KR20230171126A - 이차전지 수명 분석방법 및 장치 - Google Patents

이차전지 수명 분석방법 및 장치 Download PDF

Info

Publication number
KR20230171126A
KR20230171126A KR1020220071294A KR20220071294A KR20230171126A KR 20230171126 A KR20230171126 A KR 20230171126A KR 1020220071294 A KR1020220071294 A KR 1020220071294A KR 20220071294 A KR20220071294 A KR 20220071294A KR 20230171126 A KR20230171126 A KR 20230171126A
Authority
KR
South Korea
Prior art keywords
secondary battery
information
analysis
analysis model
learning
Prior art date
Application number
KR1020220071294A
Other languages
English (en)
Inventor
최정일
김성윤
이민호
Original Assignee
연세대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020220071294A priority Critical patent/KR20230171126A/ko
Publication of KR20230171126A publication Critical patent/KR20230171126A/ko

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/05—Accumulators with non-aqueous electrolyte
    • H01M10/052—Li-accumulators
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte

Landscapes

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

Abstract

이차전지의 수명을 분석하는 분석모델을 포함하는 분석장치의 수명분석 방법은 분석장치가 이차전지에 대한 정보를 획득하는 단계; 획득한 상기 이차전지에 대한 정보를 기초로 상기 분석모델의 연속학습 여부를 판단하고 상기 분석모델을 연속학습시키는 단계; 상기 분석장치가 상기 입력받은 이차전지에 대한 정보를 상기 연속학습 시킬지 여부가 판단된 분석모델에 입력하는 단계; 및 상기 분석장치가 상기 분석모델이 출력하는 값을 기준으로 상기 이차전지의 수명에 대한 정보를 분석하는 단계;를 포함한다.

Description

이차전지 수명 분석방법 및 장치{Method and Device for analyzing of secondary battery life}
이하 설명하는 기술은 분석모델을 이용해서 이차전지의 수명에 대한 정보를 분석하는 장치 및 방법에 대한 것이다.
최근들어 전자장비가 다양해짐에 따라, 이차전지의 사용이 점차 늘어나고 있는 추세이다. 특히 이차전지 중에서도 리튬이온 배터리의 사용이 점차 늘어나고 있다.
이차전지는 특정 횟수 이상 사용시 이차전지의 사용가능 용량이 급격히 줄어들게 되어 오래 사용하는데 어려웠으며 교체비용이 발생하였다. 이에 이차전지의 용량이 감소함에 따라 그 수명이 어느 정도가 될 것인지 파악하기 위한 기술개발이 필요하다.
한국 특허출원 : 10-2020-0091415
이차전지의 용량감소를 딥러닝을 이용한 인공지능 방식으로 예측하려는 기술들이 개발되고 있다. 다만 이차전지의 용량감소는 균일하지 않는 주위 환경, 사용된 이차전지의 종류, 초기불량여부등 다양한 요소들이 관여한다. 이러한 다양한 변수 때문에 배터리 용량감소를 예측하는 것은 매우 복잡하다.
딥러닝을 이용하여 이차전지의 수명을 분석하는 기존의 모델들은 기존에 존재하는 데이터만을 이용하여 모델을 구축하였기에, 그 이차전지의 작동조건에 변화가 있는 데이터가 있는 경우 이를 고려할 수 없어 수명 등을 잘 예측하지 못하였다. 예를 들어 사막에서 사용된 이차전지 관련 정보를 이용해 만든 모델은 사막에서 사용된 이차전지의 수명을 잘 예측할 수는 있으나, 이와는 작동환경이 다른 도시에서 사용된 이차전지의 수명을 잘 예측할 수 없었다.
이를 해결하기 위해서 기존의 모델을 기존 학습에 필요한 데이터와 새로이 입력받은 데이터을 함께 이용해 완전히 다시 학습시키는 방법이 있었으나 이러한 경우 재학습에 필요한 계산비용이 매우 높으며, 새로운 데이터(Target data)에 대해 새롭게 학습되어 과거의 데이터(Source Data)에 대한 정보를 완전히 잊어버리는 파괴적망각(Catastrophic forgetting)현상이 발생할 수 있었다.
이하 설명하는 기존 학습모델을 구축하는데 이용된 데이터 셋(set)과 이차전자의 종류나 작동조건이 다른 새로운 데이터 셋(set)이 유입되는 경우에도 연속학습(continual learning)방법을 이용해 기존의 모델을 이용하면서도 새로운 데이터를 이용하여 다시 학습할 수 있는 방법을 제공한다.
이차전지의 수명을 분석하는 분석모델을 포함하는 분석장치의 수명분석 방법은 분석장치가 이차전지에 대한 정보를 획득하는 단계; 획득한 상기 이차전지에 대한 정보를 기초로 상기 분석모델의 연속학습 여부를 판단하고 상기 분석모델을 연속학습시키는 단계; 상기 분석장치가 상기 입력받은 이차전지에 대한 정보를 상기 연속학습 시킬지 여부가 판단된 분석모델에 입력하는 단계; 및 상기 분석장치가 상기 분석모델이 출력하는 값을 기준으로 상기 이차전지의 수명에 대한 정보를 분석하는 단계;를 포함한다.
이하 설명하는 발명을 이용하면 연속학습방법을 이용하여 지속적으로 새로운 데이터가 유입되는 환경에서도 기존의 학습모델을 이용할 수 있어 재학습에 필요한 계산비용을 줄일 수 있다.
이하 설명하는 발명을 이용하면 유입되는 데이터 셋뿐만 아니라 기존의 데이터 셋에서도 예측성능의 저하가 줄어들지 아니하여 기존의 데이터 셋에서도 활용할 수 있다.
이하 설명하는 발명을 이용하면 모델학습을 위해 기 종류의 데이터를 모두 저장할 필요가 없으므로 저장용량에 대한 부담을 덜 수 있다.
이하 설명하는 발명을 이용하면 배터리상태를 진단하기 위해 잔여수명을 세가지 범주로 분류하거나, 평균용량감소가 도달하는 최소사이클 수를 직접계산할 수도 있다. 이에 따라 사용자의 판단에 따라 분류, 회귀문제를 자유롭게 적용할 수 있다.
도1은 이차전지의 수명에 대한 정보를 분석하는 과정에 대한 예를 도시한 것이다.
도2는 이차전지의 충/방전에 대한 정보에 대한 하나의 실시예에 대해 도시한 것이다.
도3는 이차전지에 대한 정보가 보간법을 이용하여 전처리된 실시예를 도시한 것이다.
도4는 본 발명의 일 실시예에 따른 이차전지에 대한 정보를 분류한 결과를 나타낸 것이다.
도5은 본 발명의 일 실시예에 따른 분석모델 연속학습 방법에 대한 순서도를 나타낸 것이다.
도6는 본 발명의 일 실시예에 따른 이차전지 수명 분석 과정을 나타낸 것이다.
도7은 본 발명의 일 실시예에 따른 이차전지 상태 진단 및 수명을 예측하는 하나의 시스템에 대해 나타낸 것이다
도8는 이차전지 수명을 분석하는 분석장치의 구성에 대하여 도시한 예이다.
이하 설명하는 기술은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 이하 설명하는 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 이하 설명하는 기술의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어 들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 이하 설명하는 기술의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함 하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설시된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.
도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
또, 방법 또는 동작 방법을 수행함에 있어서, 상기 방법을 이루는 각 과정들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 과정들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
이하 설명하는 기술을 설명하는데 앞서 필요한 용어에 대해서 설명한다.
이하 설명하는 기술에서 '이차전지'란 외부의 전기에너지를 화학에너지의 형태로 바꾸어 저장했다가 필요한 때에 전기를 만들어 내는 장치를 포함할 수 있다. 이차전지에는 납축전지, 니켈-카드뮴전지, 니켈-메탈수소전지, 리튬이온전지등이 포함될 수 있다.
이하 설명하는 기술에서 '충전'이란 전지에 에너지를 축전하는 것을 포함할 수 있다. '방전'은 충전의 반대말로 대전한 물체가 전하를 잃고 전기를 방출하는 현상을 포함할 수 있다.
이하 설명하는 기술에서 '전처리(pre-processing)"란 원 데이터(raw data)을 분석의 목적 방법에 맞는 형태로 처리하는 하나의 과정을 포함할 수 있다. 전처리의 방법으로는 데이터 클리닝, 데이터 통합, 데이터 변환, 데이터 추출, 데이터 이산화 방법등이 포함될 수 있다.
이하 설명하는 기술에서 '보간법(interpolation)'이란 이미 알고있는 데이터 값들을 이용하여 모르는 값들을 추정하는 하나의 방법을포함할 수 있다. 보간법의 방법으로는 다항식 보간법, 스플라인 보간법등이 포함될 수 있다.
이하 설명하는 기술에서 학습모델이란 기계학습 모델을 말하며, 기계 학습모델은 다양한 유형의 모델을 포함할 수 있다. 예컨데 기계 학습모델은 결정 트리, RF(random forest), KNN(K-nearest neighbor), 나이브 베이즈(Naive Bayes), SVM(support vector machine), ANN(artificial neural network) 등이 포함될 수도 있다.
상기 ANN은 DNN(Deep Neural Network)가 될 수 있으며, 이는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), RBM(Restricted Boltzmann Machine), DBN(Deep Belief Network) 및 GAN(Generative Adversarial Network), RL(Relation Networks) 을 포함할 수 있다.
상기 CNN모델은 컨볼루션 층(Convolution layer), 풀링 층(Pooling layer), 드랍 층(Dop layer), 평탄화 층(Flatten layer)와 완전한 연결 층(fully connected layer, 또는 dense layer)을 포함할 수 있다.
상기 컨볼루션 층(Convolution layer)은 입력된 정보에서 특징을 추출하고 이로 부터 특성 맵(feature map)을 만든다. 상기 풀링 층(Pooling layer)은 컨볼루션층에서 만든 특성맵의 크기를 줄이거나 특정 데이터를 강조하기 위하여 특징 맵의 값중 가장 큰 값을 추출하거나(맥스 풀링 층, Max Pooling layer) 평균 값을 추출한다(평균 풀링 층, Average Pooling Layer). 상기 드랍 층(Drop layer)은 딥 러닝 모델에서 과적합(Overfitting)을 방지하기 위하여 훈련과정 중에 신경망모델의 일부분만 이용한다. 상기 플래튼 층(Flatten layer)은 추출한 데이터의 특징을 하나의 차원으로 만든다. 상기 완전한 연결 층은(fully connected layer)는 각 layer의 노드(node) 모두 연결해주며, 최종적으로 입력데이터가 어떤 분류에 속하는 것인지 판단한다. 이 과정에서 SoftMAX함수가 이용될 수도 있다.
이하 설명하는 기술에서 연속학습(continual learning)이란 평생학습, 점진적 학습과 같은 말로서 기존의 학습데이터로 훈련된 모델에서 학습되지 않은 새로운 데이터가 연속적으로 들어오더라도 기존의 모델을 완전히 새로 학습시키지 않고 들어오는 새로운 데이터를 이용하여 순차적으로 학습하여 모델을 업데이트 시키는 방법을 포함할 수 있다. 이를 통해 새로운 데이터에 대해서도 실시간으로 대응할 수 있다.
먼저 도1을 통하여 분석장치가 이차전지의 수명에 대한 정보를 분석하는 전체적인 과정에 대해서 설명한다.
도1은 이차전지의 수명에 대한 정보를 분석하는 과정에 대한 예를 도시한 것이다.
도1의 분석장치(200)는 입력장치(100)을 통하여 이차전지에 대한 정보를 획득한다(S110). 분석장치(200)는 획득한 정보을 기초로 기존의 분석모델을 연속학습을 할지 여부를 판단한다(S210). 상기 분석장치(200)는 분석모델을 이용하여 이차전지의 수명을 분석한다(S220). 분석장치(200)는 출력장치(300)을 이용해서 이차전지의 수명을 분석한 결과를 출력한다(S310)
도1의 입력장치(100)가 획득한(S110) 이차전지에 대한 정보는 이차전지의 수명에 대한 정보를 분석하는데 필요한 정보를 의미한다.
상기 이차전지에 대한 정보에는 이차전지 충/방전에 대한 정보가 포함되어 있을 수 있다. 구체적인 내용은 아래에서 설명한다.
도1에서 분석장치(200)가 획득한 정보를 기초로 연속학습여부를 판단하는 과정(S210)은 궁극적으로 기존의 분석모델이 입력받은 정보를 기초로 상기 이차전지 수명에 대한 정보를 잘 분석할 수 있을지 여부를 판단하는 과정을 포함 할 수 있다. 이는 입력된 이차전지에 대한 정보가 '기존의 분석모델을 학습시킬 때 이용한 이차전지에 대한 학습정보와 이차전지의 종류나 작동환경이 다른지' 또는 '연속학습을 할 필요성이 있을만큼 데이터의 개수가 많은지'등을 판단하는 과정을 포함할 수 있다.. 구체적인 내용은 아래에서 설명한다.
도1의 분석장치(200)가 이차전지의 수명을 분석하는 과정은(S220)은 분석모델을 이용해서 이차전지의 수명을 분석하는 과정을 포함한다.
상기 분석모델은 이차전지에 대한 정보를 기초로 하여 상기 이차전지의 수명에 대한 정보 값을 출력하는 모델을 포함한다.
상기 분석모델은 기존에 존재하는 이차전지에 대한 정보를 이용하여 이차전지의 수명에 대한 정보를 분석하도록 학습된 학습모델일 수 있다.
상기 분석모델는 신경망 모델 중 하나인 CNN일 수도 있다. 이는 다수의 층으로 구성된 CNN을 통해 의미있는 잠재특성을 추출한 후, FC 층에 통과시켜 해당 상태에 대한 진단을 진행할 수도 있다. 이미지화된 데이터로부터 잠재특성을 추출하는 네트워크로 CNN 이외에도 Recurrent neural network (RNN), Gated recurrent unit (GRU), Long short-term memory (LSTM) 등이 사용될 수 있다.
상기 분석모델는 분석장치가 획득한 정보를 기초로 판단할 때(210) 연습학습여부가 필요한 경우 상기 획득한 정보를 기초로 연속학습된 분석모델일 수도 있다. 상기 연속학습 방법으로는 EWC(elastic weight consolidation)등의 방법이 이용될 수도 있다. 구체적인 내용은 아래에서 설명한다.
도1에서 출력장치(300)가 출력하는(S310) 이차전지의 수명에 대한 정보는 이차전지의 수명에 대한 현재 상태 또는 예상수명에 대한 정보가 포함되어 있을 수도 있다. 이와 함께 사용자에게 이차전지를 오래 사용할 수 있는 방법, 예상되는 교체시점, 중고거래 가능시기 및 중고거래시 예상가격 등의 정보가 더 포함되어 있을 수도 있다.
상기 이차전지의 현재 상태에 대한 정보는 현재 이차전지의 상태가 좋음/보통/나쁨 등의 상태를 의미하는 정보가 포함될 수도 있다. 또는 현재의 이차전지의 상태가 이론상 최대로 가능한 이차전지의 용량보다 얼마나 줄어들었는지를 알려주는 수치에 대한 정보가 포함되어 있을 수도 있다.
상기 이차전지 예상수명에 대한 정보는 이차전지를 앞으로 얼마나 적절히 사용할 수 있는지에 대한 정보가 포함되어 있을 수도 있다. 또는 평균용량감소에 도달하는 최소사이클 수(또는 충/방전 시간)에 대한 정보 및 앞으로 배터리를 최대 얼마나 사용할 수 있는지에 대한 정보를 포함할 수도 있다.
분석장치가 획득한 이차전지에 대한 정보는 이차전지의 수명에 대한 정보를 분석하는데 필요한 정보를 포함한다. 상기 이차전지 정보에는 이차전지 충/방전에 대한 정보가 포함되어 있을 수 있다.
상기 분석장치가 획득한 정보는 전처리과정(pre-processing)을 거친 정보가 포함되어 있을 수 있다.
이하 도2와 도3을 통해 이차전지 충/방전에 대한 정보의 내용 및 그 전처리 에 대한 하나의 실시예에 대해서 설명한다.
도2는 이차전지의 충/방전에 대한 정보에 대한 하나의 실시예에 대해 도시한 것이다.
도2에서 X축은 충전/방전시간을 의미하며, Y축은 전압(맨위쪽 그래프), 전류(중간 그래프), 전기용량(맨아래 그래프)를 의미한다.
도2에서 볼 수 있듯이 상기 입력장치가 획득한 이차전지 충/방전에 정보의 내용으로는 '이차전지에 대한 충전/방전시간', '충전/방전시간에 따른 이차전지의 전압', '충전/방전시간에 따른 이차전지의 전류', '충전/방전시간에 따른 이차전지의 전기용량' 및 '충전시간에 대한 이차전지의 온도'에 대한 정보 중 적어도 하나 이상의 정보가 포함될 수 있다.
상기 이차전지에 대한 충전/방전시간 대신 이차전지가 1번 충전되고 방전될 때 까지의 시간을 1 사이클(cycle)이라고 정하고, 매 사이클 마다의 전압등에 대한 정보를 포함할 수도 있다.
도3는 입력데이터를 보간법을 이용하여 전처리한 실시예를 도시한 것이다.
상기 보간법은 충전/방전시간(또는 1사이클당) 동안 변화하는 이차전지의 정보(전압, 전류, 용량 등) 를 128차원으로 보간 시킬 수도 있다.
상기 보간법을 통하여 배터리마다 차이날 수 있는 사이클마다의 충/방전시간을 동일한 차원으로 맞추어 주어 신경망모델에 입력으로 사용할 수 있다.
이하 도4을 통하여 이차전지에 대한 정보의 종류에 대해서 설명한다.
도4는 이차전지에 대한 정보의 종류를 이차전지의 작동환경, 이차전지의 종류, 초기 불량 유무 등에 따라 분류한 하나의 실시예를 도시한 것이다.
도4의 이차전지에 대한 1차 데이터셋(set)과 2차 데이터셋(set)은 서로 이차전지의 종류와 작동환경등이 다른 상태에서 측정된 이차전지에 대한 정보의 모음이다. 예를 들어 이차전지에 대한 1차 데이터 셋은 작동환경이 산악지대이며, 전지의 종류가 니켈-카드뮴으로 구성되고, 초기 불량이 있는 이차전지에 대한 충/방전관련 정보만을 모아둔 데이터 셋을 말한다. 이차전지에 대한 2차 데이터 셋은 작동환경이 대도시이며, 전지의 종류가 니켈-메탈수소로 되어있고, 초기불량이 없는 이차전지에 대한 데이터 셋을 의미한다.
도4에서 표시된 분류기준(작동환경, 전지의 종류, 초기불량여부등)은 하나의 예를 표시한 것이지 도시된 실시예에 제한되는 것은 아니다.
도4에서 차수는 데이터의 분류를 위한 것이지, 데이터의 순서가 있는 것을 표시한 것은 아니다.
이하 도5을 통하여 분석장치가 획득한 정보를 기초로 기존 분석모델을 연속학습을 할지 판단하는 과정에 대하여 설명한다. (도1에서 S210)
도5은 분석장치가 데이터를 획득하였을 때 분석장치가 분석모델을 연속학습 할 것인지 판단하는 하나의 실시예를 도시한 것이다.
먼저 분석장치는 이차전지에 대한 정보를 획득할 수 있다.(S211)
상기 분석장치는 상기 획득한 이차전지에 대한 정보가 기존에 학습된 분석모델의 학습데이터와 상이한지 판단한다(S212). 만약 상이하다고 판단되면 회득한 이차전지에 대한 정보를 이용하여 분석모델을 연속학습한다. 예를 들어 양 정보가 상이한지는 획득한 이차전지의 정보에서 이차전지의 종류 또는 작동환경이 기존 학습데이터의 이차전지의 종류 또는 작동환경 다른지 여부를 기준으로 할 수도 있다. 또 하나의 예를 들면 도4에서 나타난 것처럼 획득한 이차전지에 대한 정보가 2차 데이터 셋에 대한 것이고, 기존의 학습모델을 학습시킬 때 이용한 데이터 셋이 1차 데이터 셋이라고 한다면 서로 이차전지의 작동환경, 이차전지의 종류, 초기불량유무등이 달라 양 데이터가 상이하다고 판단할 수 있다.
상기 분석장치는 상기 획득한 이차전지에 대한 정보가 기존에 학습된 분석모델의 학습정보의 데이터의 개수와 비교하여 얼마 많큼 많은지 판단한다(S213). 만약 그 개수가 기존에 있던 분석모델을 연속학습할 필요가 있을만큼 많다고 판단되면 상기 획득한 이차전지에 대한 정보를 이용하여 분석모델을 연속학습한다. 예를 들어 획득한 이차전지에 대한 정보가 도4에서 나타난것처럼 2차 데이터 셋이고, 기존의 학습모델을 학습시킬‹š 이용한 데이터 셋이 2차 데이터 셋이라고 하더라도 획득한 데이터 셋이 기존의 학습데이터보다 약 10배가 많은 경우 기존 학습모델을 다시 학습시킬 필요가 있기 때문에 연속학습시킨다.
상기 학습에 EWC이 이용되는 경우 필요한 Fisher information matirx을 계산하여 새 데이터에 대해 손실함수를 정의하고, 신경망을 학습할 수도 있다. 이때 이차전지에 대한 정보(충/방전시 얻어지는 정보)를 입력값으로 사용하기 위해 보간법등을 이용하여 전처리를 수행할 수도 있다.
한편, 상기 분석장치는 상기 획득한 이차전지에 대한 정보가 기존에 학습된 분석모델의 학습데이터와 상이하지 않고, 개수도 크게 차이나지 아니한 경우 기존의 학습된 분석모델을 연속학습시키지 아니하고 그대로 이용할 수 있다.
이하 분석장치가 수행하는 연속학습에 대하여 설명한다.
상기 분석모델을 연속학습하는 방법으로는 EWC(Elastic weight consolidation), Generative replay, Dynamic expandable network 및 Synaptic intelligence 중 적어도 하나가 포함될 수 있다.
연속학습의 방법 중 하나인 EWC을 이용하면 현재의 데이터뿐만 아니라 과거의 모든 데이터에 대한 가중치를 최적화 시킬 수 있다. 이를 확률론적 관점에서 보면, 가중치
Figure pat00001
, 모든 데이터 D에 대한 조건부 확률 분포 를 구하는 것으로 이해할 수 있다. 수학식1은 Bayes' rule에 따라 이를 정의한 것이다.
수학식1에서 는 각각 과거의 데이터, 현재의 데이터를 의미한다. 과거의 데이터에 대한 정보는 모두 라는 사후확률로부터 계산하여 구할 수 있는데, 사후확률을 직접 구할 수는 없기 때문에 Laplace approximation을 통해 사후확률을 추정한다.
이런 추정을 진행하기 위해 을 평균으로 하는 Gaussian 분포와 Fisher information matrix의 대각성분으로 주어진 Diagonal precision을 이용하여 다음(수학식2)과 같이 손실함수를 반영해준다.
상기 수식에서 L(
Figure pat00009
)는 입력된 데이터를 기초로 현재 상황에서의 손실함수의 값을 의미한다. 상기 수식에서 X2값은 현재입력된 데이터값을 의미하며 X1는 기존에 있던 데이터를 의미한다. 상기 수식에서 LX2(
Figure pat00010
)는 새로운 데이터 X2를 학습하였을 때의 손실함수값을 의미하며,
Figure pat00011
i,
Figure pat00012
*X1,i는 각각 현재 모델의 i번째 가중치와 새로운 데이터를 학습하기 이전의 모델의 i번째 가중치를 의미한다.
F는 Fisher information matrix를 나타내는데, 행렬 F의 각 대각성분들은 i번째 가중치가 이전 데이터에 대해 가지고 있는 정보량을 의미한다. 따라서, 손실 함수에 기존 가중치와 새로운 가중치의 차이에 Fisher information matrix의 대각성분들을 곱해준 값을 반영해줌으로써, 과거 데이터에 대한 정보를 잃지 않으면서 새로운 데이터에 대해서 학습할 수 있다. 이때, 는 과거 데이터에 대한 중요도를 나타내는 변수로, 사용자가 직접 설정해줄 수 있다.
이하 도6을 통하여 분석장치가 들어오는 데이터에 따라 이차전지에 수명에 대한 정보를 분석하는 하나의 과정에 대해 설명한다.
도6는 분석장치에 도4에서 도시한 서로다른 차수의 데이터 셋(set)이 순차적으로 입력되었을 때 분석장치가 분석모델을 연속학습시키고 이차전지 수명에 대한 정보를 분석하는 과정에 대한 하나의 실시예에 대해 도시한 것이다. 이하 설명의 편의를 위하여 1차 데이터 셋을 이용하여 분석모델이 생성되는 과정부터 설명한다.
먼저 이차전지에 대한 1차 데이터를 이용하여 분석모델을 만들고 이차전지 수명에 대한 정보를 분석하는 과정에 대해 설명한다. 상기 분석장치는 이차전지에 대한 1차 데이터을 입력장치를 통하여 획득한다.
분석장치는 획득한 이차전지에 대한 1차 데이터를 학습데이터로 하여 분석모델을 생성할 수 있다. 이하 설명의 편의를 위하여 최초 생성된 분석모델을 1차 분석모델이라 칭한다.
상기 1차 분석모델은 이차전지에 대한 1차 데이터 셋(set)과 관련된 데이터를 입력받으면 그에 따른 이차전지의 수명에 대한 정보를 결과값으로 출력할 수 있다.
이어서 1차 분석모델에 이차전지에 대한 2차 데이터가 입력되었을 때 분석장치가 이차전지의 수명에 대한 정보를 분석하는 과정에 대해 설명한다. 상기 분석장치는 상기 이차전지에 대한 1차 데이터와는 다른 성격을 갖는 2차 데이터 셋을 획득한 경우, 1차 분석모델을 연속학습시킬 수 있다.
1차 학습모델을 연속학습시켜 만든 분석모델을 2차 분석모델이라고 부를 수 있다. 상기 2차 분석모델은 이차전지에 대한 2차 데이터 set과 관련된 입력데이터를 입력받으면 그에 따른 이차전지의 수명에 대한 정보를 결과값으로 출력하고 상기 정보를 분석할 수 있다.
2차 분석모델은 이차전지에 대한 1차 데이터 set과 관련된 데이터를 획득하여도 그에 따른 이차전지 수명에 대한 정보를 분석할 수 있다.
이어서 2차 분석모델에 이차전지에 대한 3차 데이터가 입력되었을 ‹š 분석장치가 이차전지의 수명에 대한 정보를 분석하는 과정에 대해 설명한다. 상기 분석장치는 상기 이차전지에 대한 1차, 2차 데이터와는 다른 성격을 갖는 3차 데이터 셋을 획득하여 2차 분석모델을 다시 학습시킬 수 있다.
2차 분석모델을 연속학습시켜 만든 학습모델은 3차 분석모델이라고 부를 수 있다. 상기 3차 분석모델은 이차전지에 대한 3차 데이터 set과 관련된 입력데이터를 입력받으면 그에 따른 이차전지의 수명에 대한 정보를 분석할 수 있다. 또한 3차 분석모델은 이차전지에 대한 1차 데이터셋 또는 2차 데이터 셋과 관련된 데이터를 입력받아도 그에 따른 이차전지 수명에 대한 정보를 분석할 수 있다.
상기 분석장치는 위의 방법을 N차 반복할 수 있다(N
Figure pat00014
2). 즉 이차 전지에 대한 N차 데이터를 획득하여 N-1차 분석모델을 학습시킬 수 있으며, N-1차 분석모델을 N차 데이터로 연속학습시킨 모델을 N차 분석모델이라고 부를 수 있다. 이렇게 연속학습된 N차 분석모델은 N차 데이터 셋을 입력받아 이차전지의 수명에 대한 정보를 분석할 수 있다. 또한 N차 분석모델은 N-1차, N-2차, N-3차, ····3차, 2차, 1차 데이터 셋과 관련된 데이터를 입력받아도 그에 따른 이차전지 수명에 대한 정보를 분석할 수 있다.
N차 데이터를 입력받아 N-1차 분석모델을 연속학습시키는 과정에서 N-1차 분석모델을 학습시키는데 이용된 'N-2, N-3, ····, 3차, 2차, 1차' 데이터 셋은 소스(Source) 데이터셋이라고 부를 수 있다.
N-1차 분석모델을 학습시켜 N차 분석모델을 만드는 N차 데이터셋을 타겟(Target) 데이터 셋이라고 부를 수도 있다.
이하 도7을 통하여 이차전지의 상태를 진단하고 수명을 예상하는 또 하나의 과정에 대해 설명한다.
도7은 본 발명의 일 실시예에 따른 이차전지 상태 진단 및 수명을 예측하는 하나의 시스템에 대해 나타낸 것이다
먼저. 분석장치에 첫 번째 그룹의 배터리 데이터 이 유입된다. 이후 분석장치는 분석모델인 CNN을 통해 데이터 을 학습한다. 이 때, 배터리 상태 진단을 위한 모델로는 Recurrent neural network (RNN), Gated recurrent unit (GRU)과 같은 다른 유형의 신경망도 사용될 수 있다. 분석장치는 학습된 모델을 통해 첫 번째 그룹 데이터에 대한 배터리 상태를 진단한다. 이 때, 배터리 상태 진단을 위한 종속 변수로는 범주형 변수와 양적 변수가 모두 사용될 수 있다. 분석장치가 진단을 모두 완료하면 다음 학습을 위해 필요한 첫 번째 그룹의 샘플과 모델만을 저장할 수 있다.
이후 분석장치에 두 번째 그룹의 배터리 데이터 가 유입된다. 분석장치는 저장한 과거 데이터의 샘플을 통해 모델의 가중치들이 내포하고 있는 과거 정보를 반영하여 데이터 를 학습한다. 분석장치는 학습된 모델을 통해 첫 번째 그룹과 두번째 그룹 데이터에 대한 배터리 상태를 진단한다.
새로운 데이터가 유입되면 가사의 과정을 반복할 수 있다.
이하 도8을 통하여 이차전지의 수명을 분석하는 분석장치의 구성에 대해 설명한다.
도8는 이차전지 수명을 분석하는 분석장치의 구성에 대하여 도시한 예이다.
상기 분석장치(600)는 전술한 분석장치(도1의 200)에 해당한다.
상기 분석장치(600)는 PC, 노트북, 스마트기기, 서버, 또는 데이터처리 전용 칩셋등과 물리적으로 다양한 형태로 구현될 수도 있다.
상기 분석장치(600)는 입력장치(610) 저장장치(620), 연산장치(630)을 포함할 수도 있다.
상기 분석장치는 출력장치(640)을 더 포함할 수도 있다.
도8의 입력장치(610)는 일정한 명령 또는 데이터를 입력받는 인터페이스 장치(키보드, 마우스, 터치스크린 등)를 포함할 수도 있다.
상기 입력장치(610)는 전술한 입력장치(도1의 100)에 해당한다.
상기 입력장치(610)는 유선 또는 무선 네트워크를 통해 일정한 정보를 수신하고 전송하는 통신장치를 포함할 수도 있다.
상기 입력장치(610)는 별도의 저장장치(USB,CD,하드디스크 등)을 통하여 정보를 입력받는 구성을 포함할 수도 있다.
상기 입력장치(610)는 입력받는 데이터를 별도의 측정장치를 통하여 입력받거나, 별도의 DB을 통하여 입력받을 수도 있다.
상기 입력장치(610)는 이차전지에 대한 정보를 입력받을 수도 있다.
도8 저장장치(620)는 상기 입력장치(610)로부터 온 정보를 저장할 수도 있다.
상기 저장장치(620)는 이차전지의 수명을 분석해주는 분석모델(도1에서 200)을 저장할 수도 있다.
상기 저장장치(620)는 상기 분석모델이 출력하는 결과값에 대해 저장할 수도 있다.
상기 저장장치(620)는 분석모델을 학습할 때 이용하는 학습데이터를 저장할 수도 있다.
도8의 연산장치(630)는 상기 입력장치(610)으로 받은 이차전지에 대한 정보를 이용해서 상기 분석모델을 연속학습 할지 여부에 대해 판단할 수도 있다.
도8의 연산장치(630)는 상기 입력장치(610)로부터 받은 이차전지에 대한 정보를 상기 분석모델에 입력한뒤 그 출력값을 기준으로 이차전지의 수명에 대한 정보를 분석할 수도 있다.
도8의 출력장치(640)는 일정한 정보를 출력하는 장치가 될 수도 있다.
상기 출력장치(640)은 데이터 과정에 필요한 인터페이스, 입력된 데이터, 분석결과 등을 출력할 수도 있다.
상기 출력장치(640)은 디스플레이어, 문서를 출력하는 장치, 통신장치 등과 같이 물리적으로 다양한 형태로 구현될 수도 있다.

Claims (11)

  1. 이차전지의 수명을 분석하는 분석모델을 포함하는 분석장치의 수명분석 방법에 있어서
    분석장치가 이차전지에 대한 정보를 획득하는 단계;
    획득한 상기 이차전지에 대한 정보를 기초로 상기 분석모델의 연속학습 여부를 판단하고 상기 분석모델을 연속학습시키는 단계;
    상기 분석장치가 상기 입력받은 이차전지에 대한 정보를 상기 연속학습된 분석모델에 입력하는 단계; 및
    상기 분석장치가 상기 분석모델이 출력하는 값을 기준으로 상기 이차전지의 수명에 대한 정보를 분석하는 단계를 포함하는
    이차전지 수명 분석방법.
  2. 제1항에 있어서
    상기 연속학습 여부를 판단하고 연속학습시키는 단계는
    상기 획득한 이차전지에 대한 정보가 기존에 학습된 분석모델의 학습 데이터와 상이한 경우, 상기 분석모델을 연속학습시키는 단계를 포함하는
    이차전지 수명 분석방법.
  3. 제1항에 있어서
    상기 연속학습 여부를 판단하고 연속학습시키는 단계는
    상기 획득한 이차전지에 대한 정보가 기존에 학습된 분석모델의 학습데이터의 개수보다 많은 경우, 상기 분석모델을 연속학습시키는 단계를 포함하는
    이차전지 수명 분석방법.
  4. 제1항에 있어서
    상기 연속학습방법은
    EWC(elastic weight consolidation), Generative replay, Dynamic expandable network 및 Synaptic intelligence 중 적어도 하나의 방법을 포함하는,
    이차전지 수명 분석방법

  5. 제1항에 있어서
    상기 이차전지에 대한 정보는
    상기 이차전지의 종류 및 이차전지의 작동 환경정보 중 적어도 하나를 포함하는
    이차전지 수명 분석방법.
  6. 제1항에 있어서
    상기 이차전지에 대한 정보는
    '이차전지의 충전 또는 방전 시간', '충전 또는 방전 시간에 따른 전압', '충전 또는 방전 시간에 따른 전류' '충전 또는 방전시간에 따른 전기용량' 및 '충전 또는 방전 시간에 따른 온도'에 대한 정보 중 적어도 하나를 포함하는
    이차전지 수명 분석방법

  7. 제1항에 있어서
    상기 이차전지 수명에 대한 정보를 분석하는 분석모델은
    CNN(convolution neural network), RNN(Recurrent neural network) , LSTM(Long short-term memory) 및GRU(Gate recurrent unit) 중 적어도 하나를 포함하는
    이차전지 수명 분석방법

  8. 제1항에 있어서
    상기 이차전지 수명에 대한 정보는
    상기 이차전지의 현재의 상태를 진단한 결과 및 예상수명에 대한 정보 중 적어도 하나 포함하는
    이차전지 수명 분석방법
  9. 제1항에 있어서
    상기 이차전제 수명에 대한 정보는
    상기 이차전지의 수명을 늘릴 수 있는 방법, 예상되는 교체 시점, 중고거래 가능한 시기 및 중고거래시 예상가격에 대한 정보 중 적어도 하나를 포함하는
    이차전지 수명 분석방법
  10. 제1항에 있어서
    상기 이차전지의 수명에 대한 정보를 분석하는 단계 이후에
    상기 획득한 이차전지에 대한 정보의 샘플 및 상기 연속학습된 분석모델만을 저장장치에 저장하는 단계를 추가적으로 수행하는
    이차전지 수명 분석방법.
  11. 이차전지 수명을 분석하는 분석모델을 포함하는 분석장치에 있어서
    이차전지에 대한 정보를 획득하는 입력장치;
    상기 분석모델을 저장하는 저장장치;
    상기 입력장치가 획득한 이차전지에 대한 정보를 기초로 상기 저장장치에 저장된 분석모델을 연속학습시킬지 판단하고 분석모델을 연속학습시키며, 상기 연습학습을 시킬지 여부가 판단된 분석모델에 상기 획득한 이차전지에 대한 정보를 입력하여 출력한 값에 따라 이차전지 수명에 대한 정보를 분석해주는 연산장치;를 포함하는
    이차전지 수명 분석장치

KR1020220071294A 2022-06-13 2022-06-13 이차전지 수명 분석방법 및 장치 KR20230171126A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220071294A KR20230171126A (ko) 2022-06-13 2022-06-13 이차전지 수명 분석방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220071294A KR20230171126A (ko) 2022-06-13 2022-06-13 이차전지 수명 분석방법 및 장치

Publications (1)

Publication Number Publication Date
KR20230171126A true KR20230171126A (ko) 2023-12-20

Family

ID=89377127

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220071294A KR20230171126A (ko) 2022-06-13 2022-06-13 이차전지 수명 분석방법 및 장치

Country Status (1)

Country Link
KR (1) KR20230171126A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200091415A (ko) 2017-12-07 2020-07-30 아이에이취시 홀랜드 아이이 비.브이. 결합 시스템, 선박 및 결합 시스템의 조립체, 및 결합 시스템, 재킷 파일 및 기초 파일의 조립체

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200091415A (ko) 2017-12-07 2020-07-30 아이에이취시 홀랜드 아이이 비.브이. 결합 시스템, 선박 및 결합 시스템의 조립체, 및 결합 시스템, 재킷 파일 및 기초 파일의 조립체

Similar Documents

Publication Publication Date Title
Sui et al. A review of non-probabilistic machine learning-based state of health estimation techniques for Lithium-ion battery
Hsu et al. Deep neural network battery life and voltage prediction by using data of one cycle only
Gao et al. Machine learning toward advanced energy storage devices and systems
Semeraro et al. Battery monitoring and prognostics optimization techniques: challenges and opportunities
Ma et al. A hybrid transfer learning scheme for remaining useful life prediction and cycle life test optimization of different formulation Li-ion power batteries
Toughzaoui et al. State of health estimation and remaining useful life assessment of lithium-ion batteries: A comparative study
KR102362532B1 (ko) 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치
KR102439041B1 (ko) 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치
CN111856287B (zh) 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法
Zhang et al. Improved LSTM based state of health estimation using random segments of the charging curves for lithium-ion batteries
Tian et al. State-of-charge estimation for lithium-ion batteries based on attentional sequence-to-sequence architecture
CN114578234A (zh) 一种考虑因果性特征的锂离子电池退化与容量预测模型
Couture et al. Novel image-based rapid RUL prediction for li-ion batteries using a capsule network and transfer learning
Khaleghi et al. Towards machine-learning driven prognostics and health management of Li-ion batteries. A comprehensive review
Bao et al. Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries
CN117949832B (zh) 一种基于优化神经网络的电池soh分析方法
Dong et al. Data-driven predictive prognostic model for power batteries based on machine learning
Li et al. Hybrid data-driven approach for predicting the remaining useful life of lithium-ion batteries
Kuang et al. State-of-charge estimation hybrid method for lithium-ion batteries using BiGRU and AM co-modified Seq2Seq network and H-infinity filter
CN117007977B (zh) 一种储能电池健康状态诊断方法
CN110716761A (zh) 信息处理平台上软件应用的执行参数的自动和自优化确定
Renold et al. Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles
CN117686921A (zh) 检测电池内短路的方法和系统及计算设备
Wang et al. A conditional random field based feature learning framework for battery capacity prediction
CN117154256A (zh) 锂电池的电化学修复方法