KR20230168813A - 차량, 배터리 수명 예측 장치 및 배터리 수명 예측 방법 - Google Patents

Abstract

차량은, 디스플레이; 배터리; 상기 배터리의 배터리 데이터를 획득하는 배터리 센서; 상기 배터리 데이터에 대응하는 배터리 수명 모델의 출력을 획득하고, 상기 배터리 수명 모델의 출력에 기초하여 상기 배터리의 수명 값을 예측하고, 상기 배터리의 수명 값이 미리 정해진 값 이하인 것에 기초하여 상기 디스플레이에 상기 배터리의 교체를 추천하는 메시지를 표시하는 프로세서를 포함할 수 있다. 상기 배터리 수명 모델은, 제1 동작 환경에서 수집된 제1 배터리 셀 데이터를 이용하여 학습된 기본 수명 모델을 제2 동작 환경에서 수집된 제2 배터리 셀 데이터를 이용하여 전이 학습함으로써 제공되는 셀 수명 모델; 및 상기 제1 동작 환경에서 수집된 배터리 팩 데이터를 이용하여 학습된 팩 수명 모델을 포함할 수 있다.

Description

차량, 배터리 수명 예측 장치 및 배터리 수명 예측 방법 {VEHICLE, APPARATUS FOR PREDICTING BATTERY LIFESPAN AND METHOD PREDICTING BATTERY LIFESPAN}

개시된 발명은 차량, 배터리 수명 예측 장치 및 그 제어 방법에 관한 발명으로, 더욱 상세하게는 기계 학습을 이용하여 배터리의 잔존 수명을 예측하는 차량, 배터리 수명 예측 장치 및 그 제어 방법에 관한 것이다.

일반적으로 차량은 화석 연료, 전기 등을 동력원으로 하여 도로 또는 선로를 일반적으로 차량은 화석 연료, 전기 등을 동력원으로 하여 도로 또는 선로를 주행하는 이동 수단 또는 운송 수단을 의미한다.

오직 전기만을 에너지 원으로 이용하는 전기 차량의 연구가 활발히 진행되고 있다. 전기 차량은 차량을 이동시키기 위한 구동 에너지 원으로써 배터리를 포함할 뿐만 아니라 운전자에게 편의 및 안전을 제공하기 위한 보조 에너지 원으로써도 배터리를 포함한다.

전기 차량의 배터리는 배터리를 사용함에 따라 그 수명이 감소하고, 감소된 수명에 따라 배터리의 용량이 감소한다. 전기 차량의 배터리는, 차량의 안전성, 충전 시간, 주행 거리 등의 이유로, 초기 용량의 70~80% 이하가 되면, 교체된다. 전기 차량의 배터리 교체 주기는 대략 5년에서 10년 사이인 것으로 알려져 있다. 배터리 교체 주기를 증가시키기 위하여는, 배터리의 수명을 예측하고 예측된 수명에 따라 배터리의 충전과 방전을 관리하는 것이 중요하다.

배터리의 용량은 균일하지 않는 사용 환경, 초기 불량, 오동작, 배터리 셀의 전압 편차 등 다양한 원인에 의하여 다양한 속도로 감소할 수 있다. 이처럼, 배터리의 용량 감소는 다양한 원인으로 인하여 불확실하며, 그 불확실성으로 인하여 배터리의 용량 감소를 예측하는 것이 매우 어렵다.

개시된 발명의 일 측면은, 기계 학습을 이용하여 배터리의 잔존 수명을 예측하는 차량, 배터리 수명 예측 장치 및 그 제어 방법을 제공하고자 한다.

개시된 발명의 일 측면은, 특정 환경에서 학습된 배터리 수명 모델을 전이 학습을 이용하여 다른 환경에서 학습된 배터리 수명 모델로 전환할 수 있는 차량, 배터리 수명 예측 장치 및 그 제어 방법을 제공하고자 한다.

개시된 발명의 일 측면은, 배터리 셀 기반으로 학습된 배터리 수명 모델을 이용하여 배터리 모듈 또는 배터리 팩의 배터리 수명 모델을 생성할 수 있는 차량, 배터리 수명 예측 장치 및 그 제어 방법을 제공하고자 한다.

개시된 발명의 일 측면에 따른 차량은, 디스플레이; 배터리; 상기 배터리의 배터리 데이터를 획득하는 배터리 센서; 상기 배터리 데이터에 대응하는 배터리 수명 모델의 출력을 획득하고, 상기 배터리 수명 모델의 출력에 기초하여 상기 배터리의 수명 값을 예측하고, 상기 배터리의 수명 값이 미리 정해진 값 이하인 것에 기초하여 상기 디스플레이에 상기 배터리의 교체를 추천하는 메시지를 표시하는 프로세서를 포함할 수 있다. 상기 배터리 수명 모델은, 제1 동작 환경에서 수집된 제1 배터리 셀 데이터를 이용하여 학습된 기본 수명 모델을 제2 동작 환경에서 수집된 제2 배터리 셀 데이터를 이용하여 전이 학습함으로써 제공되는 셀 수명 모델; 및 상기 제1 동작 환경에서 수집된 배터리 팩 데이터를 이용하여 학습된 팩 수명 모델을 포함할 수 있다.

상기 배터리의 수명 값은, 미리 정해진 충전 및 방전 사이클 이후 예측되는 상기 배터리의 최대 출력 전압을 포함할 수 있다.

상기 셀 수명 모델은, LSTM (long short term memory model) 및 FC (Fully connected) 레이어를 포함할 수 있다.

상기 LSTM 및 상기 FC 레이어는, 제1 동작 환경에서 수집된 제1 배터리 셀 데이터를 이용하여 학습될 수 있다.

상기 학습된 FC 레이어는, 상기 제2 동작 환경에서 수집된 제2 배터리 셀 데이터를 이용하여 학습될 수 있다.

상기 차량은, 상기 배터리를 충전하는 충전 회로를 더 포함할 수 있다. 상기 프로세서는, 상기 배터리의 수명 값이 미리 정해진 값 이하인 것에 기초하여 상기 배터리를 충전하는 충전 전류를 제한하도록 상기 충전 전류를 제어할 수 있다.

상기 차량은, 외부 장치와 통신하는 통신 인터페이스를 더 포함할 수 있다. 상기 프로세서는, 상기 외부 장치에 상기 배터리 데이터를 전송하고, 상기 외부 장치로부터 상기 배터리 수명 모델의 출력을 수신할 수 있다.

개시된 발명의 일 측면에 따른 배터리 수명 예측 장치는, 제1 배터리 데이터를 저장하는 스토리지; 차량으로부터 제2 배터리 데이터를 획득하는 입력 인터페이스; 상기 제1 베터리 데이터를 이용하여, 배터리의 수명을 예측하기 위한 배터리 수명 모델을 학습시키고, 상기 제2 배터리 데이터에 대응하는 상기 학습된 배터리 수명 모델의 출력을 획득하고, 상기 배터리 수명 모델의 출력에 기초하여 상기 배터리의 수명 값을 예측하는 프로세서; 상기 프로세서에 의하여 예측된 상기 배터리의 수명 값을 상기 차량에 전송하는 출력 인터페이스를 포함할 수 있다. 상기 프로세서는, 제1 동작 환경에서 수집된 제1 배터리 셀 데이터를 이용하여 기본 수명 모델을 학습시키는 셀 기반 학습 모듈; 제2 동작 환경에서 수집된 제2 배터리 셀 데이터를 이용하여 상기 기본 수명 모델을 셀 수명 모델로 전이 학습시키는 전이 학습 모델; 및 상기 전이 학습 모델의 출력 및 상기 제1 동작 환경에서 수집된 배터리 팩 데이터를 이용하여 팩 수명 모델을 학습시키는 팩 기반 학습 모델을 포함할 수 있다.

개시된 발명의 일 측면에 따른 배터리 수명 예측 방법은, 제1 배터리 데이터를 저장하고; 차량으로부터 제2 배터리 데이터를 획득하고; 상기 제1 베터리 데이터를 이용하여, 배터리의 수명을 예측하기 위한 배터리 수명 모델을 학습시키고; 상기 제2 배터리 데이터에 대응하는 상기 학습된 배터리 수명 모델의 출력을 획득하고; 상기 배터리 수명 모델의 출력에 기초하여 상기 배터리의 수명 값을 예측하고; 상기 배터리의 예측된 수명 값을 상기 차량에 전송하는 것을 포함할 수 있다. 상기 배터리 수명 모델을 학습시키는 것은, 제1 동작 환경에서 수집된 제1 배터리 셀 데이터를 이용하여 기본 수명 모델을 학습시키고, 제2 동작 환경에서 수집된 제2 배터리 셀 데이터를 이용하여 상기 기본 수명 모델을 셀 수명 모델로 전이 학습시키고, 상기 전이 학습 모델의 출력 및 상기 제1 동작 환경에서 수집된 배터리 팩 데이터를 이용하여 팩 수명 모델을 학습시키는 것을 포함할 수 있다.

개시된 발명의 일 측면에 따르면, 기계 학습을 이용하여 배터리의 잔존 수명을 예측하는 차량, 배터리 수명 예측 장치 및 그 제어 방법을 제공할 수 있다. 그에 의하여, 배터리 수명 예측 장치는 전기 차량의 배터리의 잔존 수명이 정확하게 예측할 수 있다.

개시된 발명의 일 측면에 따르면, 특정 환경에서 학습된 배터리 수명 모델을 전이 학습을 이용하여 다른 환경에서 학습된 배터리 수명 모델로 전환할 수 있는 배터리 차량, 수명 예측 장치 및 그 제어 방법을 제공할 수 있다. 그에 의하여, 학습을 위한 데이터가 충분하지 않더라도 배터리 수명 예측 장치는 배터리의 배터리 수명 모델을 학습시킬 수 있으며, 배터리 수명 모델을 학습시키기 위한 연산 량이 감소할 수 있다.

개시된 발명의 일 측면에 따르면, 배터리 셀 기반으로 학습된 배터리 수명 모델을 이용하여 배터리 모듈 또는 배터리 팩의 배터리 수명 모델을 생성할 수 있는 차량, 배터리 수명 예측 장치 및 그 제어 방법을 제공할 수 있다. 그에 의하여, 배터리 모듈 또는 배터리 팩의 배터리 수명 모델을 학습시키기 위한 데이터가 충분하지 않더라도 배터리 수명 예측 장치는 배터리 셀의 배터리 수명 모델을 이용하여 배터리 모듈 또는 배터리 팩의 배터리 수명 모델을 생성할 수 있다.

도 1은 일 실시예에 의한 수명 예측 장치의 구성을 도시한다.
도 2 및 도 3은 일 실시예에 의한 수명 예측 장치에 포함된 배터리 수명 모델의 예를 도시한다.
도 4는 일 실시예에 의한 수명 예측 장치에 포함된 배터리 수명 모델을 학습시키기 위한 구성을 도시한다.
도 5는 종래 기술에 의한 수명 예측 결과를 도시한다.
도 6는 도 4에 도시된 전이 학습에 의한 배터리 수명 모델의 수명 예측 결과를 도시한다.
도 7은 일 실시예에 의한 수명 예측 장치에 포함된 배터리 수명 모델을 학습시키기 위한 구성의 다른 예를 도시한다.
도 8은 일 실시예에 의한 수명 예측 장치에 포함된 배터리 수명 모델을 학습시키기 위한 구성의 다른 예를 도시한다.
도 9는 일 실시예에 의한 수명 모델을 포함하는 차량의 일 예를 도시한다.
도 10는 일 실시예에 의한 수명 예측 장치를 포함하는 서버와 차량의 일 예를 도시한다.

명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 명세서가 실시예들의 모든 요소들을 설명하는 것은 아니며, 개시된 발명이 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.

또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.

제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.

단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.

각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.

이하 첨부된 도면들을 참고하여 개시된 발명의 작용 원리 및 실시예들에 대해 설명한다.

도 1은 일 실시예에 의한 수명 예측 장치의 구성을 도시한다. 도 2 및 도 3은 일 실시예에 의한 수명 예측 장치에 포함된 배터리 수명 모델의 예를 도시한다.

배터리의 수명 예측 장치(100)는 현재의 배터리 데이터를 이용하여 미리 정해진 충방전 사이클 이후의 배터리 데이터를 예측할 수 있다. 예를 들어, 수명 예측 장치(100)는 충방전 사이클 중의 배터리의 방전 전압, 방전 전류, 방전 주기, 깊은 방전 여부, 충전 전압, 충전 전류, 충전 주기 및 충전 횟수와, 충방전 사이클 후의 최대 출력 전압 등에 기초하여 미리 정해진 충방전 사이클 이후의 배터리의 최대 충전 전압 등을 예측할 수 있다.

도 1, 도 2 및 도 3에 도시된 바와 같이, 수명 예측 장치(100)는, 입력 인터페이스(110)와 출력 인터페이스(120)와 스토리지(130)와 프로세서(140)를 포함할 수 있다.

입력 인터페이스(110)는 수명 예측 장치(100)를 관리/제어하는 사용자의 사용자 입력을 획득하거나 또는 인공 지능 알고리즘을 학습시키기 위한 학습 데이터를 획득할 수 있다.

예를 들어, 입력 인터페이스(110)는 사용자(차량용 제어기의 설계자 또는 차량용 제어기의 모의 시험자)로부터 제어 명령을 입력받는 사용자 인터페이스를 포함할 수 있다. 입력 인터페이스(110)는 문자 입력 장치(예를 들어, 키보드), 포인트 입력 장치(예를 들어, 마우스, 트랙볼 등) 등을 포함할 수 있다.

입력 인터페이스(110)는 학습 데이터를 입력 받기 위한 연결 인터페이스를 포함할 수 있다. 예를 들어, 입력 인터페이스(110)는 USB (Universal Serial Bus) 인터페이스, 디스플레이 출력 인터페이스(예를 들어, HDMI 인터페이스, DVI 인터페이스, RGB 인터페이스) 등을 포함할 수 있다.

입력 인터페이스(110)는 외부 장치로부터 학습 데이터를 수신하기 위한 통신 인터페이스를 포함할 수 있다. 예를 들어, 입력 인터페이스(110)는 무선 통신 방식(예를 들어, 와이파이, 블루투스, 지그비 등)으로 외부 장치로부터 학습 데이터를 획득할 수 있다.

출력 인터페이스(120)는 수명 예측 장치(100)에 의하여 예측된 배터리의 수명과 관련된 정보를 출력할 수 있다.

앞서 설명된 바와 같이, 수명 예측 장치(100)는 출력 인터페이스(120)를 통하여 미리 정해진 충방전 사이클 이후의 배터리의 최대 충전 전압 등을 출력할 수 있다.

출력 인터페이스(120)는 사용자에 직접 배터리의 수명과 관련된 정보를 표시하는 디스플레이를 포함하거나, 외부 장치에 수명과 관련된 정보를 출력하기 위한 연결 인터페이스를 포함하거나, 외부 장치에 수명과 관련된 정보를 전송하기 위한 통신 인터페이스를 포함할 수 있다.

스토리지(130)는 배터리의 잔존 수명을 예측하기 위한 프로그램 및/또는 데이터를 저장할 수 있다.

예를 들어, 스토리지(130)는 배터리의 잔존 수명을 예측하기 위한 배터리 수명 모델(131)과, 배터리 수명 모델(131)을 학습시키기 위한 학습 데이터(132)와, 학습 데이터(132)를 이용하여 배터리 수명 모델(131)을 학습시키는 학습 모듈(133)을 저장할 수 있다.

배터리 수명 모델(131)은 배터리 데이터로부터 배터리의 잔존 수명을 예측할 수 있다. 예를 들어, 학습된 배터리 수명 모델(131)은 충방전 사이클 중의 배터리의 방전 전압, 방전 전류, 방전 주기, 깊은 방전 여부, 충전 전압, 충전 전류, 충전 주기 및 충전 횟수와, 충방전 사이클 후의 최대 출력 전압 등을 포함하는 배터리 데이터에 기초하여 배터리의 잔존 수명을 예측할 수 있다. 예를 들어, 배터리 수명 모델(131)은 배터리 데이터에 기초하여, 정해진 충방전 사이클 이후 배터리의 최대 출력 전압 등을 예측하도록 학습될 수 있다.

배터리 수명 모델(131)은 관리자의 지도에 의하여 학습하는 지도 학습(supervised learning), 관리자의 지도 없이 학습하는 비지도 학습(unsupervised learning), 관리자의 지도 없이 보상에 의하여 학습하는 강화 학습(reinforcement learning) 등에 의하여 학습될 수 있다. 이하에서는 배터리 수명 모델(131)은 지도 학습에 의하여 학습될 수 있다.

배터리 수명 모델(131)은 다양한 학습 모델 알고리즘을 포함할 수 있다. 예를 들어, 배터리 수명 모델(131)은 뉴럴 네트워크(Neural Network) 모델, 서포트 벡터 머신(Support Vector Machine, SVM) 알고리즘, 에이다부스트(AdaBoost) 알고리즘, 랜덤포레스트(random forest) 알고리즘 등을 포함할 수 있다. 이하에서 배터리 수명 모델(131)은 뉴럴 네트워크 모델을 포함할 수 있다.

배터리 수명 모델(131)은 순환 뉴럴 네트워크(Recurrent Neural Network, RNN) 모델을 포함할 수 있다. 순환 뉴럴 네트워크는 입력과 출력을 시퀸스 단위로 처리하는 시퀸스 모델이다. 순환 뉴럴 네트워크는 데이터 시퀸스를 처리하기 위하여 고안되었다.

도 3에 도시된 바와 같이 순환 뉴럴 네트워크는 입력 레이어 X_t, 히든 레이어 A 및 출력 레이어 h_t를 포함할 수 있다. 또한, 히든 레이어 A의 다른 출력은 다시 히든 레이어 A에 입력될 수 있다.

이처럼, 순환 뉴럴 네트워크의 히든 레이어 A의 출력은 재귀적으로 순환한다. 다시 말해, 히든 레이어의 현재 출력은 히든 레이어의 이전 출력에 의존할 수 있다. 도 3에 도시된 바와 같이 순환 뉴럴 네트워크는 히든 레이어들이 연쇄될 수 있다.

특히, 배터리 수명 모델(131)은 순환 뉴럴 네트워크의 일종인 LSTM (long short term memory model)을 포함할 수 있다.

LSTM은 순환 뉴럴 네트워크의 문제점으로 알려진 vanishing gradient problem을 극복할 수 있다. vanishing gradient problem는 관련 입력과 그 입력을 이용하는 출력 사이의 간격(시퀀스 간격)이 큰 경우 학습 능력이 저하되는 것을 의미한다.

LSTM의 히든 레이어는 이전 히든 레이어의 출력 h_t-1, 히든 출력 C_t-1 및 입력 X_t를 획득하고, 출력 h_t 및 히든 출력 C_t를 출력할 수 있다. LSTM의 히든 레이어에서, 이전 히든 레이어의 출력 h_t-1과 입력 X_t은 벡터[X_t, h_t-1]로 변환될 수 있다.

LSTM의 히든 레이어는 다음의 수학식들에 의하여 정의될 수 있다.

우선 LSTM의 히든 레이어에서, 도 3에 도시된 바와 같이 현재 히든 레이어의 입력 x_t, 이전 히든 레이어의 출력 h_t 및 이전 히든 레이어의 히든 출력 C_t-1로부터 f_t, i_t, ┴_t 및 σ_t이 연산될 수 있다. 연산된 f_t, i_t, ┴_t 및 σ_t로부터 히든 레이어의 출력 h_t 및 히든 출력 C_t이 획득될 수 있다.

[수학식 1]

여기서, σ(.)는 시그모이드(Sigmoid) 함수를 나타내며, x_t는 현재 히든 레이어에 입력된 입력을 나타내며, h_t-1는 이전 히든 레이어의 출력을 나타내며, W_xf 및 W_hf는 가중치를 나타내며, b_f는 바이어스를 나타낸다. W_xf, W_hf 및 b_f는 최초에 임의의 값(또는 벡터)으로 설정되며, 학습에 의하여 결정될 수 있다.

[수학식 2]

여기서, σ(.)는 시그모이드(Sigmoid) 함수를 나타내며, x_t는 현재 히든 레이어에 입력된 입력을 나타내며, h_t-1는 이전 히든 레이어의 출력을 나타내며, W_xi 및 W_hi는 가중치를 나타내며, b_i는 바이어스를 나타낼 수 있다. W_xi, W_hi 및 b_i는 최초에 임의의 값(또는 벡터)으로 설정되며, 학습에 의하여 결정될 수 있다.

[수학식 3]

여기서, tanh(.)는 하이퍼볼릭 탄젠트(Hyperbolic tangent) 함수를 나타내며, x_t는 현재 히든 레이어에 입력된 입력을 나타내며, h_t-1는 이전 히든 레이어의 출력을 나타내며, W_xc 및 W_hc는 가중치를 나타내며, b_c는 바이어스를 나타낼 수 있다. W_xc, W_hc 및 b_c는 최초에 임의의 값(또는 벡터)으로 설정되며, 학습에 의하여 결정될 수 있다.

[수학식 4]

여기서, f_t은 [수학식 1]의 출력 값(또는 출력 벡터)을 나타내며, C_t-1는 이전 히든 레이어의 히든 출력을 나타내며, i_t는 [수학식 2]의 출력 값(또는 출력 벡터)을 나타내며, ┴_t는 [수학식 3]의 출력 값(또는 출력 벡터)을 나타낼 수 있다. 여기서, 연산자 "*"는 단순 곱셈 연산 또는 아다마르 프로덕트(Hadamard product)일 수 있다.

[수학식 5]

여기서, σ(.)는 시그모이드(Sigmoid) 함수를 나타내며, x_t는 현재 히든 레이어에 입력된 입력을 나타내며, h_t-1는 이전 히든 레이어의 출력을 나타내며, W_xo 및 W_ho는 가중치를 나타내며, b_o는 바이어스를 나타낼 수 있다. W_xo, W_ho 및 b_o는 최초에 임의의 값(또는 벡터)으로 설정되며, 학습에 의하여 결정될 수 있다.

[수학식 6]

여기서, h_t는 히든 레이어의 출력을 나타내며, o_t는 [수학식 5]의 출력 값(또는 출력 벡터)을 나타내며, tanh(.)는 하이퍼볼릭 탄젠트 함수를 나타내며, C_t는 히든 레이어의 히든 출력을 나타낼 수 있다.

이처럼, LSTM은 히든 레이어의 입력, 이전 히든 레이어의 출력 및 히든 출력에 의존하여 출력 값(또는 출력 벡터)를 출력할 수 있다.

LSTM에서 복수의 히든 레이어가 연쇄될 수 있다.

배터리 수명 모델(131)은 LSTM 뿐만 아니라 학습된 출력(예를 들어, 출력 벡터)를 출력하기 위한 완전 연결(Fully connected, FC) 레이어를 더 포함할 수 있다.

FC 레이어는 다음의 수학식에 의하여 정의될 수 있다.

[수학식 7]

여기서, y_t는 배터리 수명 모델(131)의 출력을 나타내며, h_t는 LSTM의 출력을 나타내며, W_hy는 가중치를 나타내며, b_y는 바이어스를 나타낸다. W_hy 및 b_y는 최초에 임의의 값(또는 벡터)으로 설정되며, 학습에 의하여 결정될 수 있다.

이처럼, 배터리 수명 모델(131)은 LSTM 부분(순환 뉴럴 네트워크)과 FC 부분(완전 연결 레이어)를 포함할 수 있다.

다만, 배터리 수명 모델(131)은 순환 뉴럴 네트워크에 한정되지 아니하며, 합성곱 뉴럴 네트워크(Convolutional Neural Network, CNN) 등 다른 종류의 인공 지능 알고리즘을 포함할 수도 있다.

배터리 수명 모델(131)은 학습 데이터(132)에 의하여 사전에 학습될 수 있다.

학습 데이터(132)는 배터리 데이터와 그에 대응되는 측정된 배터리의 잔존 수명을 포함하는 벡터 데이터를 포함할 수 있다. 예를 들어, 학습 데이터(132)는 충방전 사이클 중의 배터리의 방전 전압, 방전 전류, 방전 주기, 깊은 방전 여부, 충전 전압, 충전 전류, 충전 주기 및 충전 횟수와, 충방전 사이클 후의 최대 출력 전압 등을 포함하는 측정된 배터리 데이터와 측정된 배터리 데이터에 대응하는 배터리의 수명(예를 들어, 미리 정해진 충방전 사이클 후의 최대 출력 전압)을 포함할 수 있다. 측정된 배터리 데이터와 배터리의 잔존 수명은 벡터 데이터 형태로 저장될 수 있다.

배터리 수명 모델(131)은 특정한 환경에서 수집된 학습 데이터에 의하여 학습될 수 있다. 예를 들어, 배터리 수명 모델(131)은 특정한 종류의 차량에서 수집된 학습 데이터에 의하여 학습되거나, 특정한 구동 모터가 설치된 차량에서 수집된 학습 데이터에 의하여 학습되거나, 특정한 온도에서 수집된 학습 데이터에 의하여 학습될 수 있다.

학습 모듈(133)는 학습 데이터(132)를 이용하여 배터리 수명 모델(131)을 학습시킬 수 있다.

예를 들어, 학습 모듈(133)은 학습 데이터의 입력 데이터를 배터리 수명 모델(131)에 입력하고, 입력된 학습 데이터의 입력 데이터에 응답한 배터리 수명 모델(131)의 출력을 획득할 수 있다. 학습 모듈(133)은 배터리 수명 모델(131)의 출력과 학습 데이터의 출력 데이터 사이의 오차에 기초하여 배터리 수명 모델(131)의 가중치(W) 및 바이어스(b)를 수정할 수 있다. 구체적으로, 학습 모듈(133)은 배터리 수명 모델(131)의 출력과 학습 데이터의 출력 데이터 사이의 오차가 최소화되도록 배터리 수명 모델(131)의 가중치(W) 및 바이어스(b)를 산출할 수 있다.

반복적인 학습에 의하여 배터리 수명 모델(131)의 가중치(W) 및 바이어스(b)는 학습 데이터의 입력 데이터와 출력 데이터 사이의 관련성을 나타내기 위한 값(또는 벡터)으로 점차적으로 수정될 수 있다.

프로세서(140)는 스토리지(130)에 저장된 프로그램 및/또는 데이터에 의하여 배터리의 수명과 관련된 정보를 출력할 수 있다.

예를 들어, 프로세서(140)는 스토리지(130)에 저장된 학습 모듈(133)에 의하여 배터리 수명 모델(131)을 학습시킬 수 있다. 프로세서(140)는 스토리지(130)에 저장된 학습 모듈(133)에 의하여 배터리 수명 모델(131)에 학습 데이터(132)를 입력하고, 배터리 수명 모델(131)의 출력에 기초하여 배터리 수명 모델(131)을 학습시킬 수 있다.

프로세서(140)는 1 또는 2 이상의 프로세싱 코어 및 메모리를 포함할 수 있다. 프로세싱 코어는 스토리지(130)에 저장된 배터리 수명 모델(131), 학습 데이터(132) 및 학습 모듈(133)을 메모리에 로딩하고, 학습 모듈(133)에 포함된 일련의 명령에 따라 학습 데이터(132)를 이용하여 배터리 수명 모델(131)을 학습시킬 수 있다.

또한, 프로세서(140)는 학습된 배터리 수명 모델(131)을 출력할 수 있다.

이상에서는, 소프트웨어로서의 배터리 수명 모델(131)과 학습 모듈(133)이 설명되었다. 소프트웨어로서의 배터리 수명 모델(131)과 학습 모듈(133)은 스토리지(130)에 저장되며, 프로세서(140)에 의하여 메모리에 로딩되고, 프로세서(140)에 의하여 처리될 수 있다.

그러나, 배터리 수명 모델(131)과 학습 모듈(133)은 소프트웨어에 한정되지 아니한다. 예를 들어, 배터리 수명 모델(131)과 학습 모듈(133)은 하드웨어일 수 있다.

하드웨어로서 배터리 수명 모델(131)과 학습 모듈(133)은 프로세서(140)에 하드웨어로서 포함될 수 있다. 배터리 수명 모델(131)은 하드웨어로서 히든 레이어를 포함하며, 학습에 의하여 히든 레이어 사이의 연결이 갱신될 수 있다.

이처럼, 수명 예측의 정확성을 향상시키고 효율적으로 배터리 수명 모델(131)을 학습시키기 위하여 프로세서(140)는 특정한 환경에서 수집된 학습 데이터를 이용하여 배터리 수명 모델(131)을 학습시킬 수 있다.

특정한 환경에서 학습된 배터리 수명 모델(131)은 다른 환경에 전용될 수 있다. 예를 들어, 배터리 수명 모델(131)은 구형 차량에서 수집된 학습 데이터를 이용하여 학습될 수 있다. 이처럼, 구형 차량의 데이터에 의하여 학습된 배터리 수명 모델(131)은 신형 차량의 배터리의 수명을 예측하기 위하여 이용될 수 있다.

신형 차량의 배터리의 수명을 예측하기 위하여, 구형 차량의 데이터에 의하여 학습된 배터리 수명 모델(131)은 전이 학습될 수 있다.

프로세서(140)는 구형 차량의 데이터에 의하여 학습된 배터리 수명 모델(131)을 신형 차량의 데이터를 이용하여 다시 학습시킬 수 있다.

도 4는 일 실시예에 의한 수명 예측 장치에 포함된 배터리 수명 모델을 학습시키기 위한 구성을 도시한다. 도 5는 종래 기술에 의한 수명 예측 결과를 도시한다. 도 6는 도 4에 도시된 전이 학습에 의한 배터리 수명 모델의 수명 예측 결과를 도시한다.

도 4에 도시된 바와 같이 수명 예측 장치(100)는 배터리 데이터베이스(210), 학습 데이터 모듈(220), 셀 기반 학습 모듈(230), 전이 학습 모듈(240), 제1 팩 기반 학습 모듈(251) 및/또는 제2 팩 기반 학습 모듈(252)을 포함할 수 있다. 학습 데이터 모듈(220), 셀 기반 학습 모듈(230), 전이 학습 모듈(240), 제1 팩 기반 학습 모듈(251) 및/또는 제2 팩 기반 학습 모듈(252)은 소프트웨어이거나 또는 하드웨어일 수 있다.

배터리 데이터베이스(210)는 다양한 환경에 사용되는 배터리의 데이터들을 포함할 수 있다. 예를 들어, 배터리 데이터베이스(210)는 충방전 사이클 중의 배터리의 방전 전압, 방전 전류, 방전 주기, 깊은 방전 여부, 충전 전압, 충전 전류, 충전 주기 및 충전 횟수와, 충방전 사이클 후의 최대 출력 전압 등을 포함할 수 있다.

학습 데이터 모듈(220)은 셀 기반 학습 모듈(230), 제1 팩 기반 학습 모듈(251), 전이 학습 모듈(240), 및/또는 제2 팩 기반 학습 모듈(252) 각각에 적절한 학습 데이터를 제공할 수 있다.

예를 들어, 학습 데이터 모듈(220)은 셀 기반 학습 모듈(230)에는 제1 동작 환경에서 수집된 셀 데이터를 제공할 수 있으며, 전이 학습 모듈(240)에는 제2 동작 환경에서 수집된 셀 데이터를 제공할 수 있다. 또한, 학습 데이터 모듈(220)은 제1 팩 기반 학습 모듈(251)에는 제1 동작 환경에서 수집된 팩 데이터를 제공할 수 있으며, 제2 팩 기반 학습 모듈(252)에는 제2 동작 환경에서 수집된 팩 데이터를 제공할 수 있다.

셀 기반 학습 모듈(230)은 특정한 환경(예를 들어, 제1 동작 환경)에서 동작하는 셀 데이터에 의하여 배터리 수명 모델(131)을 학습시킬 수 있다. 예를 들어, 셀 기반 학습 모듈(230)은, 특정한 종류의 차량에서 특정한 종류의 구동 모터에 전력을 공급하는 배터리 셀 각각의 배터리 데이터를 이용하여, 배터리 수명 모델(131)을 학습시킬 수 있다.

셀 기반 학습 모듈(230)은 제1 셀 수명 모델을 학습시킬 수 있다. 제1 셀 수명 모델은 제1 동작 환경에 수집된 학습 데이터를 이용하여 학습된 배터리 수명 모델일 수 있다.

전이 학습 모듈(240)은 셀 기반 학습 모듈(230)에 의하여 특정한 환경의 학습 데이터를 이용하여 학습된 제1 셀 수명 모델을 다른 환경의 학습 데이터를 이용하여 다시 학습시킬 수 있다. 다시 말해, 전이 학습 모듈(240)은 다른 환경에서 수집된 학습 데이터를 이용하여 제1 셀 수명 모델을 학습시킬 수 있다.

예를 들어, 배터리 수명 모델을 학습시키기 위한 학습 데이터는 차량의 실 주행 중에 수집될 수 있다. 다시 말해, 다수의 사용자가 차량을 주행하는 동안, 차량은 학습 데이터를 수집하고, 수집된 학습 데이터를 수명 예측 장치(100)에 전송할 수 있다.

그로 인하여, 수명 예측 장치(100)는 현재 판매 중인 종류의 차량(특히 오랫동안 판매된 종류의 차량)에 포함된 배터리에 관한 많은 데이터를 수집할 수 있다. 또한, 현재 판매 중인 종류의 차량(특히 오랫동안 판매된 종류의 차량)에 포함된 배터리의 배터리 데이터를 이용하여 학습된 배터리 수명 모델(131)은 배터리의 수명을 보다 정확하게 예측할 수 있다.

반면, 아직 개발 중인 차량에 포함된 배터리에 관한 데이터는 적다. 개발 중인 차량에 포함된 배터리의 경우 단지 시험 중에서 데이터가 수집될 뿐이다. 따라서, 배터리 수명 모델(131)을 정확하게 학습시키기에는 데이터의 양이 부족할 수 있다.

전이 학습 모듈(240)은 이미 학습된 제1 셀 수명 모델을 다른 차량(예를 들어, 개발 중인 차량)에 전용하기 위하여 제1 셀 수명 모델을 추가 학습시킬 수 있다. 전이 학습 모듈(240)은 추가 학습된 제2 셀 수명 모델을 출력할 수 있다.

앞서 설명된 바와 같이, 배터리 수명 모델은 LSTM 부분과 FC 부분을 포함할 수 있다. 배터리 수명 모델(131)은 다음의 수학식과 같이 정의될 수 있다.

[수학식 8]

여기서, Y는 학습된 배터리 수명 모델의 출력을 나타내며, X_A는 제1 동작 환경에 수집된 입력 데이터를 나타내며, f_LSTM(.)은 학습된 배터리 수명 모델의 LSTM 부분을 나타내며, f_FC(.)는 학습된 배터리 수명 모델의 FC 부분을 나타낼 수 있다.

LSTM 부분에는 일반적인 배터리 셀의 용량 감소 패턴이 반영되며, FC 부분에는 특정한 동작 환경에서의 배터리 셀의 용량 감소 패턴이 반영될 수 있다. 다시 말해, 배터리 데이터 중에 일반적인 배터리 셀의 용량 감소 패턴을 나타내는 데이터는 LSTM 부분의 학습에 영향을 미치고, 특정한 동작 환경에서의 배터리 셀의 용량 감소 패턴을 나타내는 데이터는 FC 부분의 학습에 영향을 미칠 수 있다.

따라서, 특정한 환경의 데이터에 의하여 학습된 배터리 수명 모델의 LSTM 부분은 다양한 환경에서 배터리의 수명을 예측하기 위하여 이용될 수 있다.

전이 학습 모듈(240)은, LSTM 부분과 FC 부분을 포함하는 배터리 수명 모델의 특징을 이용하여, 배터리 수명 모델의 LSTM 부분을 전용하고 배터리 수명 모델의 FC 부분을 다른 환경에서 수집된 데이터를 이용하여 새롭게 학습시킬 수 있다.

예를 들어, 전이 학습 모듈(240)은 학습된 배터리 수명 모델의 LSTM 부분 f_LSTM(.)의 학습 없이 학습된 배터리 수명 모델의 FC 부분 f_FC(.)을 학습시킬 수 있다. 구체적으로, 학습된 배터리 수명 모델의 LSTM 부분 f_LSTM(.)에 포함된 가중치(W)와 바이어스(b)는 제1 동작 환경(예를 들어, 이미 판매 중인 종류의 차량)에서 수집된 데이터에 의하여 학습된 값을 유지할 수 있다. 또한, 배터리 수명 모델의 FC 부분 f_FC(.)에 포함된 가중치(W)와 바이어스(b)는 제2 동작 환경(예를 들어, 현재 개발 중인 종류의 차량)에서 수집된 데이터에 의하여 새롭게 학습될 수 있다.

배터리 수명 모델의 FC 부분 f_FC(.)을 제2 동작 환경에서 수집된 데이터에 의하여 새롭게 학습함으로써, 제2 동작 환경에서의 배터리 수명 모델의 수명 예측 성능이 향상될 수 있다.

예를 들어, 전이 학습 없이 제1 셀 수명 모델을 이용하여 제2 동작 환경에서 배터리의 수명을 예측하는 경우, 도 5에 도시된 바와 같이 제1 셀 수명 모델에 의하여 예측된 배터리의 수명(미리 정해진 사이클 이후의 최대 출력 전압)과 실측된 배터리의 수명 사이의 차이가 크다. 반면, 전이 학습된 제2 셀 수명 모델을 이용하여 제2 동작 환경에서 배터리 수명을 예측하는 경우, 도 6에 도시된 바와 같이 제2 셀 수명 모델에 의하여 예측된 배터리의 수명(미리 정해진 사이클 이후의 최대 출력 전압)과 실측된 배터리의 수명 사이의 차이가 의미 있게 감소된다.

제1 팩 기반 학습 모듈(251)은 셀 데이터에 대응한 제1 셀 수명 모델의 출력 데이터와 제1 동작 환경에서 수집된 팩 데이터를 이용하여 배터리 팩 기반의 제1 팩 수명 모델을 학습시킬 수 있다.

차량의 배터리는 복수의 배터리 셀들을 포함하는 배터리 팩으로 동작할 수 있다. 다시 말해, 서로 간에 직렬로 연결된 복수의 배터리 셀들은 배터리 팩을 형성할 수 있으며, 배터리 팩은 차량의 구동 모터 등에 전력을 제공할 수 있다. 보통은 차량의 구동 모터에는 높은 토크를 생성하기 위하여 높은 전압의 전력이 요구된다. 반면, 배터리 셀 각각은 보통 낮은 전압을 출력할 수 있다. 예를 들어, 전기 차량용 배터리로 널리 이용되는 리튬이온 배터리 셀들은 대략 3.7V의 공칭 전압을 가지는 전력을 출력하는 것이 알려져 있다. 100개의 리튬이온 터리 셀들이 직렬로 연결된 배터리는 대략 370V의 공칭 전압을 가지는 전력을 출력할 수 있다.

이때, 배터리 팩의 수명은 배터리 셀들의 수명의 단순 합으로 정의되기 어렵다. 예를 들어, 배터리 셀들 사이의 전압 편차, 배터리 셀들 사이의 노화 편차 등으로 인하여, 배터리 팩의 수명은 배터리 셀들의 수명과 선형적인 관계를 가지지 아니할 수 있다.

제1 팩 기반 학습 모듈(251)은 제1 동작 환경에서 수집된 팩 데이터를 이용하여 제1 셀 수명 모델을 제1 팩 수명 모델로 변환할 수 있다.

예를 들어, 복수의 배터리 셀들의 수명의 예측은 다음의 수학식과 같이 정의될 수 있다.

[수학식 9]

여기서, Y(S)는 학습된 배터리 수명 모델의 출력을 나타내며, X(s)는 제1 동작 환경에 수집된 입력 데이터들을 나타내며, f_LSTM(.)은 학습된 배터리 수명 모델의 LSTM 부분을 나타내며, f_FC(.)는 학습된 배터리 수명 모델의 FC 부분을 나타낼 수 있다.

배터리 팩의 수명은 다음의 수학식에 의하여 정의될 수 있다.

[수학식 9]

여기서, Y는 배터리 팩의 수명을 나타내는 데이터(예를 들어, 미리 정해진 충방전 사이클 후의 배터리 팩의 최대 출력 전압)를 나타내며, W(s)는 배터리 셀들의 가중치를 나타내며, Y(s)는 배터리 셀들 각각의 수명을 나타내는 데이터(예를 들어, 미리 정해진 충방전 사이클 후의 배터리 셀의 최대 출력 전압)를 나타낼 수 있다. W(s)는 제1 팩 기반 학습 모듈(251)에 입력된 제1 셀 수명 모델의 출력 간의 편차로부터 학습될 수 있다.

제1 팩 수명 모델은 다음과 같은 수학식에 의하여 정의될 수 있다.

[수학식 10]

여기서, W(s)는 배터리 셀들의 가중치를 나타내며, X(s)는 배터리 셀들 각각에서 수집된 복수의 데이터들을 나타내며, g(.)는 제1 팩 수명 모델을 나타낼 수 있다.

예를 들어, g(.)은 기본적인 기계학습 방법인 Gaussian process (GP)를 포함할 수 있다. 다만, 이에 한정되지 아니하며, g(.)은 뉴럴 네트워크 등 다양한 기계 학습 알고리즘을 포함할 수 있다.

제1 팩 기반 학습 모듈(251)은 제1 동작 환경에서 수집된 셀 데이터와 팩 데이터를 이용하여 제1 팩 수명 모델을 학습시킬 수 있다. 제1 팩 기반 학습 모듈(251)은 제1 동작 환경에서 수집된 셀 데이터를 제1 셀 수명 모델에 입력하고, 제1 셀 수명 모델로부터 배터리 셀들 각각의 수명에 관한 데이터를 획득할 수 있다. 이후, 제1 팩 기반 학습 모듈(251)은 배터리 셀들 각각의 수명에 관한 데이터와 제1 동작 환경에서 수집된 팩 데이터를 이용하여 제1 팩 수명 모델을 학습시킬 수 있다.

제1 팩 기반 학습 모듈(251)은 배터리 셀들 각각의 수명에 관한 데이터를 제1 팩 수명 모델에 입력하고, 제1 팩 수명 모델의 출력 데이터와 제1 동작 환경에서 수집된 팩 데이터 사이의 오차가 최소화되도록 가중치 W(s)를 산출할 수 있다. 반복적인 학습에 의하여 가중치 W(s)는 학습 데이터의 입력 데이터와 출력 데이터 사이의 관련성을 나타내기 위한 값(또는 벡터)으로 점차적으로 수정될 수 있다.

수명 예측 장치(100)는 제1 셀 수명 모델과 제1 팩 수명 모델을 이용하여, 제1 동작 환경에서 동작하는 배터리 팩의 수명(예를 들어, 미리 정해진 충방전 사이클 이후의 최대 출력 전압)을 예측할 수 있다.

제2 팩 기반 학습 모듈(252)은 셀 데이터에 대응한 제2 셀 수명 모델의 출력 데이터와 팩 데이터를 이용하여 제2 팩 수명 모델을 학습시킬 수 있다. 예를 들어, 제2 팩 기반 학습 모듈(252)은 제2 동작 환경에서 수집된 셀 데이터를 제2 셀 수명 모델에 입력하고, 제2 셀 수명 모델로부터 배터리 셀들 각각의 수명에 관한 데이터를 획득할 수 있다. 이후, 제2 팩 기반 학습 모듈(252)은 배터리 셀들 각각의 수명에 관한 데이터와 제2 동작 환경에서 수집된 팩 데이터를 이용하여 제2 팩 수명 모델을 학습시킬 수 있다.

제2 팩 기반 학습 모듈(252)은 배터리 셀들 각각의 수명에 관한 데이터를 제2 팩 수명 모델에 입력하고, 제2 팩 수명 모델의 출력 데이터와 제2 동작 환경에서 수집된 팩 데이터 사이의 오차가 최소화되도록 가중치 W(s)를 산출할 수 있다. 반복적인 학습에 의하여 가중치 W(s)는 학습 데이터의 입력 데이터와 출력 데이터 사이의 관련성을 나타내기 위한 값(또는 벡터)으로 점차적으로 수정될 수 있다.

수명 예측 장치(100)는 전이 학습 모듈(230)에 의하여 전이 학습된 제2 셀 수명 모델과 제2 팩 수명 모델을 이용하여, 제2 동작 환경(예를 들어, 아직 판매되지 아니한 신종의 차량)에서 동작하는 배터리 팩의 수명(예를 들어, 미리 정해진 충방전 사이클 이후의 최대 출력 전압)을 예측할 수 있다.

이상에서 설명된 바와 같이, 배터리의 수명 예측 장치(100)는 특정한 환경의 배터리 데이터를 이용하여 학습된 학습 모델을 다른 환경의 배터리 데이터를 이용하여 다시 학습시킬 수 있다. 그에 의하여, 수명 예측 장치(100)는 학습 데이터가 충분하지 못한 신종의 차량에 설치되는 배터리의 수명을 예측할 수 있으며, 새로운 수명 예측 모델을 학습하기 위한 데이터 및 시간을 절약할 수 있다.

도 7은 일 실시예에 의한 수명 예측 장치에 포함된 배터리 수명 모델을 학습시키기 위한 구성의 다른 예를 도시한다.

도 7에 도시된 바와 같이, 수명 예측 장치(100)는, 배터리 데이터베이스(210), 학습 데이터 모듈(220), 셀 기반 학습 모듈(230), 전이 학습 모듈(240) 및/또는 팩 기반 학습 모듈(250)을 포함할 수 있다. 학습 데이터 모듈(220), 셀 기반 학습 모듈(230),전이 학습 모듈(240), 및/또는 팩 기반 학습 모듈(250)은 소프트웨어이거나 또는 하드웨어일 수 있다. 배터리 데이터베이스(210), 학습 데이터 모듈(220), 셀 기반 학습 모듈(230) 및 전이 학습 모듈(240)은 도 4에 도시된 배터리 데이터베이스, 학습 데이터 모듈, 셀 기반 학습 모듈 및 전이 학습 모듈과 동일할 수 있다.

팩 기반 학습 모듈(250)은 제1 동작 환경에서 수집된 팩 데이터를 이용하여 팩 수명 모델을 학습시킬 수 있다.

예를 들어, 셀 기반 학습 모듈(230)은 제1 동작 환경에서 수집된 다수의 셀 데이터를 이용하여 제1 셀 수명 모델을 학습시킬 수 있다. 전이 학습 모듈(240)은 제2 동작 환경에서 수집된 소수의 셀 데이터를 이용하여 제1 셀 수명 모델을 제2 셀 수명 모델로 전이 학습시킬 수 있다. 팩 기반 학습 모듈(250)은 제1 동작 환경의 셀 데이터에 대응한 제1 셀 수명 모델의 출력 데이터와 제1 동작 환경에 수집된 소수의 팩 데이터를 이용하여 팩 수명 모델을 학습시킬 수 있다.

앞서 설명된 바와 같이, 배터리 셀의 수명과 배터리 팩의 수명 사이의 비선형성은 동작 환경에 기인한 것이라 보다 오히려 배터리 셀들 사이의 편차(예를 들어, 충전 전압 또는 노화 정도 등)에 기인할 수 있다. 따라서, 제1 동작 환경에 수집된 배터리 데이터에 이용하여 학습된 팩 수명 모델은 제2 동작 환경에서 동작하는 배터리 팩의 수명을 예측하는데 이용될 수 있다.

구체적으로, 제1 동작 환경에 수집된 배터리 데이터(예를 들어, 셀 데이터 및 팩 데이터)를 이용하여 학습된 팩 수명 모델은, 제1 동작 환경에서 동작하는 배터리 팩의 수명을 예측할 수 있을 뿐만 아니라, 제2 동작 환경에서 동작하는 배터리 팩의 수명을 예측하는데 이용될 수 있다.

수명 예측 장치(100)는 제1 셀 수명 모델과 팩 수명 모델을 이용하여 제1 동작 환경에서 동작하는 배터리 팩의 수명을 예측할 수 있으며, 또한 제2 셀 수명 모델과 팩 수명 모델을 이용하여 제2 동작 환경에서 동작하는 배터리 팩의 수명을 예측할 수 있다.

이상에서 설명된 바와 같이, 배터리의 수명 예측 장치(100)는 특정한 동작 환경에서 학습된 팩 수명 모델을 다양하는 동작 환경에서 동작하는 배터리의 수명을 예측하기 위하여 이용할 수 있다. 그로 인하여, 팩 수명 모델을 별로도 학습하기 위하여 데이터 및 시간을 절약할 수 있다.

도 8은 일 실시예에 의한 수명 예측 장치에 포함된 배터리 수명 모델을 학습시키기 위한 구성의 다른 예를 도시한다.

도 8에 도시된 바와 같이, 수명 예측 장치(100)는, 배터리 데이터베이스(210), 학습 데이터 모듈(220), 제1 셀 기반 학습 모듈(231), 제2 셀 기반 학습 모듈(232), 전이 학습 모듈(240) 및/또는 팩 기반 학습 모듈(250)을 포함할 수 있다. 학습 데이터 모듈(220), 제1 셀 기반 학습 모듈(231), 제2 셀 기반 학습 모듈(232), 전이 학습 모듈(240), 및/또는 팩 기반 학습 모듈(250)은 소프트웨어이거나 또는 하드웨어일 수 있다. 배터리 데이터베이스(210) 및 학습 데이터 모듈(220)은 도 4에 도시된 배터리 데이터베이스 및 학습 데이터 모듈과 동일할 수 있다.

제1 셀 기반 학습 모듈(231)은 제1 동작 환경에서 수집된 제1 셀 데이터를 이용하여 제1 셀 수명 모델을 학습시킬 수 있다. 또한, 제2 셀 기반 학습 모듈(232)은 제2 동작 환경에서 수집된 제2 셀 데이터를 이용하여 제2 셀 수명 모델을 학습시킬 수 있다.

전이 학습 모듈(240)은 제3 동작 환경에서 수집된 제3 셀 데이터를 이용하여 제1 셀 수명 모델 및/또는 제2 셀 수명 모델을 제3 수명 모델로 변환시킬 수 있다. 다시 말해, 전이 학습 모듈(240)은 제3 셀 데이터를 이용하여 제1 셀 수명 모델을 다시 학습시킴으로써 제3 셀 수명 모델을 출력하거나 또는 제3 셀 데이터를 이용하여 제2 셀 수명 모델을 다시 학습시킴으로써 제3 셀 수명 모델을 출력할 수 있다.

팩 기반 학습 모듈(250)은 제1 동작 환경에서 수집된 제1 팩 데이터 및/또는 제2 동작 환경에서 수집된 제2 팩 데이터를 이용하여 팩 수명 모델을 학습시킬 수 있다.

예를 들어, 제1 셀 기반 학습 모듈(231)은 제1 동작 환경에서 수집된 다수의 셀 데이터를 이용하여 제1 셀 수명 모델을 학습시킬 수 있다. 제2 셀 기반 학습 모듈(232)은 제2 동작 환경에 수집된 다수의 셀 데이터를 이용하여 제2 셀 수명 모델을 학습시킬 수 있다. 전이 학습 모듈(240)은 제3 동작 환경에 수집된 소수의 셀 데이터를 이용하여 제1 셀 수명 모델 또는 제3 셀 수명 모델을 제3 셀 수명 모델로 전이 학습시킬 수 있다. 팩 기반 학습 모듈(250)은 제1 동작 환경에서 수집된 소수의 제1 팩 데이터 및/또는 제2 동작 환경에서 수집된 소수의 제2 팩 데이터를 이용하여 팩 수명 모델을 학습시킬 수 있다.

제1 팩 데이터 및/또는 제2 팩 데이터를 이용하여 학습된 팩 수명 모델은, 제3 동작 환경에서 동작하는 배터리 팩의 수명을 예측하는데 이용될 수 있다.

수명 예측 장치(100)는 제1 팩 데이터 및/또는 제2 팩 데이터를 이용하여 학습된 팩 수명 모델을 이용하여 제3 동작 환경에서 동작하는 배터리 팩의 수명을 예측할 수 있다.

도 9는 일 실시예에 의한 수명 모델을 포함하는 차량의 일 예를 도시한다. 도 10는 일 실시예에 의한 수명 예측 장치를 포함하는 서버와 차량의 일 예를 도시한다.

도 9에 도시된 바와 같이, 차량(1)은 배터리(10), 배터리 센서(20), 충전 회로(30), 유저 인터페이스(40), 통신 인터페이스(50), 스토리지(130) 및 프로세서(140)를 포함할 수 있다. 차량(1)은 수명 예측 장치(100)에 의하여 학습된 배터리 수명 모델을 포함할 수 있다.

배터리(10)는 전기 에너지를 저장할 수 있으며, 차량(1)의 부하에 전력을 공급할 수 있다.

배터리 센서(20)는 배터리(10)의 출력(출력 전압, 출력 전류 등)을 검출할 수 있다. 또한, 배터리 센서(20)는 배터리(10)의 충전 상태를 나타내는 배터리 데이터를 출력할 수 있다. 예를 들어, 배터리 센서(20)는 배터리(10)의 출력 전압, 출력 전류 및 온도 등에 기초하여 배터리(10)의 충전율(State of Charge, SoC)을 판단할 수 있다. 배터리(10)의 충전율은 배터리(10)에 전기 에너지가 저장된 정도를 나타낼 수 있다. 충전율은 일반적으로 0~100%의 값을 가지며, 깊은 방전 상태(0%)와 완전 충전율(100%) 사이에서 배터리(10)가 충전된 정도를 나타낼 수 있다. 제1 배터리(120)의 충전율은 배터리(10)의 개방 회로 전압(Open Circuit Voltage, OCV) 및 제1 배터리(20)의 입출력 전류에 기초하여 산출될 수 있다.

배터리 센서(20)는 프로세서(140)와 전기적으로 연결될 수 있으며, 배터리(10)의 배터리 데이터를 프로세서(140)에 제공할 수 있다.

충전 회로(30)는 프로세서(140)의 제어 명령에 따라 외부 전원으로부터 배터리(10)를 충전하는 것을 허용하거나 또는 배터리(10)를 충전하는 것을 차단할 수 있다. 또한, 충전 회로(30)는 프로세서(140)의 제어 명령에 따라 배터리(10)를 충전하기 위한 충전 전압 및/또는 충전 전류를 제어할 수 있다.

유저 인터페이스(40)는 사용자의 사용자 입력을 획득하고 사용자 입력에 응답한 영사 정보를 표시할 수 있다. 예를 들어, 유저 인터페이스(40)는 터치 스크린을 포함할 수 있다. 터치 스크린은 사용자의 터치 입력을 감지하고, 감지된 터치 입력에 응답한 영상 정보를 표시할 수 있다.

통신 인터페이스(50)는 외부 장치와 통신할 수 있다. 예를 들어, 통신 인터페이스(50)는 무선으로 외부 장치와 통신 신호를 주고 받을 수 있다. 통신 인터페이스(50)는 기지국(base station) 또는 액세스 포인트(AP)와 무선으로 통신할 수 있으며, 기지국 또는 액세스 포인트를 통하여 유선 통신망에 접속할 수 있다. 통신 인터페이스(50)는 또한 기지국 또는 액세스 포인트를 거쳐 유선 통신망에 접속된 외부 장치들과 통신할 수 있다. 예를 들어, 통신 인터페이스(50)는 와이파이(WiFi™, IEEE 802.11 기술 표준)을 이용하여 액세스 포인트(AP)와 무선으로 통신하거나, CDMA, WCDMA, GSM, LET(Long Term Evolution), 와이브로 등을 이용하여 기지국과 통신할 수 있다. 통신 인터페이스(50)는 또한 기지국 또는 액세스 포인트를 거쳐 외부 장치들로부터 데이터를 수신할 수 있다.

스토리지(130)는 차량(1)의 동작을 제어하기 위한 프로그램 및/또는 데이터를 저장할 수 있다.

스토리지(130)는 수명 예측 장치(100)에 의하여 학습된 수명 모델을 저장할 수 있다. 수명 모델은 셀 수명 모델과 팩 수명 모델을 포함할 수 있다. 수명 모델은 배터리(10)에 포함된 배터리 셀에서 수집된 셀 데이터에 기초하여 배터리(10)의 수명(예를 들어, 미리 정해진 충방전 사이클 이후의 최대 출력 전압 등)을 예측할 수 있다.

프로세서(140)는 스토리지(130)에 저장된 수명 모델을 이용하여 배터리(10)의 수명을 예측하고, 예측된 수명에 의존하여 차량(1)의 동작을 제어할 수 있다.

프로세서(140)는 수명 모델 및 배터리 데이터를 임시로 기억하는 메모리(141)를 포함할 수 있다. 프로세서(140)와 메모리(141)는 별도의 반도체 소자로 구현되거나, 단일의 반도체 소자로 구현될 수 있다.

메모리(141)는 S-램(Static Random Access Memory, S-RAM), D-램(Dynamic Random Access Memory, D-RAM) 등의 휘발성 메모리와, 롬(Read Only Memory: ROM), 이피롬(Erasable Programmable Read Only Memory: EPROM) 등의 비휘발성 메모리를 포함할 수 있다. 메모리(141)는 단일 메모리 소자를 포함하거나 또는 복수의 메모리 소자를 포함할 수 있다.

프로세서(140)는 마이크로프로세서, 마이크로컨트롤러, 주문형 반도체 소자(application specific integrated circuit, ASIC), 또는 필드 프로그래머블 게이트 어레이(field programmable gate array, FPGA)를 포함할 수 있다. 프로세서(140)는 단일 프로세서를 포함하거나 또는 복수의 프로세서를 포함할 수 있다.

프로세서(140)는 배터리 센서(20)로부터 셀 데이터를 포함하는 배터리 데이터를 수신할 수 있다. 프로세서(140)는 메모리(141)에 기억된 수명 모델에 배터리 데이터를 입력하고, 수명 모델의 출력 데이터를 획득할 수 있다. 프로세서(140)는 수명 모델의 출력 데이터에 기초하여 배터리(10)의 수명(예를 들어, 미리 정해진 충방전 사이클 이후의 최대 출력 전압 등)을 예측할 수 있다.

프로세서(140)는 배터리(10)의 수명이 기준 값보다 작으면 유저 인터페이스(40)를 통하여 배터리(10)의 노후화를 나타내는 영상 메시지를 표시하거나 또는 음성 메시지를 출력할 수 있다.

또한, 프로세서(140)는 배터리(10)의 수명이 기준 값보다 작으면 배터리(10)를 충전하기 위한 충전 전압 및/또는 충전 전류를 제한하도록 충전 회로(30)를 제어할 수 있다.

프로세서(140)는 보다 정확히 배터리(10)의 수명을 예측하기 위하여 도 10에 도시된 바와 같이 서버(2)에 배터리 데이터를 전송하도록 통신 인터페이스(50)를 제어할 수 있다.

서버(2)는 보다 정확한 수명 예측을 위한 수명 모델을 포함할 수 있다. 예를 들어, 서버(2)의 수명 모델은 차량(1)의 수명 모델보다 더 많은 히든 레이어를 포함할 수 있다. 그에 의하여, 서버(2)의 수명 모델은 차량(1)의 수명 모델보다 더 정확하게 배터리(10)의 수명을 예측할 수 있다.

서버(2)는 차량(1)으로부터 수신된 배터리 데이터에 기초하여 차량(1)의 배터리(10)의 수명을 예측할 수 있으며, 예측된 수명에 대응하는 데이터를 차량(1)에 전송할 수 있다. 차량(1)는 서버(2)로부터 데이터를 수신하고, 차량(1)의 수명을 식별할 수 있다.

뿐만 아니라, 서버(2)는 차량(1)으로부터 수신된 배터리(10)의 배터리 데이터에 기초하여 수명 모델을 추가 학습시킬 수 있다. 이처럼, 수명 모델을 추가 학습시킴으로써, 서버(2)는 수명 모델의 수명 예측 정확성을 향상시킬 수 있다.

이상에서 설명된 바와 같이, 차량(1)는 수명 모델을 이용하여 배터리(10)의 수명을 예측하고, 예측된 수명에 따라 사용자에게 메시지를 표시하거나 또는 충전 회로(30)를 제어할 수 있다.

이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 발명이 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.

1: 차량 2: 서버
10: 배터리 20: 배터리 센서
30: 충전 회로 40: 유저 인터페이스
50: 통신 인터페이스 100: 수명 예측 장치
110: 입력 인터페이스 120: 출력 인터페이스
130: 스토리지 131: 배터리 수명 모델
132: 학습 데이터 133: 학습 모듈
140: 프로세서 141: 메모리
210: 배터리 데이터베이스 220: 학습 데이터 모듈
230: 셀 기반 학습 모듈 231: 제1 셀 기반 학습 모듈
232: 제2 셀 기반 학습 모듈 240: 전이 학습 모듈
250: 팩 기반 학습 모듈 251: 제1 팩 기반 학습 모듈
252: 제2 팩 기반 학습 모듈

Claims (17)

1. 디스플레이;
   배터리;
   상기 배터리의 배터리 데이터를 획득하는 배터리 센서;
   상기 배터리 데이터에 대응하는 배터리 수명 모델의 출력을 획득하고, 상기 배터리 수명 모델의 출력에 기초하여 상기 배터리의 수명 값을 예측하고, 상기 배터리의 수명 값이 미리 정해진 값 이하인 것에 기초하여 상기 디스플레이에 상기 배터리의 교체를 추천하는 메시지를 표시하는 프로세서를 포함하고,
   상기 배터리 수명 모델은,
   제1 동작 환경에서 수집된 제1 배터리 셀 데이터를 이용하여 학습된 기본 수명 모델을 제2 동작 환경에서 수집된 제2 배터리 셀 데이터를 이용하여 전이 학습함으로써 제공되는 셀 수명 모델; 및
   상기 제1 동작 환경에서 수집된 배터리 팩 데이터를 이용하여 학습된 팩 수명 모델을 포함하는 차량.
2. 제1항에 있어서, 상기 배터리의 수명 값은,
   미리 정해진 충전 및 방전 사이클 이후 예측되는 상기 배터리의 최대 출력 전압을 포함하는 차량.
3. 제1항에 있어서, 상기 셀 수명 모델은,
   LSTM (long short term memory model) 및 FC (Fully connected) 레이어를 포함하는 차량.
4. 제3항에 있어서, 상기 LSTM 및 상기 FC 레이어는,
   제1 동작 환경에서 수집된 제1 배터리 셀 데이터를 이용하여 학습되는 차량.
5. 제4항에 있어서, 상기 학습된 FC 레이어는,
   상기 제2 동작 환경에서 수집된 제2 배터리 셀 데이터를 이용하여 학습되는 차량.
6. 제1항에 있어서, 상기 차량은,
   상기 배터리를 충전하는 충전 회로를 더 포함하고,
   상기 프로세서는,
   상기 배터리의 수명 값이 미리 정해진 값 이하인 것에 기초하여 상기 배터리를 충전하는 충전 전류를 제한하도록 상기 충전 전류를 제어하는 차량.
7. 제1항에 있어서, 상기 차량은,
   외부 장치와 통신하는 통신 인터페이스를 더 포함하고,
   상기 프로세서는,
   상기 외부 장치에 상기 배터리 데이터를 전송하고,
   상기 외부 장치로부터 상기 배터리 수명 모델의 출력을 수신하는 차량.
8. 제1 배터리 데이터를 저장하는 스토리지;
   차량으로부터 제2 배터리 데이터를 획득하는 입력 인터페이스;
   상기 제1 베터리 데이터를 이용하여, 배터리의 수명을 예측하기 위한 배터리 수명 모델을 학습시키고, 상기 제2 배터리 데이터에 대응하는 상기 학습된 배터리 수명 모델의 출력을 획득하고, 상기 배터리 수명 모델의 출력에 기초하여 상기 배터리의 수명 값을 예측하는 프로세서;
   상기 프로세서에 의하여 예측된 상기 배터리의 수명 값을 상기 차량에 전송하는 출력 인터페이스를 포함하고,
   상기 프로세서는,
   제1 동작 환경에서 수집된 제1 배터리 셀 데이터를 이용하여 기본 수명 모델을 학습시키는 셀 기반 학습 모듈;
   제2 동작 환경에서 수집된 제2 배터리 셀 데이터를 이용하여 상기 기본 수명 모델을 셀 수명 모델로 전이 학습시키는 전이 학습 모델; 및
   상기 전이 학습 모델의 출력 및 상기 제1 동작 환경에서 수집된 배터리 팩 데이터를 이용하여 팩 수명 모델을 학습시키는 팩 기반 학습 모델을 포함하는 배터리 수명 예측 장치.
9. 제8항에 있어서, 상기 배터리의 수명 값은,
   미리 정해진 충전 및 방전 사이클 이후 예측되는 상기 배터리의 최대 출력 전압을 포함하는 배터리 수명 예측 장치.
10. 제8항에 있어서, 상기 셀 수명 모델은,
    LSTM (long short term memory model) 및 FC (Fully connected) 레이어를 포함하는 배터리 수명 예측 장치.
11. 제10항에 있어서, 상기 셀 기반 학습 모듈은,
    제1 동작 환경에서 수집된 제1 배터리 셀 데이터를 이용하여 상기 LSTM 및 상기 FC 레이어를 학습시키는 배터리 수명 예측 장치.
12. 제11항에 있어서, 상기 프로세서는,
    상기 제2 동작 환경에서 수집된 제2 배터리 셀 데이터를 이용하여 상기 학습된 FC 레이어를 학습시키는 전이 학습 모듈을 포함하는 배터리 수명 예측 장치.
13. 제1 배터리 데이터를 저장하고;
    차량으로부터 제2 배터리 데이터를 획득하고;
    상기 제1 베터리 데이터를 이용하여, 배터리의 수명을 예측하기 위한 배터리 수명 모델을 학습시키고;
    상기 제2 배터리 데이터에 대응하는 상기 학습된 배터리 수명 모델의 출력을 획득하고;
    상기 배터리 수명 모델의 출력에 기초하여 상기 배터리의 수명 값을 예측하고;
    상기 배터리의 예측된 수명 값을 상기 차량에 전송하는 것을 포함하고,
    상기 배터리 수명 모델을 학습시키는 것은,
    제1 동작 환경에서 수집된 제1 배터리 셀 데이터를 이용하여 기본 수명 모델을 학습시키고,
    제2 동작 환경에서 수집된 제2 배터리 셀 데이터를 이용하여 상기 기본 수명 모델을 셀 수명 모델로 전이 학습시키고,
    상기 전이 학습 모델의 출력 및 상기 제1 동작 환경에서 수집된 배터리 팩 데이터를 이용하여 팩 수명 모델을 학습시키는 것을 포함하는 배터리 수명 예측 방법.
14. 제13항에 있어서, 상기 배터리의 수명 값은,
    미리 정해진 충전 및 방전 사이클 이후 예측되는 상기 배터리의 최대 출력 전압을 포함하는 배터리 수명 예측 방법.
15. 제13항에 있어서, 상기 셀 수명 모델은,
    LSTM (long short term memory model) 및 FC (Fully connected) 레이어를 포함하는 배터리 수명 예측 방법.
16. 제15항에 있어서, 상기 셀 기반 학습 모듈은,
    제1 동작 환경에서 수집된 제1 배터리 셀 데이터를 이용하여 상기 LSTM 및 상기 FC 레이어를 학습시키는 배터리 수명 예측 방법.
17. 제16항에 있어서, 상기 배터리 수명 모델을 학습시키는 것은,
    상기 제2 동작 환경에서 수집된 제2 배터리 셀 데이터를 이용하여 상기 학습된 FC 레이어를 전이 학습시키는 것을 더 포함하는 배터리 수명 예측 방법.

Images