estimating deterioration of battery pack
KR102196668B1 (en) * 2019-07-09 2020-12-30 한국전력공사 Apparatus and method for estimating state of charge of battery and method thereof
KR20210024962A (en) * 2019-08-26 2021-03-08 오토시맨틱스 주식회사 Method and Apparatus for Diagnosis and Life Assessment for ESS Battery
KR20210116801A (en) * 2020-03-16 2021-09-28 주식회사 로보볼트 Method and apparatus for predicting state of battery health based on neural network
KR20220037169A (en) * 2020-09-17 2022-03-24 한화솔루션 주식회사 Estimating device for the state of charge on energy storage system and method thereof

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010078530A (en) * 2008-09-27 2010-04-08 Sanyo Electric Co Ltd Detection method of deterioration degree of battery
KR20150109643A (en) * 2014-03-20 2015-10-02 현대모비스 주식회사 Apparatus and Method for estimating deterioration of battery pack
KR102196668B1 (en) * 2019-07-09 2020-12-30 한국전력공사 Apparatus and method for estimating state of charge of battery and method thereof
KR20210024962A (en) * 2019-08-26 2021-03-08 오토시맨틱스 주식회사 Method and Apparatus for Diagnosis and Life Assessment for ESS Battery
KR20210116801A (en) * 2020-03-16 2021-09-28 주식회사 로보볼트 Method and apparatus for predicting state of battery health based on neural network
KR20220037169A (en) * 2020-09-17 2022-03-24 한화솔루션 주식회사 Estimating device for the state of charge on energy storage system and method thereof

Also Published As

Publication number Publication date
KR102617005B1 (en) 2023-12-22

Similar Documents

Publication Publication Date Title
JP4782192B2 (en) Method for estimating the state of charge of a hybrid vehicle battery
JP5058814B2 (en) Battery state and parameter estimation system and method
US8175826B2 (en) Apparatus for estimating open circuit voltage of battery, apparatus for estimating state of charge of battery, and method for controlling the same
KR102080632B1 (en) Battery management system and its operating method
JP4511600B2 (en) Apparatus, method and system for estimating current state and current parameters of electrochemical cell, and recording medium
EP3064952B1 (en) Energy storage device management apparatus, energy storage device management method, energy storage device module, energy storage device management program, and movable body
CN110515002B (en) Battery capacity monitor
WO2016194082A1 (en) Device for estimating degree of battery degradation, and estimation method
KR102171096B1 (en) Method and device to estimate battery lifetime during driving of electrical vehicle
JP6185321B2 (en) Secondary battery pack management method, power management system, and electronic device
KR20180043048A (en) Method for predicting State of Health of Battery
US20200309857A1 (en) Methods, systems, and devices for estimating and predicting battery properties
CN109669131B (en) SOC estimation method of power battery under working condition environment
CN102104259A (en) Electric quantity detecting and controlling method and device for rechargeable battery
KR20140100086A (en) Battery management system and driving method thereof
JP2022041931A (en) Method and apparatus for battery state estimation
WO2012066643A1 (en) Method and apparatus for detecting state of electrical storage device
WO2018025350A1 (en) Estimation device, estimation program, and charging control device
CN111913111A (en) Discharge power correction method, discharge power correction device, storage medium and electronic equipment
KR20180082020A (en) device for detecting the state of charge of a battery
KR20070074621A (en) Method and system for battery state and parameter estimation
KR102617005B1 (en) Apparatus for estimating soh of electric vehicle battery and method thereof
US11300626B2 (en) Method and system for battery capacity estimation
JP6185322B2 (en) Secondary battery pack management method, power management system, and electronic device
KR20200040576A (en) Method for estimating degradation of battery for vehicle

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant