KR20240010078A - 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법 - Google Patents
전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법 Download PDFInfo
- Publication number
- KR20240010078A KR20240010078A KR1020240005339A KR20240005339A KR20240010078A KR 20240010078 A KR20240010078 A KR 20240010078A KR 1020240005339 A KR1020240005339 A KR 1020240005339A KR 20240005339 A KR20240005339 A KR 20240005339A KR 20240010078 A KR20240010078 A KR 20240010078A
- Authority
- KR
- South Korea
- Prior art keywords
- battery
- electric vehicle
- information
- battery performance
- degree
- Prior art date
Links
- 238000007600 charging Methods 0.000 title claims abstract description 212
- 238000000034 method Methods 0.000 title abstract description 20
- 230000015556 catabolic process Effects 0.000 claims abstract description 101
- 238000006731 degradation reaction Methods 0.000 claims abstract description 101
- 238000011156 evaluation Methods 0.000 claims abstract description 55
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 49
- 238000007726 management method Methods 0.000 claims description 127
- 238000013528 artificial neural network Methods 0.000 claims description 75
- 230000006866 deterioration Effects 0.000 claims description 44
- 230000001186 cumulative effect Effects 0.000 claims description 22
- 238000007599 discharging Methods 0.000 claims description 20
- 238000009825 accumulation Methods 0.000 claims description 14
- 238000010280 constant potential charging Methods 0.000 claims description 7
- 238000010277 constant-current charging Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 16
- 238000013500 data storage Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000007850 degeneration Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 241000156302 Porcine hemagglutinating encephalomyelitis virus Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000001994 activation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/68—Off-site monitoring or control, e.g. remote control
-
- 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
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/30—Constructional details of charging stations
- B60L53/305—Communication interfaces
-
- 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
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
-
- 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
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/65—Monitoring or controlling charging stations involving identification of vehicles or their battery types
-
- 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
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/66—Data transfer between charging stations and vehicles
-
- 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
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/67—Controlling two or more charging stations
-
- 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
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
- Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
- Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
- Y04S30/14—Details associated with the interoperability, e.g. vehicle recognition, authentication, identification or billing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Power Engineering (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Sustainable Development (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Energy (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Technology Law (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Secondary Cells (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
본 발명은 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법을 개시한다. 배터리 성능관리 서버는, 복수의 충전 스테이션으로부터 배터리의 식별정보 및 동작 특성 누적 정보, 전기차의 식별정보 및 운행 특성 누적 정보, 및 배터리의 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 네트워크를 통해 수집한다. 서버는 또한 배터리 성능 평가 정보를 입력 받아 배터리의 퇴화도를 출력하도록 미리 학습된 인공 지능 모델을 이용하여 상기 수집된 배터리 성능 평가 정보에 대응되는 현재 퇴화도를 결정한다. 또한, 서버는 현재 퇴화도에 대응되는 최신 제어 팩터를 결정한다. 또한, 서버는 충전 스테이션이 전기차의 제어 시스템으로 상기 최신 제어 팩터를 전달하여 제어 팩터를 갱신할 수 있도록 상기 최신 제어 팩터를 네트워크를 통해 충전 스테이션으로 전송한다.
Description
본 발명은 배터리 성능관리 시스템 및 방법에 관한 것으로서, 보다 상세하게는 전기차 충전 스테이션에서 전기차의 충전이 진행되는 동안 원격 서버가 배터리 성능 평가 정보를 수집하여 데이터베이스에 저장하고 빅데이터를 이용하여 학습된 인공 지능 모델을 이용하여 배터리의 퇴화도(State Of Health: SOH)를 결정하고 배터리의 충방전 제어에 사용되는 제어 팩터를 갱신할 수 있는 시스템 및 그 방법에 관한 것이다.
배터리는 휴대폰, 랩탑 컴퓨터, 스마트 폰, 스마트 패드 등의 모바일 디바이스뿐만 아니라 전기로 구동되는 자동차(EV, HEV, PHEV)나 대용량 전력 저장 장치(ESS) 등의 분야로까지 그 용도가 급속도로 확산되고 있다.
전기차의 배터리는 운전자의 운전 습관이나 운행 환경에 따라서 성능의 퇴화 속도가 달라진다. 일 예로, 급가속이 잦거나 산악 지역에서 운행하는 전기차 또는 사막지역이나 한랭지역에서 운행하는 전기차의 배터리는 퇴화속도가 상대적으로 빠르다.
배터리 성능의 퇴화도는 SOH라는 팩터로서 정량화될 수 있다. SOH는 BOL(Beginning Of Life) 상태에 있는 배터리의 성능을 기준으로 MOL 상태(Middle Of Life)에 있는 배터리의 성능을 상대적인 비율로서 나타낸 수치이다.
배터리의 성능을 나타내는 지표로는 배터리의 용량, 내부저항 등이 사용된다. 배터리의 충방전 사이클이 증가할수록 배터리의 용량은 감소하고 내부저항은 증가한다. 따라서, SOH는 배터리의 용량 감소율이나 내부저항의 증가율에 의해 정량화할 수 있다.
BOL 상태에 있는 배터리의 SOH는 100%로 나타내고 MOL 상태에 있는 배터리의 SOH는 100%보다 낮은 퍼센트로 나타낸다. 만약, SOH가 일정 수준 이하로 떨어지면 배터리의 성능이 한계 이상으로 저하된 것이므로 배터리의 교체가 필요하다.
배터리는 성능의 퇴화 상태에 따라서 충방전 제어 로직을 다르게 설정해야만 배터리의 퇴화 속도를 최대한 지연시켜 사용 수명을 연장할 수 있다. 이를 위해서는, 동일 모델의 다수의 배터리들에 대한 성능 변화를 중앙 집중식으로 모니터하고, 전기차 배터리의 충방전에 사용되는 각종 제어 로직에 대한 업데이트를 효율적으로 진행할 수 있는 방안이 요구된다.
본 발명은 위와 같은 종래 기술의 배경하에 창안된 것으로서, 전기차 충전 스테이션에서 전기차가 충전되는 동안 충전 스테이션으로부터 배터리 성능 평가 정보를 누적해서 수집하고 수집된 빅데이터에 기반하여 배터리의 성능(예컨대, 퇴화도)를 진단하고 진단된 성능에 따라 배터리의 충방전 제어에 사용되는 제어 팩터의 업데이트를 플랫폼 기반으로 수행할 수 있는 배터리 성능관리 시스템 및 방법을 제공하는데 그 목적이 있다.
상기 기술적 과제를 달성하기 위한 본 발명에 따른 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템은, 지역에 분산 설치된 복수의 충전 스테이션과 네트워크를 통해 통신 가능하도록 연결된 배터리 성능관리 서버; 및 상기 배터리 성능관리 서버와 연결되고, 전기차의 퇴화도 정보가 저장되는 데이터베이스를 포함한다.
바람직하게, 상기 배터리 성능관리 서버는, 상기 충전 스테이션으로부터 배터리의 식별정보 및 동작 특성 누적 정보, 전기차의 식별정보 및 운행 특성 누적 정보, 및 배터리의 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 네트워크를 통해 수집하여 상기 데이터베이스에 저장하고; 배터리 성능 평가 정보를 입력 받아 배터리의 퇴화도를 출력하도록 미리 학습된 인공 지능 모델을 이용하여 상기 수집된 배터리 성능 평가 정보에 대응되는 현재 퇴화도를 결정하고; 상기 데이터베이스를 참조하여 현재 퇴화도가 직전 퇴화도 대비 기준치 이상 증가한 경우 배터리 동작의 제어에 사용되는 제어 팩터와 퇴화도 간의 상관 관계 정보를 이용하여 현재 퇴화도에 대응되는 최신 제어 팩터를 결정하고; 상기 충전 스테이션이 전기차의 제어 시스템으로 상기 최신 제어 팩터를 전달하여 제어 팩터를 갱신할 수 있도록 상기 최신 제어 팩터를 네트워크를 통해 충전 스테이션으로 전송하도록 구성될 수 있다.
일 측면에 따르면, 상기 배터리의 동작 특성 누적 정보는, 전압 구간별 누적 동작 시간, 전류 구간별 누적 동작 시간 및 온도 구간별 누적 동작 시간을 포함하는 군에서 선택된 적어도 하나 이상을 포함할 수 있다.
다른 측면에 따르면, 상기 전기차의 운행 특성 누적 정보는, 속도 구간별 누적 운행 시간, 운행 지역별 누적 운행 시간 및 습도 구간별 누적 운행 시간을 포함하는 군에서 선택된 적어도 하나 이상을 포함할 수 있다.
또 다른 측면에 따르면, 상기 최신 충전 특성 정보는 복수의 시점에서 측정 또는 예측된 배터리의 충전 상태, 전압, 전류 및 온도 데이터를 포함하는 군에서 선택된 적어도 하나 이상을 포함할 수 있다.
바람직하게, 상기 배터리 성능관리 서버는,
복수의 전기차 충전 스테이션으로부터 배터리 성능 평가 정보가 수신될 때마다, 상기 최신 충전 특성 정보가 배터리의 현재 퇴화도를 결정할 수 있을 정도의 데이터를 포함하고 있다고 판단되면, 상기 최신 충전 특성 정보로부터 배터리의 현재 퇴화도를 결정하고, 상기 배터리의 동작 특성 누적 정보, 상기 전기차의 운행 특성 누적 정보 및 상기 최신 충전 특성 정보를 상기 인공 지능 모델의 학습 입력 데이터로서 상기 데이터베이스에 저장하고, 상기 배터리의 현재 퇴화도를 상기 인공 지능 모델의 학습 출력 데이터로서 상기 데이터베이스에 저장하도록 구성될 수 있다.
바람직하게, 상기 배터리 성능관리 서버는, 상기 데이터베이스에 기준치 이상의 학습 입력 데이터와 학습 출력 데이터가 누적 저장될 때마다 상기 인공 지능 모델을 반복적으로 학습시킬 수 있다.
일 측면에 따르면, 상기 배터리 성능관리 서버는, 상기 배터리의 식별정보 및/또는 상기 전기차의 식별정보 및/또는 상기 전기차 운행 지역과 매칭시켜 상기 학습 입력 데이터 및 상기 학습 출력 데이터를 데이터베이스에 저장하고, 기준치 이상의 학습 입력 데이터 및 학습 출력 데이터가 상기 배터리의 식별정보 및/또는 상기 전기차의 식별정보 및/또는 상기 전기차 운행 지역과 매칭되어 누적 저장될 때마다 상기 배터리의 식별정보 및/또는 상기 전기차의 식별정보 및/또는 상기 전기차 운행 지역에 대응되도록 인공 지능 모델을 반복적으로 학습시킬 수 있다.
다른 측면에 따르면, 상기 배터리 성능관리 서버는, 상기 배터리 성능 평가 정보를 분석하여 상기 배터리의 식별정보 및/또는 상기 전기차의 식별정보 및/또는 상기 전기차 운행 지역에 대응되도록 학습된 인공 지능 모델을 이용하여 배터리의 퇴화도를 결정하도록 구성될 수 있다.
본 발명에 있어서, 상기 배터리 성능관리 서버는, 네트워크를 통해 배터리 데이터 제공 서버로부터 배터리에 대한 각 충방전 사이클이 진행될 때마다 측정된 동작 특성 누적 정보 및 최신 충전 특성 정보를 포함하는 사이클 별 성능 평가 정보와 사이클 별 퇴화도를 수신하여 데이터베이스에 저장할 수 있다.
이 경우, 상기 배터리 성능관리 서버는 상기 데이터베이스에 저장된 상기 사이클 별 성능 평가 정보와 사이클 별 퇴화도를 이용하여 배터리의 동작 특성 누적 정보 및 최신 충전 특성 정보로부터 퇴화도를 출력하도록 학습된 보조 인공 지능 모델을 더 포함할 수 있다.
바람직하게, 상기 배터리 성능관리 서버는, 상기 인공 지능 모델의 학습이 완료되지 않았을 때, 상기 배터리 성능 평가 정보에 포함된 배터리의 동작 특성 누적 정보와 최신 충전 특성 정보를 상기 보조 인공 지능 모델에 입력하여 배터리의 퇴화도를 결정하도록 구성될 수 있다.
또한, 상기 배터리 성능관리 서버는, 상기 배터리 성능 평가 정보에 포함된 배터리의 동작 특성 누적 정보와 최신 충전 특성 정보를 상기 보조 인공 지능 모델에 입력하여 배터리의 퇴화도를 결정하도록 구성되고, 상기 인공 지능 모델로부터 결정된 퇴화도(제1값)과 상기 보조 인공 지능 모델로부터 결정된 퇴화도(제2값)의 가중 평균을 배터리의 퇴화도로 결정하도록 구성될 수 있다.
바람직하게, 상기 배터리 성능관리 서버는, 상기 인공 지능 모델의 학습량이 증가할수록 상기 가중 평균을 산출함에 있어서 상기 인공 지능 모델의 퇴화도에 부여되는 가중치(weight)를 증가시키도록 구성될 수 있다.
일 실시예에서, 상기 인공 지능 모델은 인공 신경망(Artificial Neural Network)일 수 있다.
본 발명에 있어서, 상기 제어 팩터는, (i) 충전상태 구간 별로 적용되는 충전전류 크기, 충전 상한 전압값, 방전 하한 전압값, 최대 충전전류, 최대 방전전류, 최소 충전전류, 최소 방전전류, 최대 온도, 최소 온도, 충전상태별 파워 맵, 및 충전상태 별 내부저항 맵 중에서 선택된 적어도 하나 이상; (ii) 펄스 전류 듀티비(펄스 휴지시간 대비 펄스 유지시간의 비율) 상한, 펄스 전류 듀티비의 하한, 펄스 전류 듀레이션의 상한, 펄스 전류 듀레이션의 하한, 펄스 전류의 최대값 및 펄스 전류의 최소값 중에서 선택된 적어도 하나 이상; 또는 (iii) 정전류 충전 (CC) 모드에서의 전류 크기, 정전류 충전(CC) 모드가 종료되는 컷오프 전압 및 정전압 충전(CV) 모드에서의 전압 크기 중에서 선택된 적어도 하나 이상을 포함할 수 있다.
본 발명의 다른 실시예에서, 상기 배터리 성능관리 서버는 전기차의 운행거리 및 현재 퇴화도와 전기차 식별정보를 보험사 서버로 전송하도록 구성되고, 상기 보험사 서버는, 전기차 식별정보를 참조하여 해당 전기차에 대한 보험료를 전기차의 운행 거리 및 현재 퇴화도를 참조하여 산출하도록 구성될 수 있다.
상기 기술적 과제를 달성하기 위한 본 발명의 다른 측면에 따른 전기차 충전 스테이션을 이용한 배터리 성능관리 방법은, 전기차가 충전 스테이션에서 충전되는 동안 네트워크를 통해 충전 스테이션으로부터 배터리의 식별정보 및 동작 특성 누적 정보, 전기차의 식별정보 및 운행 특성 누적 정보, 및 배터리의 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 수집하여 데이터베이스에 저장하는 단계; 배터리 성능 평가 정보를 입력 받아 배터리의 퇴화도를 출력하도록 미리 학습된 인공 지능 모델을 이용하여 상기 수집된 배터리 성능 평가 정보에 대응되는 현재 퇴화도를 결정하는 단계; 현재 퇴화도가 직전 퇴화도 대비 기준치 이상 증가한 경우 배터리 동작의 제어에 사용되는 제어 팩터와 퇴화도 간의 상관 관계 정보를 이용하여 현재 퇴화도에 대응되는 최신 제어 팩터를 결정하는 단계; 및 상기 충전 스테이션이 전기차의 제어 시스템으로 상기 최신 제어 팩터를 전달하여 제어 팩터를 갱신할 수 있도록 상기 최신 제어 팩터를 네트워크를 통해 충전 스테이션으로 전송하는 단계;를 포함할 수 있다.
상기 기술적 과제는 컴퓨터 디바이스에 의해서도 달성될 수 있다. 컴퓨터 디바이스는, 복수의 프로세서 실행 명령들을 저장하고 있는 비일시적(non-transitory) 메모리 디바이스; 및 상기 복수의 프로세서 실행 명령들을 실행하도록 구성된 프로세서를 포함할 수 있다. 상기 프로세서는, 상기 프로세서 실행 명령들을 실행하는 것에 의해, (a) 네트워크를 통해 충전 스테이션으로부터 배터리의 식별정보 및 동작 특성 누적 정보, 전기차의 식별정보 및 운행 특성 누적 정보, 및 배터리의 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 수신하고, (b) 배터리 성능 평가 정보로부터 배터리의 퇴화도를 출력하도록 인공 지능 모델을 학습시키고, (c) 학습된 인공 지능 모델을 이용하여 상기 수집된 배터리 성능 평가 정보에 대응되는 현재 퇴화도를 결정하고, (d) 데이터베이스로부터 배터리의 직전 퇴화도를 독출하고, (e) 현재 퇴화도가 직전 퇴화도 대비 기준치 이상 증가한 경우 배터리 동작의 제어에 사용되는 제어 팩터와 퇴화도 간의 상관 관계 정보를 이용하여 현재 퇴화도에 대응되는 최신 제어 팩터를 결정하고, (f) 상기 최신 제어 팩터를 네트워크를 통해 충전 스테이션으로 전송하도록 구성될 수 있다.
본 발명에 따르면, 복수의 충전 스테이션과 연계된 빅데이터 기반의 인공 지능 플랫폼 시스템을 이용하여 전기차의 운행 이력과 배터리의 동작 이력에 따라 배터리의 성능을 신뢰성 있게 평가하고 배터리의 충방전 제어에 사용되는 제어 팩터를 최적화시킬 수 있으므로 배터리의 사용 수명을 연장할 수 있을 뿐만 아니라 안전성도 증대시킬 수 있다.
신뢰성이 높은 배터리의 성능 관리 서비스를 전기차 사용자에게 제공함으로써 적절한 시점에 배터리의 교체를 유도할 수 있을 뿐만 아니라 배터리 제조 회사의 신뢰성 또한 재고할 수 있다.
전기차 사용자의 운전 성향이 반영된 배터리 성능 평가 정보를 빅데이터 기반의 데이터베이스로 구축함으로써 자동차 보험사의 정확한 보험료 산정 자료로 활용할 수 있다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 한 실시예를 예시하는 것이며, 후술하는 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일 실시예에 따른 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템의 구성을 나타낸 블록 다이어그램이다.
도 2 내지 도 4는 본 발명의 일 실시예에 따른 전기차 배터리의 동작 특성 누적 정보로부터 생성된 도수 분포 데이터를 예시적으로 나타낸 그래프들이다.
도 5 내지 도 7은 본 발명의 일 실시예에 따른 전기차의 운행 특성 누적 정보로부터 생성된 도수 분포 데이터를 예시적으로 나타낸 그래프들이다.
도 8은 본 발명의 일 실시예에 따른 인공 신경망의 구조를 예시적으로 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따른 보조 인공 신경망의 구조를 예시적으로 나타낸 도면이다.
도 10 내지 도 11은 본 발명의 일 실시예에 따른 전기차 충전 스테이션을 이용한 배터리 성능관리 방법에 관한 순서도이다.
도 1은 본 발명의 일 실시예에 따른 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템의 구성을 나타낸 블록 다이어그램이다.
도 2 내지 도 4는 본 발명의 일 실시예에 따른 전기차 배터리의 동작 특성 누적 정보로부터 생성된 도수 분포 데이터를 예시적으로 나타낸 그래프들이다.
도 5 내지 도 7은 본 발명의 일 실시예에 따른 전기차의 운행 특성 누적 정보로부터 생성된 도수 분포 데이터를 예시적으로 나타낸 그래프들이다.
도 8은 본 발명의 일 실시예에 따른 인공 신경망의 구조를 예시적으로 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따른 보조 인공 신경망의 구조를 예시적으로 나타낸 도면이다.
도 10 내지 도 11은 본 발명의 일 실시예에 따른 전기차 충전 스테이션을 이용한 배터리 성능관리 방법에 관한 순서도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 출원을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 발명시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명의 일 실시예에 따른 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템의 구성을 나타낸 블록 다이어그램이다.
도 1을 참조하면, 본 발명의 실시예에 따른 배터리 성능관리 시스템(10)은, 복수의 충전 스테이션(EVCk)들과 배터리 성능관리 서버(11)를 포함한다. k는 도면부호가 지시된 객체가 복수임을 나타내기 위한 인덱스로서, 충전 스테이션(EVCk)이 10000곳에 설치되어 있다면, k는 1 내지 10000이다.
바람직하게, 충전 스테이션(EVCk)과 배터리 성능관리 서버(11)는 네트워크(12)를 통해 상호 통신이 가능하도록 연결될 수 있다.
네트워크(12)는, 충전 스테이션(EVCk)과 배터리 성능관리 서버(11) 사이의 통신을 지원하는 것이라면 그 종류에 제한이 없다.
네트워크(12)는 유선 네트워크, 무선 네트워크, 또는 이들의 결합을 포함한다. 유선 네트워크는, TCP/IP 프로토콜을 지원하는 근거리 또는 광역 인터넷을 포함한다. 무선 네트워크는, 기지국에 기반한 무선 통신망, 위성 통신망, 와이파이와 같은 근거리 무선 통신망 또는 이들의 결합을 포함한다.
네트워크(12)는, 일 예로, 2G(second generation) 내지 5G(fifth generation) 네트워크, LTE(Long Term Evolution) 네트워크, GSM(Global System for Mobile communication) 네트워크, 코드 분할 다중 엑세스(Code Division Multiple Accesses) 네트워크, EVDO(Evolution-Data Optimization) 네트워크, 퍼블릭 랜드 모바일(Public Land Mobile) 네트워크 및/또는 다른 네트워크를 포함할 수 있다.
네트워크(12)는, 또 다른 예로, 근거리 지역 네트워크(LAN: Local Area Network), 무선 근거리 지역 네트워크(WLAN: Wireless Local Area Network), 광역 네트워크(Wide Area Network), 메트로폴리탄 네트워크(MAN: Metropolitan Network), 공중 스위칭 전화 네트워크(PSTN: Public Switched Telephone Network), 에이디 훅 네트워크(ad hoc network), 관리 IP 네트워크(managed IP network), 가상 사설 네트워크(Virtual Private Network), 인트라넷, 인터넷, 광섬유 기반 네트워크, 및/또는 이들의 결합, 또는 다른 타입의 네트워크를 포함할 수 있다.
충전 스테이션(EVCk)은 전기차(EVn)의 배터리(Bn)를 충전하기 위해 국내 및/또는 해외에 설치된 충전 디바이스이다. n은 도면부호로 지시된 객체가 복수임을 나타내기 위한 인덱스로서, 전기차의 수가 100만이라면, n은 1 내지 100만이다. 충전 스테이션(EVCk)은 국내 및/또는 해외의 주차장, 주유소, 공공기관, 빌딩, 아파트, 맨션, 개인 주택 등에 설치될 수 있다. 충전 스테이션(EVCk)은 배터리 성능관리 서버(11)와 통신이 가능하도록 네트워크(12)와 커플링될 수 있다.
바람직하게, 전기차(EVn)는 배터리(Bn)와 제어 시스템(15)을 포함한다. 제어 시스템(15)은 컴퓨터 디바이스로서 배터리(Bn)의 충방전 동작을 제어하고, 배터리(Bn)의 충방전 시 배터리(Bn)의 전압, 전류 및 온도를 측정하여 저장수단(15a)에 기록한다. 제어 시스템(15)은 또한 전기차(EVn)의 운행과 관련된 기계 메커니즘 및/또는 전자 메커니즘의 제어 동작을 수행할 수 있다.
저장수단(15a)은 비일시적 메모리 다비이스(non-transitory memory device)로서 데이터를 기록 및/또는 소거 및/또는 수정 및/또는 전송할 수 있는 컴퓨터 저장매체이다. 저장수단(15a)은 일 예로 플래시 메모리, 하드디스크, SSD(Solid State Disk) 또는 다른 타입의 데이터 저장용 하드웨어일 수 있다.
전기차(EVn)의 제어 시스템(15)은 배터리(Bn)가 충전 또는 방전되는 동안 배터리(Bn)의 동작 특성 정보를 수집하여 저장수단(15a)에 기록할 수 있다. 동작 특성 정보는 배터리(Bn)의 전압, 전류 및 온도 중에서 선택된 하나 이상을 포함할 수 있다. 제어 시스템(15)은 배터리(Bn)의 동작 특성 정보를 배터리(Bn)의 충전상태(SOC) 및/또는 타임 스탬프와 함께 저장수단(15a)에 기록할 수 있다. 제어 시스템(15)은 당업계에 공지된 암페어 카운팅법, OCV법, 확장칼만필터 등을 이용하여 배터리(Bn)의 충전상태를 추정할 수 있다. 제어 시스템(15)은 배터리(Bn)의 동작 특성 정보를 수집하기 위해 배터리(Bn)에 설치된 전압 센서, 전류 센서 및 온도 센서와 전기적으로 결합될 수 있다.
제어 시스템(15)은 전기차(EVn)의 운행 특성 정보를 저장수단(15a)에 기록할 수 있다. 운행 특성 정보는 전기차(EVn)의 속도, 전기차(EVn)의 운행 지역 및 습도로 이루어진 군에서 선택된 적어도 하나 이상을 포함한다. 바람직하게, 제어 시스템(15)은 전기차(EVn)의 운행 특성 정보를 타임 스탬프와 함께 저장수단(15a)에 기록할 수 있다. 제어 시스템(15)은 운행 특성 정보의 수집 및 저장을 위해, 속도 센서, GPS 센서 및 습도 센서와 전기적으로 결합될 수 있다.
충전 스테이션(EVCk)은 전기차(EVn)의 충전 포트를 통해 전기차(EVn)의 배터리(Bn)를 충전하고, 배터리(Bn)의 충전이 진행되는 동안 배터리 성능 평가 정보를 수집하여 배터리 성능관리 서버(11)로 전송한다. 또한, 충전 스테이션(EVCk)은 배터리 성능관리 서버(11)로부터 배터리(Bn)의 충방전 제어 시 사용되는 다양한 제어 팩터를 전송 받아 전기차(EVn)의 제어 시스템(15)으로 전달할 수 있다. 그러면, 전기차(EVn)의 제어 시스템(15)은 배터리(Bn)의 충방전 제어에 사용되는 제어 팩터를 갱신할 수 있다. 이에 대해서는 후술하기로 한다.
바람직하게, 배터리 성능관리 시스템(10)은 배터리 성능관리 서버(11)와 연결된 대용량 데이터베이스(16)를 포함할 수 있다.
일 측면에 따르면, 배터리 성능관리 서버(11)는, 전기차(EVn)가 충전 스테이션(EVCk)에서 충전되는 동안 네트워크(12)를 통해 충전 스테이션(EVCk)으로부터 전기차(EVn)의 운행 특성 누적 정보, 배터리(Bn)의 동작 특성 누적 정보 및 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 수집하여 데이터베이스(16)의 성능 평가 정보 저장부(16a)에 저장할 수 있다.
바람직하게, 배터리(Bn)의 동작 특성 누적 정보는, 전압 구간별 누적 동작 시간, 전류 구간별 누적 동작 시간 및 온도 구간별 누적 동작 시간을 포함하는 군에서 선택된 적어도 하나 이상을 포함할 수 있다.
바람직하게, 전기차(EVn)의 운행 특성 누적 정보는, 속도 구간별 누적 운행 시간, 운행 지역별 누적 운행 시간 및 습도 구간별 누적 운행 시간을 포함하는 군에서 선택된 적어도 하나 이상을 포함할 수 있다.
바람직하게, 최신 충전 특성 정보는 배터리(Bn)가 충전되는 동안 측정 또는 예측된 배터리(Bn)의 동작 특성 정보로서, 복수의 시점에서 측정 또는 예측된 배터리의 충전 상태, 전압, 전류 및 온도를 포함하는 군에서 선택된 적어도 하나 이상을 포함할 수 있다.
충전 스테이션(EVCk)은 전기차(EVn)의 충전이 이루어지는 동안, 전기차(EVn)의 제어 시스템(15)과 통신을 수행하여 정보 및/또는 데이터를 교환할 수 있다. 일 예에서, 통신은 충전 케이블에 포함된 데이터 통신 라인을 통해 이루어진다. 대안적으로, 통신은 충전 스테이션(EVCk)과 전기차(EVn) 상호 간의 무선 통신을 통해서 이루어진다. 이를 위해, 충전 스테이션(EVCk)과 전기차(EVn)는 근거리 무선 통신 디바이스를 포함할 수 있다.
충전 스테이션(EVCk)은 전기차(EVn)로부터 수집된 정보 및/또는 데이터를 네트워크(12)를 통해 미리 정의된 통신 프로토콜에 따라 배터리 성능관리 서버(11)로 전송할 수 있다.
배터리 성능관리 서버(11)는, 전기차(EVn)가 충전 스테이션(EVCk)에서 충전되는 동안 충전 스테이션(EVCk)으로부터 전기차(EVn)의 식별정보 및 배터리(Bn)의 식별정보와, 배터리(Bn)의 동작 특성 누적 정보, 전기차(EVn)의 운행 특성 누적 정보 및 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 전송 받아 데이터베이스(16)의 성능 평가 정보 저장부(16a)에 저장할 수 있다.
여기서, 전기차(EVn)의 식별정보는 자동차 모델 코드일 수 있고, 배터리(Bn)의 식별정보는 배터리(Bn)의 모델 코드일 수 있다.
바람직하게, 충전 스테이션(EVCk)은 전기차(EVn)의 식별정보 및 배터리(Bn)의 식별정보와, 배터리(Bn)의 동작 특성 누적 정보, 전기차(EVn)의 운행 특성 누적 정보 및 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 전기차(EVn)의 충전이 진행되는 동안 전기차(EVn)의 제어 시스템(15)으로부터 수신할 수 있고, 수신된 정보 및/또는 데이터를 네트워크(12)를 통해 배터리 성능관리 서버(11)로 전송할 수 있다.
일 측면에 따르면, 배터리 성능관리 서버(11)는 충전 스테이션(EVCk)으로부터 전송된 전기차(EVn)의 동작 특성 누적 정보를 분석하여 동작 특성 별로 도수 분포 데이터를 생성한 후, 전기차(EVn)의 식별정보 및/또는 배터리(Bn)의 식별정보와 매칭시켜 데이터베이스(16)의 학습 데이터 저장부(16b)에 기록할 수 있다.
일 측면에 따르면, 동작 특성 누적 정보에 대한 도수 분포 데이터에 있어서 변량(variable)은 전압, 전류 또는 온도이고, 도수(frequency)는 각 변량에서의 배터리(Bn)의 누적 동작 시간일 수 있다.
도 2는 배터리(Bn)의 동작 특성 누적 정보 중 전압에 대한 도수 분포 데이터의 일 예를 나타낸 그래프이고, 도 3은 배터리(Bn)의 동작 특성 누적 정보 중 전류에 대한 도수 분포 데이터의 일 예를 나타낸 그래프이고, 도 4는 배터리(Bn)의 동작 특성 누적 정보 중 온도에 대한 도수 분포 데이터의 일 예를 나타낸 그래프이다.
도 2 내지 도 4를 참조하면, 도수 분포 데이터들은 전기차(EVn)가 운행하는 동안 전압 구간별 배터리(Bn)의 누적 동작 시간, 전류 구간별 배터리(Bn)의 누적 동작 시간 및 온도 구간별 배터리(Bn)의 누적 동작 시간 정보를 제공할 수 있다. 도수 분포 데이터들은 전기차(EVn)의 운행 이력을 나타내며, 배터리 성능관리 서버(11)가 인공 지능 모델을 학습시키는데 사용될 수 있다. 이에 대해서는 후술하기로 한다.
다른 측면에 따르면, 배터리 성능관리 서버(11)는 충전 스테이션(EVCk)으로부터 전송된 전기차(EVn)의 운행 특성 누적 정보를 분석하여 운행 특성 별로 도수 분포 데이터를 생성한 후, 전기차(EVn)의 식별정보 및/또는 배터리(Bn)의 식별정보와 매칭시켜 데이터베이스(16)의 학습 데이터 저장부(16b)에 기록할 수 있다.
운행 특성에 대한 도수 분포 데이터에 있어서, 변량(variable)은 전기차(EVn)의 속도, 전기차(EVn)의 운행 지역 또는 전기차(EVn)가 운행되는 지역의 습도이고, 도수(frequency)는 각 변량에서의 전기차(EVn)의 누적 운행 시간일 수 있다.
도 5는 전기차(EVn)의 운행 특성 누적 정보 중 속도에 대한 도수 분포 데이터의 일 예를 나타낸 그래프이고, 도 6은 전기차(EVn)의 운행 특성 누적 정보 중 전기차(EVn)의 운행 지역에 대한 도수 분포 데이터의 일 예를 나타낸 그래프이고, 도 7은 전기차(EVn)의 운행 특성 누적 정보 중 전기차(EVn)가 운행하는 지역의 습도에 대한 도수 분포 데이터의 일 예를 나타낸 그래프이다.
도 5 내지 도 7을 참조하면, 도수 분포 데이터들은 전기차(EVn)가 운행하는 동안 전기차(EVn)의 속도 구간별 누적 운행 시간, 운행 지역별 누적 운행 시간 및 습도 구간별 누적 운행 시간에 관한 정보를 제공할 수 있다. 지역은 국내 및/또는 해외의 행정구역일 수 있다. 일 예로, 지역은 도시(city)일 수 있으나, 본 발명이 이에 한정되는 것은 아니다. 도수 분포 데이터들은 배터리 성능관리 서버(11)가 인공 지능 모델을 학습시키는데 사용될 수 있다. 이에 대해서는 후술하기로 한다.
또 다른 측면에 따르면, 배터리 성능관리 서버(11)는 충전 스테이션(EVCk)으로부터 전송된 전기차(EVn)의 최신 충전 특성 정보를 데이터베이스(16)의 성능 평가 정보 저장부(16a)에 기록할 수 있다.
바람직하게, 최신 충전 특성 정보는 전기차(EVn)의 배터리(Bn)가 충전 스테이션(EVCk)에서 충전되는 동안 복수의 시점에서 측정 또는 예측된 SOC, 전압, 전류 및 온도를 포함하는 군에서 선택된 적어도 하나 이상의 동작 특성 데이터들을 포함한다.
각 측정 시점에서 측정된 동작 특성 데이터는 4차원 벡터인 (SOCk, Ik, Vk, Tk)로 나타낼 수 있다. k는 동작 특성의 측정 시점에 대한 index이다. 측정 회수가 n번이면, k는 자연수로서 1 내지 n이고, 최신 충전 특성 정보에 포함되는 데이터의 수는 n이다.
배터리 성능관리 서버(11)는 소정 조건이 충족될 때 최신 충전 특성 정보에 포함된 동작 특성 데이터들을 이용하여 배터리(Bn)의 퇴화도를 결정하고, 퇴화도를 전기차(EVn)의 식별정보 및/또는 배터리(Bn)의 식별정보와 함께 데이터베이스(16)의 학습 데이터 저장부(16b)에 기록할 수 있다.
일 예에서, 배터리 성능관리 서버(11)는 최신 충전 특성 정보가 미리 설정된 퇴화도 추정 전압 구간에서 수집되었는지 판단한다. 이를 위해, 배터리 성능관리 서버(11)는 최신 충전 특성 정보에 포함된 전압 데이터 Vk의 분포를 검사할 수 있다. 배터리 성능관리 서버(11)는 해당 판단이 YES이면, 상기 퇴화도 추정 전압 구간에서 측정된 전류 데이터들을 적산하여 충전용량 변화량을 결정하고, 기준 충전용량 변화량 대비 상기 충전용량 변화량의 비율을 퇴화도로 결정할 수 있다. 기준 충전용량 변화량은 BOL 상태에 있는 배터리(Bn)가 상기 퇴화도 추정 전압 구간에서 충전되는 동안 나타내는 충전용량 변화량으로서, 기준 충전용량 변화량은 배터리(Bn) 모델 별로 데이터베이스(16)의 파라미터 저장부(16c)에 미리 기록될 수 있다.
다른 예에서, 배터리 성능관리 서버(11)는 최신 충전 특성 정보를 분석하여 미리 설정된 퇴화도 추정 전압 구간 내에서 배터리(Bn)가 충전되었고, 가변 충전 전류 조건 하에서 복수의 전압 데이터가 측정되었는지 판단한다. 이를 위해, 배터리 성능관리 서버(11)는 최신 충전 특성 정보에 포함된 전압 데이터 Vk와 전류 데이터 Ik의 분포를 검사할 수 있다. 배터리 성능관리 서버(11)는 해당 판단이 YES이면, 최신 충전 특성 정보 중에서 미리 설정된 퇴화도 추정 전압 구간 내에서 측정된 복수의 전류 및 전압 데이터들에 대해 선형 회귀 분석을 실시하여 |dV/dI|의 평균값을 배터리(Bn)의 내부저항값으로 결정하고, 상기 내부저항값 대비 기준 내부저항값의 비율을 배터리(Bn)의 퇴화도로 결정할 수 있다. 본 실시예에서, 충전 스테이션(EVCk)은 배터리(Bn)가 미리 설정된 퇴화도 추정 전압 구간 내에서 충전되는 동안 교류 충전 전류 및/또는 진폭이 다른 충전 펄스를 배터리(Bn)에 인가할 수 있다. 그러면, 가변 충전 전류 조건 하에서 복수의 전압 데이터가 측정될 수 있다. 기준 내부저항값은 BOL 상태에 있는 배터리(Bn)의 내부저항값이며, 기준 내부저항값은 배터리 모델(Bn) 별로 데이터베이스(16)의 파라미터 저장부(16c)에 미리 기록될 수 있다.
배터리 성능관리 서버(11)는 인공 지능 모델을 이용하여 충전 스테이션(EVCk)으로부터 전송된 배터리(Bn)의 동작 특성 누적 정보, 전기차(EVn)의 운행 특성 누적 정보 및 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보로부터 배터리(Bn)의 퇴화도를 결정할 수 있다.
본 발명에 있어서, 최신 충전 특성 정보로부터 계산되는 퇴화도는 인공 지능 모델을 학습하는데 사용되는 빅데이터의 일부를 구성한다. 따라서, 본 발명의 기술적 과제를 달성하기 위한 퇴화도 결정은 실질적으로 빅데이터에 기초하여 학습된 인공 지능 모델에 의해 결정된다.
그 이유는, 최신 충전 특성 정보로부터 계산되는 퇴화도는 소정 조건이 충족될 때에만 결정될 수 있다는 제한이 있고, 배터리(Bn)의 과거 사용 이력이 충분하게 고려되지 않은 것이므로 빅데이터에 기초하여 학습된 인공 지능 모델에 의해 결정되는 퇴화도가 정확도 및 신뢰성이 더 높기 때문이다.
바람직하게, 인공 지능 모델은 프로그램 언어로 코팅된 소프트웨어 알고리즘으로서, 인공 신경망일 수 있다. 하지만, 본 발명이 이에 한정되는 것은 아니다.
도 8은 본 발명의 일 실시예에 따른 인공 신경망(100)의 구조를 나타낸 도면이다.
도 8을 참조하면, 인공 신경망(100)은 입력층(101), 복수의 은닉층(102) 및 출력층(103)을 포함한다. 입력층(101), 복수의 은닉층(102) 및 출력층(103)은 복수의 노드들을 포함한다.
배터리 성능관리 서버(11)는 인공 신경망(100)을 학습할 때 또는 인경 신경망(100)을 이용하여 배터리(Bn)의 퇴화도를 결정하고자 할 때, 입력층(101)으로 충전 스테이션(EVCk)으로부터 수집된 배터리(Bn)의 동작 특성 누적 정보로부터 생성된 도수 분포 데이터, 전기차(EVn)의 운행 특성 누적 정보로부터 생성된 도수 분포 데이터 및 최신 충전 특성 정보에 포함된 데이터를 입력할 수 있다.
입력층(101)의 노드들에 입력(할당)되는 동작 특성 누적 정보는 전압 구간별 제1누적 시간 값 및/또는 전류 구간 별 제2누적 시간 값 및/또는 온도 구간별 제3누적 시간 값을 포함할 수 있다. 제1 내지 제3누적 시간 값은 배터리(Bn)의 보증 수명에 대응되는 전체 사용가능 시간을 기준으로 한 비율로서 정규화(normalization)하는 것이 바람직하다. 일 예에서, 특정 전압 구간에서의 누적 시간 값이 1000 시간이고, 전체 사용가능 시간이 20000시간이라면, 정규화된 누적 시간 값은 1/20(0.05)이다.
제1누적 시간 값의 개수는 전압 구간의 수에 대응하고, 제2누적 시간 값의 개수는 전류 구간의 수에 대응하고, 제3누적 시간 값의 개수는 온도 구간의 수에 대응할 수 있다. 예를 들어, 전압 구간의 수가 5 개, 전류 구간의 수가 9개, 온도 구간의 수가 10개라면, 제1 내지 제3누적 시간 값의 수는 각각 5개, 9개 및 10개이다.
바람직하게, 입력층(101)은 제1누적 시간 값의 수 및/또는 제2누적 시간 값의 수 및/또는 제3누적 시간 값의 수에 대응되는 수의 노드들을 포함할 수 있다.
입력층(101)의 노드들에 입력(할당)되는 운행 특성 누적 정보는 속도 구간별 제4누적 시간 값 및/또는 운행 지역별 제5누적 시간 값 및/또는 습도 구간별 제6누적 시간 값을 포함할 수 있다. 제4 내지 제6누적 시간 값은 배터리(Bn)의 보증 수명에 대응되는 전체 사용가능 시간을 기준으로 한 비율로서 정규화하는 것이 바람직하다. 일 예에서, 특정 속도 구간에서의 누적 시간 값이 2000 시간이고, 전체 사용가능 시간이 20000시간이라면, 정규화된 누적 시간 값은 1/10(0.1)이다.
제4누적 시간 값의 개수는 속도 구간의 수에 대응하고, 제5누적 시간 값의 개수는 전기차(EVn)가 운행되는 지역의 수에 대응하고, 제6누적 시간 값의 개수는 습도 구간의 수에 대응할 수 있다. 예를 들어, 속도 구간의 수가 8 개, 운행 지역의 수가 20개, 온도 구간의 수가 6개라면, 제4 내지 제6누적 시간 값의 수는 각각 8개, 20개 및 6개이다.
바람직하게, 입력층(101)은 제4누적 시간 값의 수 및/또는 제5누적 시간 값의 수 및/또는 제6누적 시간 값의 수에 대응되는 수의 노드들을 포함할 수 있다.
입력층(101)의 노드들에 입력(할당)되는 최신 충전 특정 정보는 전압 데이터 및 온도 데이터를 포함할 수 있다. 배터리(Bn)의 전압과 온도는 모두 SOC별로 측정되므로, 전압 데이터의 입력을 위해 100 개의 노드가 할당될 수 있고, 온도 데이터의 입력을 위해 또 다른 100 개의 노드가 할당될 수 있다.
여기서, 100은 SOC가 0%부터 100%까지 1%씩 변화한다고 할 때, 1%부터 100%까지의 SOC에 대응되는 노드의 수이다. 만약, 31% 내지 50%의 SOC 구간에서 배터리(Bn)의 전압과 온도가 측정되었다면, 31% 내지 50%에 대응되는 20개의 노드에 전압 데이터가 입력되고, 31% 내지 50%에 대응되는 또 다른 20개의 노드에 온도 데이터가 입력될 수 있다. 그리고, 1% 내지 30% 구간의 SOC와 51% 내지 100% 구간의 SOC에 대응되는 노드에는 전압 데이터와 온도 데이터가 입력되지 않고 0이 할당될 수 있다.
한편, 소수점 이하의 값을 포함하는 SOC에서 측정된 전압 데이터와 온도 데이터에 대해서는 내삽법(interpolation) 또는 외삽법(extrapolation)을 통해 소수점이 없는 근처 SOC의 전압 데이터 및 온도 데이터로 변환할 수 있다. 경우에 따라, 인공 신경망의 학습 연산량을 줄이기 위해 온도 데이터는 입력 데이터에서 제외시킬 수 있다. 이 경우, 입력층(101)은 온도 데이터가 입력되는 노드들을 포함하지 않을 수 있다.
출력층(103)은, 배터리(Bn)의 퇴화도 정보가 출력되는 노드를 포함할 수 있다. 도 8에 도시된 바와 같이, 인공 신경망(100)이 스토캐스틱 모델(stochastic model)에 기초하여 설계된 경우, 출력층(103)은 배터리(Bn) 퇴화도의 확률 분포를 출력하기 위한 복수의 노드들을 포함할 수 있다.
일 예에서, 인공 신경망(100)이 71% 내지 100% 사이의 퇴화도를 1% 단위로 결정할 수 있도록 설계될 경우, 출력층(103)은 총 30 개의 노드를 포함할 수 있다. 이 경우, 30개의 노드들 중에서 가장 높은 확률 값이 출력되는 노드에 대응되는 퇴화도가 배터리(Bn)의 퇴화도로 결정될 수 있다. 예를 들어, 10번째 노드에서 출력되는 확률이 가장 높다면, 배터리(Bn)의 퇴화도는 80%로 결정될 수 있다. 퇴화도의 정확도를 향상시키기 위해 노드의 수를 더 증가시킬 수 있음은 당업자에게 자명하다.
대안적으로, 인공 신경망(100)이 결정 모델(deterministic model)에 기초하여 설계된 경우, 출력층(103)은 배터리(Bn)의 퇴화도를 직접적으로 출력하기 위한 적어도 하나의 노드를 포함할 수 있다.
입력층(101)과 출력층(103) 사이에 개재되는 은닉층(102)들의 수와 각 은닉층(102)에 포함되는 노드들의 수는 인공 신경망(100)의 학습 연산량과 인공 신경망(100)의 정확도 및 신뢰성을 고려하여 적절하게 선택할 수 있다.
인공 신경망(100)에 있어서, 활성화 함수로는 시그모이드(Sigmoid) 함수가 사용될 수 있다. 대안적으로, SiLU(Sigmoid Linear Unit) 함수, ReLu(Rectified Linear Unit) 함수, 소프트플러스(softplus) 함수, ELU(Exponential Linear Unit) 함수, SQLU(Square Linear Unit) 함수 등 당업계에 공지된 다양한 활성화 함수가 사용될 수 있다.
인공 신경망(100)에 있어서, 노드들 상호 간의 연결 웨이트(weight)와 바이어스(bias)의 초기값은 랜덤하게 설정될 수 있다. 또한, 연결 웨이트와 바이어스는 인공 신경망의 학습 과정에서 최적화시킬 수 있다.
일 실시예에서, 인경 신경망은 역전파 알고리즘에 의해 학습될 수 있다. 또한, 인경 신경망이 학습되는 동안 연결 웨이트와 바이어스는 옵티마이저에 의해 최적화될 수 있다.
일 실시예에서, 옵티마이저로는 SGD(Stochastic Gradient Descent) 알고리즘이 사용될 수 있다. 대안적으로, NAG(Nesterov Accelerated Gradient) 알고리즘, Momentum 알고리즘, Nadam 알고리즘, Adagrad 알고리즘, RMSProp 알고리즘, Adadelta 알고리즘, Adam 알고리즘 등이 사용될 수 있다.
배터리 성능관리 서버(11)는 데이터베이스(16)의 학습데이터 저장부(16)에 저장된 학습 데이터를 이용하여 인공 신경망(100)을 주기적으로 반복 학습시킬 수 있다.
이를 위해, 배터리 성능관리 서버(11)는 상술한 방법을 이용하여 복수의 충전 스테이션(EVCk)들에서 수많은 전기차(EVn)가 충전되는 동안 학습 데이터를 수집하여 데이터베이스(16)의 학습 데이터 저장부(16b)에 누적해서 기록한다.
학습 데이터는 학습 입력 데이터와 학습 출력 데이터로 구성된다. 학습 입력 데이터는 전기차(EVn)의 운행 특성 누적 정보로부터 생성된 도수 분포 데이터, 배터리(Bn)의 동작 특성 누적 정보로부터 생성된 도수 분포 데이터 및 최신 충전 특성 정보에 포함된 데이터를 포함할 수 있다. 또한, 학습 출력 데이터는 배터리(Bn)의 퇴화도를 포함한다. 학습 데이터는 전기차(EVn)가 충전 스테이션(EVCk)에서 충전되는 동안 얻을 수 있다.
바람직하게, 학습 데이터는 전기차(EVn)의 식별정보 및/또는 배터리(Bn)의 식별정보와 매칭되어 데이터베이스(16)의 학습 정보 저장부(16b) 기록될 수 있다. 따라서, 학습 데이터 저장부(16b)에는 동일 모델의 배터리(Bn)를 장착하고 있는 동일 모델의 전기차(EVn)로부터 수집된 수많은 학습 데이터들이 기록될 수 있다. 또한, 학습 데이터는 충전 스테이션(EVCk)에서 지속적으로 수집되므로 그 량은 점점 더 증가될 수 있다.
바람직하게, 배터리 성능관리 서버(11)는 데이터의 분산 처리를 통해 인공 신경망(100) 학습의 연산 로드를 줄이고 인공 신경망(100)이 예측하는 출력의 신뢰성을 향상시키기 위해 전기차(EVn)의 모델 및/또는 배터리(Bn) 모델별로 인공 신경망을 별도로 학습시킬 수 있다.
즉, 배터리 성능관리 서버(11)는 인공 신경망(100)을 주기적으로 학습시킬 때 학습 데이터 저장부(16b)에 저장된 학습 데이터들 중에서 전기차(EVn)의 모델 및/또는 배터리(Bn) 모델이 동일한 학습 데이터들만을 추출하여 해당하는 전기차(EVn)의 모델 및/또는 배터리(Bn) 모델에 전속된 인공 신경망(100)을 독립적으로 학습시킬 수 있다. 또한, 배터리 성능관리 서버(11)는 전기차(EVn)의 모델 및/또는 배터리(Bn) 모델에 대해 신규로 수집된 학습 데이터의 량이 기준치 이상으로 증가하면, 해당하는 인공 신경망(100)의 학습을 재개하여 인공 신경망(100)의 정확도를 더욱 향상시킬 수 있다.
한편, 전기차(EVn)의 운행 특성 누적 정보 중에서 운행 지역별 운행 누적 시간 정보로부터 생성되는 도수 분포 데이터(도 6 참조)의 변량이 지나치게 많은 경우, 복수의 지역을 그룹핑한 광역지역 별로 인공 신경망(100)을 별도로 학습시킬 수 있다.
일 예로, 전기차(EVn)의 모델이 총 100 개이고, 전기차(EVn)에 탑재된 배터리(Bn) 모델이 총 10개이고, 전기차(EVn)의 운행 도시가 국내 및 해외를 포함하여 총1000개인 경우를 가정해 보자. 이 경우, 배터리 성능관리 서버(11)는 도시들을 소정 기준에 따라 그룹핑하고, 총 100*10*(지역들의 그룹핑 수)에 대응하는 수의 인공 신경망을 학습시킬 수 있다. 일 예에서, 도시들의 그룹핑은 나라 단위로 이루어질 수 있다. 다른 예에서, 그룹핑은 동일 국가 내에서 소정 수의 인접 도시들 단위로 이루어질 수 있다.
이 경우, 배터리 성능관리 서버(11)는 인공 신경망(100)을 학습시킬 때 학습 데이터 저장부(16b)에 저장된 학습 데이터들 중에서 전기차(EVn)의 모델 및/또는 배터리(Bn) 모델이 동일하고 운행 지역에 대한 도수 분포 데이터의 변량(도시들)이 동일한 학습 데이터들만을 추출하고, 운행 지역 및/또는 전기차(EVn)의 모델 및/또는 배터리(Bn) 모델에 전속된 인공 신경망(100)을 독립적으로 학습시킬 수 있다. 또한, 배터리 성능관리 서버(11)는 운행 지역 및/또는 전기차(EVn)의 모델 및/또는 배터리(Bn) 모델이 동일한 신규 학습 데이터의 량이 기준치 이상으로 증가하면, 해당 인공 신경망(100)의 학습을 재개하여 인공 신경망(100)의 정확도를 더욱 향상시킬 수 있다.
본 발명에 있어서, 인공 지능 모델은 인공 신경망에 한정되지 않는다. 따라서, 따라서, 인공 신경망 이외에도 가우시안 프로세스 모델(Gaussian Process Model)등이 사용될 수 있다. 전기차(EVn)의 누적 운행 특성 정보 및/또는 배터리(Bn)의 누적 동작 특성 정보 및/또는 최신 충전 특성 데이터와 퇴화도 사이의 상관 관계에 대한 학습 시에는 SVM(Support Vector Machine), K-Nearest Neighbor Algorithm, Naive-Bayes Classifier등을 활용할 수 있다. 학습에 사용된 퇴화도 정보의 신뢰성에 문제가 있는 경우 K-Means Clustering 등을 퇴화도 정보를 얻는 보조 수단으로서 사용할 수 있다.
한편, 배터리 성능관리 서버(11)는 배터리 제조사로부터 제공된 사이클별 동작 특성 누적 정보와 사이클별 최신 충전 특성 정보를 이용하여 학습된 보조 인공 신경망을 구비할 수 있다.
도 9는 본 발명의 일 실시예에 따른 보조 인공 신경망(100')의 구조를 예시적으로 나타낸 도면이다.
도 9를 참조하면, 보조 인공 신경망(100')은 입력층(101'), 다수의 은닉층(102') 및 출력층(103')을 포함한다. 보조 인공 신경망(100')은 입력층(101')에 전기차(EVn)의 운행 특성 누적 정보에 대응되는 데이터가 입력되는 노드들이 없다는 점을 제외하면, 도 8에 도시된 인공 신경망(100)과 실질적으로 동일하다.
보조 인공 신경망(100')은 인공 신공망(100)의 학습이 충분히 이루어지지 않은 경우, 배터리(Bn)의 퇴화도를 결정하는데 활용될 수 있다.
배터리 성능관리 서버(11)는 보조 인공 신경망(100')의 학습에 사용되는 데이터를 수집하기 위해 네트워크(12)를 통해 배터리 데이터 제공 서버(17)와 통신이 가능하도록 연결될 수 있다.
바람직하게, 배터리 데이터 제공 서버(17)는 배터리 제조회사 내에 설치될 수 있다. 배터리 데이터 제공 서버(17)는 전기차(EVn)에 탑재되는 배터리(Bn)에 관한 충방전 사이클 실험에서 얻은 사이클별 동작 특성 누적 정보, 사이클별 최신 충전 특성 정보 및 사이클별 배터리(Bn)의 퇴화도를 배터리(Bn)의 식별정보와 함께 네트워크(12)를 통해 배터리 성능관리 서버(11)로 전송할 수 있다.
충방전 사이클 실험은 충방전 시뮬레이터라는 장비를 이용하여 배터리(Bn)에 대해 다양한 충방전 조건 하에서 충전과 방전을 소정 회수 반복하는 실험을 지칭한다. 충방전 사이클 실험은 배터리(Bn)가 상용화되기 전에 배터리 제조사에서 필수적으로 진행하는 실험이다. 충방전 조건은 전기차(EVn)의 다양한 운행 조건(산악 주행, 험로 주행, 도심 주행, 고속도로 주행 등)과 기후 조건(온도, 습도 등)을 모사하는 것이 바람직하다.
충방전 시뮬레이터는 제어 컴퓨터, 충방전 장치 및 온도/습도 조절 챔버가 결합된 자동화된 실험 장비이다. 충방전 시뮬레이터는 각 사이클의 충전이 진행될 때 마다, 전압 구간별 누적 동작 시간 및/또는 전류 구간별 누적 동작 시간 및/또는 온도 구간별 누적 동작 시간을 적산하여 동작 특성 누적 정보를 생성하고, 충전이 진행되는 동안 SOC 및/또는 전압 및/또는 전류 및/또는 온도 를 측정 또는 예측하여 최신 충전 특성 정보를 생성하여 저장수단에 기록할 수 있다.
또한, 충방전 시뮬레이터는 각 사이클의 충전이 완료되면, 충전 완료 시점을 기준으로 배터리(Bn)의 퇴화도를 결정할 수 있다. 퇴화도는 소정의 충전 전압 구간에서 암페어 카운팅법으로 결정한 충전용량 변화량 또는 소정의 충전 전압 구간에서 측정한 전압 및 전류 데이터의 선형 회귀 분석을 통해 얻은 배터리의 내부저항을 통해서 산출할 수 있으며, 이에 대해서는 이미 상술하였다.
배터리 데이터 제공 서버(17)는 충방전 사이클 실험을 통해서 얻은 데이터를 저장하는 데이터베이스(18)를 포함할 수 있다. 배터리 데이터 제공 서버(17)는 배터리(Bn)에 대해 각 충방전 사이클에서 사이클별 동작 특성 누적 정보, 사이클별 최신 충전 특성 정보 및 사이클별 퇴화도를 배터리(Bn)의 식별정보와 매칭시켜 데이터베이스(18)에 저장할 수 있다. 데이터베이스(18)에 저장되는 데이터는 충방전 시뮬레이터로부터 네트워크(12)를 통해 전송될 수 있다.
배터리 데이터 제공 서버(17)는 주기적으로 데이터베이스(18)에 저장된 사이클별 동작 특성 누적 정보, 사이클별 최신 충전 특성 정보 및 사이클별 퇴화도를 포함하는 보조 학습 데이터를 배터리(Bn) 식별정보와 함께 네트워크(12)를 통해 배터리 성능관리 서버(11)로 전송할 수 있다. 보조 학습 데이터의 수는 충방전 사이클 실험을 행한 회수에 대응한다. 예를 들어, 특정 모델의 배터리에 대한 충방전 사이클 실험이 200회 진행되었다면, 보조 학습 데이터의 수는 200개이다.
배터리 성능관리 서버(11)는 배터리 데이터 제공 서버(17)로부터 전송된 보조 학습 데이터를 배터리(Bn)의 식별정보와 매칭시켜 데이터베이스(16)의 학습 데이터 저장부(16b)에 기록할 수 있다.
바람직하게, 보조 학습 데이터 중에서, 동작 특성 누적 정보에 포함된 전압 구간별 누적 동작 시간 및/또는 전류 구간별 누적 동작 시간 및/또는 온도 구간별 누적 동작 시간에 관한 정보는 도수 분포 데이터로 변환되어 데이터베이스(16)의 학습 데이터 저장부(16b)에 저장될 수 있다.
배터리 성능관리 서버(11)는 데이터베이스(16)에 보조 학습 데이터가 저장된 이후에, 보조 학습 데이터를 이용하여 배터리 모델 별로 보조 인공 신경망(100')을 학습시킬 수 있다.
보조 인공 신경망(100')의 구조는 도 8에 나타낸 인공 신경망(100)의 구조와 유사하다. 차이점은, 전기차(EVn)의 운행 특성 누적 정보로부터 생성된 도수 분포 데이터가 입력되는 노드가 비활성화된다는 것이다. 하지만, 보조 인공 신경망(100')에 대한 학습 방법이나 나머지 특징들은 전술한 바와 실질적으로 동일하다.
배터리 성능관리 서버(11)는 배터리 데이터 제공 서버(17)로부터 전송된 보조 학습 데이터에 의해 학습된 보조 인공 신경망(100')과 복수의 충전 스테이션(EVCk)으로부터 전송된 데이터에 의해 학습된 인공 신경망(100)을 상호 보완적으로 사용하여 충전 스테이션(EVCk)에서 전기차(EVn)가 충전된 이후에 배터리(Bn)의 퇴화도를 결정하고, 결정된 퇴화도에 따라 배터리(Bn)의 충방전 제어에 사용되는 제어 팩터를 전기차(EVn)의 제어 시스템(15)으로 제공할 수 있다.
이하에서는, 도 10 및 도 11을 참조하여, 충전 스테이션(EVCK)에서 전기차(EVn)가 충전되는 동안 인공 지능 모델의 학습 데이터가 수집되는 과정, 배터리(Bn)의 퇴화도를 결정하는 과정, 결정된 퇴화도에 따라 배터리(Bn)의 충방전 제어에 사용되는 제어 팩터가 업데이트되는 과정을 상세히 설명한다.
도 10을 참조하면, 단계 S10에서, 배터리 성능관리 서버(11)는 충전 스테이션(EVCk)에서 전기차(EVn)의 충전이 진행되는 중에 또는 충전이 완료된 이후에 네트워크(12)를 통해 충전 스테이션(EVCk)으로부터 배터리(Bn)의 식별정보 및 전기차(EVn)의 식별정보와, 전기차(EVn)의 운행 특성 누적 정보, 배터리(Bn)의 동작 특성 누적 정보 및 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 전송 받는다. 단계 S10에서, 배터리 성능관리 서버(11)는 네트워크(12)를 통해 전송된 배터리 성능 평가 정보를 데이터베이스(16)의 성능 평가 정보 저장부(16a)에 기록할 수 있다.
단계 S20에서, 배터리 성능관리 서버(11)는 최신 충전 특성 정보에 포함된 전압 데이터(Vk) 및/또는 전류 데이터(Ik)를 참조하여 퇴화도 산출이 가능한 조건이 충족되는지 판단한다.
일 예에서, 퇴화도 산출 가능 조건은 전압 데이터(Vk)가 미리 설정된 퇴화도 추정 전압 구간 내에서 배터리(Bn)가 충전되었을 때 성립될 수 있다. 다른 예에서, 퇴화도 산출 가능 조건은 미리 설정된 퇴화도 추정 전압 구간 내에서 배터리(Bn)가 충전되었고, 가변 충전 전류 조건 하에서 복수의 전압 데이터(Vk)가 측정되었을 때 성립될 수 있다.
단계 S20의 판단이 YES이면 단계 S30이 실행되고, 단계 S20의 판단이 NO이면 단계 S60이 실행된다.
단계 S30에서, 배터리 성능관리 서버(11)는 최신 충전 특성 정보에 포함된 전압 데이터(Vk) 및/또는 전류 데이터(Ik)를 이용하여 배터리(Bn)의 퇴화도를 결정한다. 퇴화도 결정 방법은 이미 상술하였다. 단계 S30 이후에, 단계 S40이 진행된다.
단계 S40에서, 배터리 성능관리 서버(11)는 배터리(Bn)의 동작 특성 누적 정보로부터 전압 및/또는 전류 및/또는 온도에 대한 도수 분포 데이터를 생성하고, 전기차(EVn)의 운행 특성 누적 정보로부터 속도 및/또는 운행 지역 및/또는 습도에 대한 도수 분포 데이터를 생성한다. 단계 S40 이후에 단계 S50이 진행된다.
단계 S50에서, 배터리 성능관리 서버(11)는 동작 특성 누적 정보로부터 생성된 도수 분포 데이터, 운행 특성 누적 정보로부터 생성된 도수 분포 데이터, 최신 충전 특성 정보 및 단계 S30에서 결정된 배터리(Bn)의 퇴화도를 배터리(Bn)의 식별정보 및/또는 전기차(EVn)의 식별정보와 매칭시켜 데이터베이스(16)의 학습정보 저장부(16b)에 기록한다. 여기서, 동작 특성 누적 정보로부터 생성된 도수 분포 데이터, 운행 특성 누적 정보로부터 생성된 도수 분포 데이터 및 최신 충전 특성 정보는 학습 입력 데이터에 해당하고, 배터리(Bn)의 퇴화도는 학습 출력 데이터에 해당한다. 단계 S50 이후에, 단계 S60이 진행된다.
단계 S60에서, 배터리 성능관리 서버(11)는 배터리(Bn)의 식별정보 및/또는 전기차(EVn)의 식별정보를 참조하여, 배터리(Bn)의 모델 및/또는 전기차(EVn)의 모델에 대응되는 학습된 인공 신경망(100)이 준비되어 있는지 판단한다.
일 예로, 배터리(Bn)의 모델이 BBB001이고, 전기차(EVn)의 모델이 EV001이라고 가정해 보자. 이 경우, 배터리 성능관리 서버(11)는 BBB001 모델의 배터리를 탑재한 EV001 모델의 전기차들이 충전 스테이션(EVCk)에서 충전되는 과정에서 수집된 기준치 이상의 데이터를 이용하여 학습된 인경 신경망(100)이 존재하는지 판단한다. 기준치는 일 예로, 수백 내지 수천일 수 있다.
단계 S60에서, 배터리 성능관리 서버(11)는 단계 S40에서 생성된 운행 지역별 도수 분포 데이터를 참조하여, 배터리(Bn)의 모델 및/또는 전기차(EVn)의 모델이 동일하고 운행 지역이 동일한 전기차(EVn)로부터 수집된 데이터에 의해 학습된 인공 신경망(100)이 존재하는지 판단할 수 있다.
일 예로, 배터리(Bn)의 모델이 BBB001이고, 전기차(EVn)의 모델이 EV001이고, 전기차(EVn)의 운행 지역으로부터 생성된 도수 분포 데이터의 지역 변량이 대한민국 내의 도시라고 가정해 보자. 이 경우, 배터리 성능관리 서버(11)는 BBB001 모델의 배터리를 탑재한 EV001 모델의 전기차들이 대한민국 내의 충전 스테이션(EVCk)에서 충전되는 과정에서 수집된 기준치 이상의 데이터를 이용하여 학습된 인경 신경망(100)이 준비되어 있는지 판단한다. 기준치는 일 예로, 수백 내지 수천일 수 있다.
단계 S60의 판단이 YES이면 단계 S70이 진행된다.
단계 S70에서, 배터리 성능관리 서버(11)는 인경 신경망(100)의 입력층(101)으로 전기차(EVn)의 운행 특성 누적 정보로부터 생성된 도수 분포 데이터와 배터리(Bn)의 동작 특성 누적 정보로부터 생성된 도수 분포 데이터와 배터리(Bn)의 최신 충전 특성 정보에 포함된 전압 데이터(Vk) 및 온도 데이터(Tk)를 입력한다. 인경 신경망(100)은 기준치 이상의 학습 데이터에 의해 학습된 상태에 있으므로 입력층(101)을 통해 데이터가 입력되면 출력층(103)을 통해 배터리(Bn)의 퇴화도를 출력한다. 그러면, 배터리 성능관리 서버(11)는 인공 신경망(100)을 통해 배터리(Bn)의 현재 퇴화도를 결정할 수 있다. 단계 S70 이후에 도 11의 단계 S80이 진행된다.
한편, 단계 S60의 판단이 NO이면, 배터리 성능관리 서버(11)는 단계 S70'에서 보조 인공 신경망(100')의 입력층(101')으로 배터리(Bn)의 동작 특성 누적 정보로부터 생성된 도수 분포 데이터(도 2 내지 도 5 참조)와 배터리(Bn)의 최신 충전 특성 정보에 포함된 전압 데이터(Vk) 및 온도 데이터(Tk)를 입력하여 배터리(Bn)의 현재 퇴화도를 결정할 수 있다. 보조 인공 신경망(100')은 배터리 데이터 제공 서버(17)로부터 제공된 배터리(Bn)에 대한 충방전 사이클 실험 데이터를 이용하여 사전에 학습된 인공 신경망으로서 그것의 학습 방법에 대해서는 이미 상술하였다.
단계 S70 또는 단계 S70'에서 배터리(Bn)의 현재 퇴화도가 결정되면 도 11의 단계 S80이 진행된다.
단계 S80에서, 배터리 성능관리 서버(11)는 데이터베이스(16)의 퇴화도 정보 저장부(16d)에 인공 신경망(100) 또는 보조 인공 신경망(100')을 통해 결정된 퇴화도를 전기차(EVn)의 식별정보 및/또는 배터리(Bn)의 식별정보와 매칭시켜 타임 스탬프와 함께 저장한다. 단계 S80 이후에 단계 S90이 진행된다.
단계 S90에서, 배터리 성능관리 서버(11)는 데이터베이스(16)의 퇴화도 정보 저장부(16d)에 기록된 배터리(Bn)의 이전 퇴화도와 현재 퇴화도를 비교하여 현재 퇴화도가 기준치 이상으로 증가하였는지 판단한다.
기준치는 사전에 정의되는 값으로서, 배터리(Bn)의 충방전 제어 과정에서 사용되는 다양한 제어 팩터에 대한 갱신 로직을 실행할 것인지 여부를 결정하기 위한 것이다. 일 예로, 기준치는 3-5%일 수 있다.
일 예에서, 제어 팩터는 충전상태 구간 별로 적용되는 충전전류 크기, 충전 상한 전압값, 방전 하한 전압값, 최대 충전전류, 최대 방전전류, 최소 충전전류, 최소 방전전류, 최대 온도, 최소 온도, 충전상태별 파워 맵, 및 충전상태 별 내부저항 맵 중에서 선택된 적어도 하나 이상일 수 있다.
다른 예에서, 제어 팩터는 배터리(Bn)가 펄스 충방전될 때 사용되는 것으로서, 펄스 전류 듀티비(펄스 휴지시간 대비 펄스 유지시간의 비율)의 상한, 펄스 전류 듀티비의 하한, 펄스 전류 듀레이션의 상한, 펄스 전류 듀레이션의 하한, 펄스 전류의 최대값 및 펄스 전류의 최소값 중에서 선택된 적어도 하나 이상을 포함할 수 있다.
또 다른 예에서, 제어 팩터는 배터리(Bn)가 스텝 충전될 때 사용되는 것으로서, 충전상태 구간 별로 적용되는 충전전류 크기를 포함할 수 있다.
또 다른 예에서, 제어 팩터는 배터리(Bn)가 CC/CV 모드로 충전될 경우, 사용되는 것으로서, 정전류 충전 (CC) 모드에서의 전류 크기, 정전류 충전(CC) 모드가 종료되는 컷오프 전압 및 정전압 충전(CV) 모드에서의 전압 크기 중에서 선택된 적어도 하나를 포함할 수 있다.
단계 S90의 판단이 YES이면 단계 S100이 실행된다.
단계 S100에서, 배터리 성능관리 서버(11)는 데이터베이스(16)의 제어팩터 저장부(16e)를 참조하여 배터리(Bn)의 현재 퇴화도에 대응되는 최신 제어 팩터를 독출하여 현재 퇴화도와 최신 제어 팩터를 포함하는 배터리 성능 평가 결과를 네트워크(12)를 통해 충전 스테이션(EVCk)으로 전송한다.
제어팩터 저장부(16e)는 배터리(Bn)의 퇴화도별로 제어 팩터 정보를 정의한 룩업 테이블을 수록하고 있다. 룩업 테이블은 배터리(Bn)의 식별정보 및/또는 전기차(EVn)의 식별정보와 매칭되어 기록된다. 따라서, 제어 팩터는 배터리(Bn)의 모델 및/또는 전기차(EVn)의 모델에 대응되는 룩업 테이블로부터 독출되는 것이 바람직하다. 단계 S100 이후에 단계 S110이 진행된다.
단계 S110에서, 충전 스테이션(EVCk)는 배터리(Bn)의 현재 퇴화도 및 이에 대응되는 최신 제어 팩터를 포함하는 배터리 성능 평가 결과를 네트워크(12)를 통해 전송 받은 후 충전 케이블의 통신 라인 또는 근거리 무선 통신을 통해 전기차(EVn)의 제어 시스템(15)으로 전송한다. 단계 S110 이후에 단계 S120이 진행된다.
단계 S120에서, 전기차(EVn)의 제어 시스템(15)은 배터리 성능 평가 결과에 포함된 최신 제어 팩터를 참조하여 배터리(Bn)의 충방전을 제어하는데 사용하는 이전의 제어 팩터를 갱신한다. 이로써, 제어 시스템(15)는 충전 스테이션(EVCk)에서 충전이 완료된 이후에는 배터리(Bn)의 퇴화도에 따라 최적으로 갱신된 최신 제어 팩터를 이용하여 배터리(Bn)의 충방전을 안전하게 제어할 수 있게 된다.
한편, 단계 S90의 판단이 NO이면 단계 S130이 실행된다.
단계 S130에서, 배터리 성능관리 서버(11)는 배터리(Bn)의 현재 퇴화도가 기준치 이상으로 증가되지 않았으므로 제어 팩터의 갱신이 필요하지 않음을 나타내는 메시지와 현재 퇴화도를 포함하는 배터리 성능 평가 결과를 네트워크(12)를 통해 충전 스테이션(EVCk)으로 전송한다. 단계 S130 이후에 단계 S140이 진행된다.
단계 S140에서, 충전 스테이션(EVCk)은 배터리 성능 평가 결과가 수신되면, 충전 케이블을 통해 또는 근거리 무선 통신을 통해 전기차(EVn)의 제어 시스템(15)으로 배터리 성능 평가 결과를 전달한다. 단계 S140 이후에 단계 S150이 진행된다.
단계 S150에서, 전기차(EVn)의 제어 시스템(15)은 배터리 성능 평가 결과로부터 이전 제어 팩터의 갱신이 필요하지 않다는 메시지를 확인하고, 배터리(Bn)의 충방전을 제어하는데 사용되는 제어 팩터를 그대로 유지한다.
도면에 도시하지 않았지만, 배터리 성능관리 서버(11)는 인공 신경망(100)의 학습이 완료된 이후에도, 배터리(Bn)의 퇴화도를 결정할 때 보조 인공 신경망(100')을 보조적으로 활용할 수 있다.
즉, 배터리 성능관리 서버(11)는 단계 S70에서 인공 신경망(100)을 이용하여 배터리(Bn)의 퇴화도(제1값)를 결정한 다음, 단계 S70'을 추가로 진행하여 보조 인공 신경망(100')을 이용하여 배터리(Bn)의 퇴화도(제2값)를 결정할 수 있다. 그런 다음, 제1값 및 제2값의 가중 평균 값을 배터리(Bn)의 퇴화도로 결정할 수 있다. 이 경우, 제1값에 부여되는 가중치(weight)는 인공 신경망(100)을 학습하는데 사용되는 학습 데이터의 량이 증가할수록 제2값에 부여되는 가중치보다 점점 증가시킬 수 있다.
일 예로, 제1값에 부여되는 가중치(weight)는 인공 신경망(100)과 보조 인경 신경망(100')을 학습시키는데 사용된 데이터의 총량 대비 인공 신경망(100)의 학습에 사용된 데이터의 비율로서 결정할 수 있다.
위와 같은 변형 실시예에 의하면, 인경 신경망(100)의 학습이 반복해서 진행될수록 배터리(Bn)의 퇴화도(제1값)는 인공 신경망(100)으로부터 결정된 퇴화도에 수렴한다. 반대로, 인공 신경망(100)의 학습에 사용된 학습 데이터의 량이 작은 경우 배터리(Bn)의 퇴화도는 보조 인공 신경망(100)으로부터 결정된 퇴화도(제2값)에 수렴하게 된다.
본 발명에 있어서, 전기차(EVn)의 제어 시스템(15)은 충전 스테이션(EVCk)로부터 전송된 배터리 성능 평가 결과에 포함된 배터리(Bn)의 현재 퇴화도를 전기차(EVn)에 설치된 통합 제어 디스플레이 패널을 통해 운전자에게 그래픽 유저 인터페이스로 제공할 수 있다. 바람직하게, 그래픽 유저 인터페이스는 퇴화도를 나타내는 숫자 및/또는 그래픽 게이지를 포함할 수 있다.
한편, 상술한 본 발명의 실시 예에 따른 배터리 성능관리 시스템(10)은, 배터리 성능관리 서버(11)와 네트워크(12)를 통해 통신 가능하도록 연결된 보험사 서버(19)를 더 포함할 수 있다.
이 경우, 배터리 성능관리 서버(11)는 전기차(EVn)의 퇴화도와 총 운행거리 및 전기차(EVn)의 식별정보를 보험사 서버(19)로 전송하도록 구성될 수 있다. 전기차(EVn)의 총 운행거리는 전기차(EVn)가 충전 스테이션(EVCk)에서 충전되는 동안 충전 스테이션(EVCk)을 통해 전기차(EVn)의 제어 시스템(15)으로부터 전송 받을 수 있다.
보험사 서버(19)는, 전기차(EVn)의 식별정보를 참조하여 해당 전기차(EVn)에 대한 보험료를 퇴화도 정보를 참조하여 산출하도록 구성될 수 있다.
즉, 보험사 서버(19)는 배터리(Bn)의 퇴화도가 높을수록 전기차(EVn)의 감가상각 비율을 증가시켜 전기차(EVn)의 가격을 산정할 수 있다. 또한, 보험사 서버(19)는 전기차(EVn)의 총 운행 거리에 비해 배터리(Bn)의 퇴화도가 평균 대비 클 경우 운전자의 운전 습관이 좋지 않은 것으로 가정하여 자동차 사고에 따른 위험 요율을 증가시켜 보험료를 증액시킬 수 있다.
보험사 서버(19)에 의해 계산된 보험료는 보험사 서버(19)의 데이터베이스(미도시)에 저장된 후, 전기차(EVn)의 보험 갱신 과정에서 참조될 수 있음은 자명하다.
본 발명의 실시예에 따른 전기차 충전 스테이션을 이용한 배터리 성능관리 방법은 복수의 프로세서 실행 명령들로 코딩된 후 배터리 성능관리 서버(11)에 구비된 비일시적 메모리 디바이스(non-transitory memory device: 도1의 11a)에 저장될 수 있다. 프로세서 실행 명령들은 배터리 성능관리 서버(11)에 구비된 프로세서(도1의 11b)로 하여금 전술한 단계들의 적어도 일부를 실행하게 만들 수 있다. 대안적으로, 하드웨어 논리 회로들이 프로세서 실행 명령들을 대체하여 전술한 단계들의 적어도 일부를 수행하도록 배터리 성능관리 서버(11) 내에 제공될 수 있다. 하드웨어 논리 회로들은 ASIC(Application-Specific Integrated Circuit) 또는 필드-프로그래밍 게이트 어레이(Field-Programmable Gate Array)일 수 있다. 하지만, 실시예의 단계들이 특정한 프로세서 실행 명령들, 특정한 하드웨어 회로들 또는 그 조합뿐만 아니라 다른 공지된 소프트웨어, 하드웨어 회로 또는 그 조합에 의해서도 실행될 수 있음은 당업자에게 자명할 것이다.
본 발명에 따르면, 복수의 충전 스테이션과 연계된 빅데이터 기반의 인공 지능 플랫폼 시스템을 이용하여 전기차의 운행 이력과 배터리의 동작 이력에 따라 배터리의 성능을 신뢰성 있게 평가하고 배터리의 충방전 제어에 사용되는 제어 팩터를 최적화시킬 수 있으므로 배터리의 사용 수명을 연장할 수 있을 뿐만 아니라 안전성도 증대시킬 수 있다.
신뢰성이 높은 배터리의 성능 관리 서비스를 전기차 사용자에게 제공함으로써 적절한 시점에 배터리의 교체를 유도할 수 있을 뿐만 아니라 배터리 제조 회사의 신뢰성 또한 재고할 수 있다.
전기차 사용자의 운전 성향이 반영된 배터리 성능 평가 정보를 빅데이터 기반의 데이터베이스로 구축함으로써 자동차 보험사의 정확한 보험료 산정 자료로 활용할 수 있다.
본 발명의 다양한 실시 양태를 설명함에 있어서, '~서버'라 명명된 구성 요소들은 물리적으로 구분되는 요소들이라고 하기 보다 기능적으로 구분되는 요소들로 이해되어야 한다. 따라서 각각의 구성요소는 다른 구성요소와 선택적으로 통합되거나 각각의 구성요소가 제어 로직(들)의 효율적인 실행을 위해 서브 구성요소들로 분할될 수 있다. 하지만 구성요소들이 통합 또는 분할되더라도 기능의 동일성이 인정될 수 있다면 통합 또는 분할된 구성요소들도 본 발명의 범위 내에 있다고 해석되어야 함은 당업자에게 자명하다.
이상에서 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.
Claims (19)
- 지역에 분산 설치된 복수의 충전 스테이션과 네트워크를 통해 통신 가능하도록 연결된 배터리 성능관리 서버; 및
상기 배터리 성능관리 서버와 연결되고, 전기차의 퇴화도 정보가 저장되는 데이터베이스를 포함하고,
상기 배터리 성능관리 서버는,
상기 충전 스테이션으로부터 배터리의 식별정보 및 동작 특성 누적 정보, 전기차의 식별정보 및 운행 특성 누적 정보, 및 배터리의 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 네트워크를 통해 수집하여 상기 데이터베이스에 저장하고,
배터리 성능 평가 정보를 입력 받아 배터리의 퇴화도를 출력하도록 미리 학습된 인공 지능 모델을 이용하여 상기 수집된 배터리 성능 평가 정보에 대응되는 현재 퇴화도를 결정하고,
상기 데이터베이스를 참조하여 배터리 동작의 제어에 사용되는 제어 팩터와 퇴화도 간의 상관 관계 정보를 이용하여 현재 퇴화도에 대응되는 최신 제어 팩터를 결정하고,
상기 최신 제어 팩터를 네트워크를 통해 충전 스테이션으로 전송하도록 구성된 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 제1항에 있어서,
상기 배터리 성능관리 서버는, 상기 현재 퇴화도가 직전 퇴화도 대비 기준치 이상 증가한 경우 배터리 동작의 제어에 사용되는 제어 팩터와 퇴화도 간의 상관 관계 정보를 이용하여 현재 퇴화도에 대응되는 최신 제어 팩터를 결정하도록 구성되는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 제1항에 있어서,
상기 충전 스테이션이 해당 전기차의 제어 시스템으로 상기 최신 제어 팩터를 전달하고 상기 해당 전기차의 제어 시스템이 제어 팩터를 상기 최신 제어 팩터로 갱신하도록 구성된 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 제1항에 있어서,
상기 배터리의 동작 특성 누적 정보는, 전압 구간별 누적 동작 시간, 전류 구간별 누적 동작 시간 및 온도 구간별 누적 동작 시간을 포함하는 군에서 선택된 적어도 하나 이상을 포함하는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 제1항에 있어서,
상기 전기차의 운행 특성 누적 정보는, 속도 구간별 누적 운행 시간, 운행 지역별 누적 운행 시간 및 습도 구간별 누적 운행 시간을 포함하는 군에서 선택된 적어도 하나 이상을 포함하는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 제4항 또는 제5항에 있어서,
상기 최신 충전 특성 정보는 복수의 시점에서 측정 또는 예측된 배터리의 충전 상태, 전압, 전류 및 온도 데이터를 포함하는 군에서 선택된 적어도 하나 이상을 포함하는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 제1항에 있어서,
상기 배터리 성능관리 서버는,
복수의 전기차 충전 스테이션으로부터 배터리 성능 평가 정보가 수신될 때마다, 상기 최신 충전 특성 정보가 배터리의 현재 퇴화도를 결정할 수 있을 정도의 데이터를 포함하고 있다고 판단되면, 상기 최신 충전 특성 정보로부터 배터리의 현재 퇴화도를 결정하고, 상기 배터리의 동작 특성 누적 정보, 상기 전기차의 운행 특성 누적 정보 및 상기 최신 충전 특성 정보를 상기 인공 지능 모델의 학습 입력 데이터로서 상기 데이터베이스에 저장하고, 상기 배터리의 현재 퇴화도를 상기 인공 지능 모델의 학습 출력 데이터로서 상기 데이터베이스에 저장하도록 구성되는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 제7항에 있어서,
상기 배터리 성능관리 서버는,
상기 데이터베이스에 기준치 이상의 학습 입력 데이터와 학습 출력 데이터가 누적 저장될 때마다 상기 인공 지능 모델을 반복적으로 학습시키는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 제7항에 있어서,
상기 배터리 성능관리 서버는,
상기 배터리의 식별정보 및/또는 상기 전기차의 식별정보 및/또는 상기 전기차 운행 지역과 매칭시켜 상기 학습 입력 데이터 및 상기 학습 출력 데이터를 데이터베이스에 저장하고,
기준치 이상의 학습 입력 데이터 및 학습 출력 데이터가 상기 배터리의 식별정보 및/또는 상기 전기차의 식별정보 및/또는 상기 전기차 운행 지역과 매칭되어 누적 저장될 때마다 상기 배터리의 식별정보 및/또는 상기 전기차의 식별정보 및/또는 상기 전기차 운행 지역에 대응되도록 인공 지능 모델을 반복적으로 학습시키는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 제9항에 있어서,
상기 배터리 성능관리 서버는,
상기 배터리 성능 평가 정보를 분석하여 상기 배터리의 식별정보 및/또는 상기 전기차의 식별정보 및/또는 상기 전기차 운행 지역에 대응되도록 학습된 인공 지능 모델을 이용하여 배터리의 퇴화도를 결정하도록 구성된 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 제1항에 있어서,
상기 배터리 성능관리 서버는,
네트워크를 통해 배터리 데이터 제공 서버로부터 배터리에 대한 각 충방전 사이클이 진행될 때마다 측정된 동작 특성 누적 정보 및 최신 충전 특성 정보를 포함하는 사이클 별 성능 평가 정보와 사이클 별 퇴화도를 수신하여 데이터베이스에 저장하고,
상기 배터리 성능관리 서버는 상기 데이터베이스에 저장된 상기 사이클 별 성능 평가 정보와 사이클 별 퇴화도를 이용하여 배터리의 동작 특성 누적 정보 및 최신 충전 특성 정보로부터 퇴화도를 출력하도록 학습된 보조 인공 지능 모델을 더 포함하는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 제11항에 있어서,
상기 배터리 성능관리 서버는,
상기 인공 지능 모델의 학습이 완료되지 않았을 때, 상기 배터리 성능 평가 정보에 포함된 배터리의 동작 특성 누적 정보와 최신 충전 특성 정보를 상기 보조 인공 지능 모델에 입력하여 배터리의 퇴화도를 결정하도록 구성된 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 제11항에 있어서,
상기 배터리 성능관리 서버는, 상기 배터리 성능 평가 정보에 포함된 배터리의 동작 특성 누적 정보와 최신 충전 특성 정보를 상기 보조 인공 지능 모델에 입력하여 배터리의 퇴화도를 결정하도록 구성되고,
상기 인공 지능 모델로부터 결정된 퇴화도와 상기 보조 인공 지능 모델로부터 결정된 퇴화도의 가중 평균을 배터리의 퇴화도로 결정하도록 구성된 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 제13항에 있어서,
상기 배터리 성능관리 서버는, 상기 인공 지능 모델의 학습량이 증가할수록 상기 가중 평균을 산출함에 있어서 상기 인공 지능 모델의 퇴화도에 부여되는 웨이트(weight)를 증가시키도록 구성된 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 제1항에 있어서,
상기 인공 지능 모델은 인공 신경망(Artificial Neural Network)임을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 제1항에 있어서,
상기 제어 팩터는,
충전상태 구간 별로 적용되는 충전전류 크기, 충전 상한 전압값, 방전 하한 전압값, 최대 충전전류, 최대 방전전류, 최소 충전전류, 최소 방전전류, 최대 온도, 최소 온도, 충전상태별 파워 맵, 및 충전상태 별 내부저항 맵 중에서 선택된 적어도 하나 이상;
펄스 전류 듀티비(펄스 휴지시간 대비 펄스 유지시간의 비율)의 상한, 펄스 전류 듀티비의 하한, 펄스 전류 듀레이션의 상한, 펄스 전류 듀레이션의 하한, 펄스 전류의 최대값 및 펄스 전류의 최소값 중에서 선택된 적어도 하나 이상; 또는
정전류 충전 (CC) 모드에서의 전류 크기, 정전류 충전(CC) 모드가 종료되는 컷오프 전압 및 정전압 충전(CV) 모드에서의 전압 크기 중에서 선택된 적어도 하나를 포함하는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 제1항에 있어서,
상기 배터리 성능관리 서버는 전기차의 운행거리 및 현재 퇴화도와 전기차 식별정보를 보험사 서버로 전송하도록 구성되고,
상기 보험사 서버는, 전기차 식별정보를 참조하여 해당 전기차에 대한 보험료를 전기차의 운행 거리 및 현재 퇴화도를 참조하여 산출하도록 구성된 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
- 배터리 성능 관리 서버가, 전기차가 충전 스테이션에서 충전되는 동안 네트워크를 통해 충전 스테이션으로부터 배터리의 식별정보 및 동작 특성 누적 정보, 전기차의 식별정보 및 운행 특성 누적 정보, 및 배터리의 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 수집하여 데이터베이스에 저장하는 단계;
상기 배터리 성능 관리 서버가, 배터리 성능 평가 정보를 입력 받아 배터리의 퇴화도를 출력하도록 미리 학습된 인공 지능 모델을 이용하여 상기 수집된 배터리 성능 평가 정보에 대응되는 현재 퇴화도를 결정하는 단계;
상기 배터리 성능 관리 서버가 배터리 동작의 제어에 사용되는 제어 팩터와 퇴화도 간의 상관 관계 정보를 이용하여 현재 퇴화도에 대응되는 최신 제어 팩터를 결정하는 단계; 및
상기 배터리 성능 관리 서버가 상기 최신 제어 팩터를 네트워크를 통해 충전 스테이션으로 전송하는 단계를 포함하는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 방법.
- 복수의 프로세서 실행 명령들을 저장하고 있는 비일시적(non-transitory) 메모리 디바이스; 및
상기 복수의 프로세서 실행 명령들을 실행하도록 구성된 프로세서를 포함하고,
상기 프로세서는, 상기 프로세서 실행 명령들을 실행하는 것에 의해,
(a) 네트워크를 통해 충전 스테이션으로부터 배터리의 식별정보 및 동작 특성 누적 정보, 전기차의 식별정보 및 운행 특성 누적 정보, 및 배터리의 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 수신하고,
(b) 배터리 성능 평가 정보로부터 배터리의 퇴화도를 출력하도록 인공 지능 모델을 학습시키고,
(c) 학습된 인공 지능 모델을 이용하여 상기 수집된 배터리 성능 평가 정보에 대응되는 현재 퇴화도를 결정하고,
(d) 데이터베이스로부터 배터리의 직전 퇴화도를 독출하고,
(e) 배터리 동작의 제어에 사용되는 제어 팩터와 퇴화도 간의 상관 관계 정보를 이용하여 현재 퇴화도에 대응되는 최신 제어 팩터를 결정하고,
(f) 상기 최신 제어 팩터를 네트워크를 통해 충전 스테이션으로 전송하도록 구성된 것을 특징으로 하는 컴퓨팅 디바이스.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20200035892 | 2020-03-24 | ||
KR1020200035892 | 2020-03-24 | ||
KR1020210037625A KR102627949B1 (ko) | 2020-03-24 | 2021-03-23 | 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210037625A Division KR102627949B1 (ko) | 2020-03-24 | 2021-03-23 | 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20240010078A true KR20240010078A (ko) | 2024-01-23 |
Family
ID=77892775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020240005339A KR20240010078A (ko) | 2020-03-24 | 2024-01-12 | 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220281345A1 (ko) |
EP (1) | EP4064174A4 (ko) |
JP (2) | JP7269437B2 (ko) |
KR (1) | KR20240010078A (ko) |
CN (1) | CN114450706A (ko) |
WO (1) | WO2021194267A1 (ko) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210136496A (ko) * | 2020-05-08 | 2021-11-17 | 현대자동차주식회사 | 빅데이터를 이용한 배터리 수명 예측 시스템 |
KR20210142875A (ko) | 2020-05-19 | 2021-11-26 | 현대자동차주식회사 | 빅데이터를 이용한 차량 파워 제어 시스템 |
KR20210144171A (ko) | 2020-05-21 | 2021-11-30 | 현대자동차주식회사 | 분산 클라우딩을 이용한 차량 제어 시스템 |
US11615048B2 (en) * | 2021-03-05 | 2023-03-28 | Aspeed Technology Inc. | Adaptive serial general-purpose input output interface and signal receiver thereof |
KR20230157115A (ko) * | 2022-05-09 | 2023-11-16 | 주식회사 에이젠글로벌 | e-모빌리티 배터리 가치 판단 결과를 기반으로 금융 서비스를 제공하기 위한 배터리 포트폴리오 설정 방법 및 이러한 방법을 수행하는 장치 |
KR20230159013A (ko) * | 2022-05-13 | 2023-11-21 | 주식회사 에이젠글로벌 | e-모빌리티 배터리 가치 판단 결과를 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치 |
CN117200393B (zh) * | 2023-09-12 | 2024-04-26 | 陕西太瓦时代能源科技有限公司 | 一种储能电站的运行数据处理方法及系统 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4252909B2 (ja) | 2004-02-13 | 2009-04-08 | 株式会社日立製作所 | 車両診断システム |
JP4661250B2 (ja) | 2005-02-09 | 2011-03-30 | 富士電機ホールディングス株式会社 | 予測方法、予測装置および予測プログラム |
US20110082621A1 (en) * | 2009-10-02 | 2011-04-07 | Eric Berkobin | Method and system for predicting battery life based on vehicle battery, usage, and environmental data |
KR20130082959A (ko) * | 2011-12-26 | 2013-07-22 | 주식회사 케이티 | 전기자동차 관리 서비스 시스템 및 이를 이용한 서비스 방법 |
JP5362930B1 (ja) | 2013-07-04 | 2013-12-11 | レスク株式会社 | 電動車両用バッテリ交換システム及びプログラム |
KR102215450B1 (ko) * | 2014-06-24 | 2021-02-15 | 삼성전자주식회사 | 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법 |
KR102492114B1 (ko) | 2017-12-27 | 2023-01-27 | 퓨처 사이언스 리서치 가부시키가이샤 | 2차 전지 관리 장치 및 2차 전지 관리 프로그램 |
CN111630399A (zh) * | 2018-03-20 | 2020-09-04 | 本田技研工业株式会社 | 电池 |
WO2019235645A1 (ja) | 2018-06-08 | 2019-12-12 | パナソニックIpマネジメント株式会社 | バッテリ管理システム及びバッテリ管理方法 |
KR20200011828A (ko) * | 2018-07-25 | 2020-02-04 | 주식회사 아이비스 | 보험료 관리시스템 및 그 관리방법 |
US20210181256A1 (en) | 2018-07-31 | 2021-06-17 | Honda Motor Co., Ltd. | Estimation system, estimation device, estimation method, program, and storage medium |
JPWO2020045033A1 (ja) | 2018-08-28 | 2021-08-10 | 本田技研工業株式会社 | 提示装置、提示方法、及びプログラム |
KR102297688B1 (ko) | 2018-09-27 | 2021-09-06 | 연세대학교 산학협력단 | 후각 검사용 키트 |
KR20190100114A (ko) * | 2019-08-09 | 2019-08-28 | 엘지전자 주식회사 | 배터리 장치 및 그 제어 방법 |
CN111416997B (zh) | 2020-03-31 | 2022-11-08 | 百度在线网络技术(北京)有限公司 | 视频播放方法、装置、电子设备和存储介质 |
-
2021
- 2021-03-24 EP EP21776702.9A patent/EP4064174A4/en active Pending
- 2021-03-24 CN CN202180005576.5A patent/CN114450706A/zh active Pending
- 2021-03-24 WO PCT/KR2021/003673 patent/WO2021194267A1/ko unknown
- 2021-03-24 US US17/641,148 patent/US20220281345A1/en active Pending
- 2021-03-24 JP JP2022513895A patent/JP7269437B2/ja active Active
-
2023
- 2023-04-21 JP JP2023070082A patent/JP7487380B2/ja active Active
-
2024
- 2024-01-12 KR KR1020240005339A patent/KR20240010078A/ko not_active Application Discontinuation
Also Published As
Publication number | Publication date |
---|---|
JP2023103268A (ja) | 2023-07-26 |
US20220281345A1 (en) | 2022-09-08 |
JP7487380B2 (ja) | 2024-05-20 |
JP7269437B2 (ja) | 2023-05-08 |
CN114450706A (zh) | 2022-05-06 |
EP4064174A1 (en) | 2022-09-28 |
JP2022547002A (ja) | 2022-11-10 |
WO2021194267A1 (ko) | 2021-09-30 |
EP4064174A4 (en) | 2023-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102627949B1 (ko) | 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법 | |
KR20240010078A (ko) | 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법 | |
JP7381742B2 (ja) | バッテリーサービス提供システム及び方法 | |
US11325494B2 (en) | Systems, methods, and storage media for determining a target battery charging level for a drive route | |
US20200269722A1 (en) | Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack | |
WO2020056157A1 (en) | Systems and methods for managing energy storage systems | |
US12000895B2 (en) | Method for predicting an aging state of a battery | |
RU2714093C1 (ru) | Сервер, транспортное средство и способ для предоставления информации о зарядке | |
WO2021188647A1 (en) | Systems and methods for managing velocity profiles | |
CN112368198A (zh) | 车辆动力管理系统和方法 | |
US11619680B2 (en) | Battery deterioration judging system, battery deterioration judging method, and non-transitory storage medium that stores a battery deterioration judging program | |
CN113868884B (zh) | 一种基于证据理论的动力电池多模型容错融合建模方法 | |
US20220041078A1 (en) | Energy storage device evaluation device, computer program, energy storage device evaluation method, learning method and generation method | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
KR20220075123A (ko) | 전기 버스의 배터리 상태 분석 서비스 시스템 | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
CN112765726A (zh) | 一种寿命预测方法及装置 | |
Helmus et al. | SEVA: A data driven model of electric vehicle charging behavior | |
CN115330281B (zh) | 智慧城市新能源汽车充电服务方法、系统、装置和介质 | |
JP2024102251A (ja) | 電気車充電ステーションを用いたバッテリー性能管理システム及び方法 | |
Sui et al. | Early Prediction of Lithium-Ion Batteries Lifetime via Few-Shot Learning | |
US11733313B2 (en) | Method and apparatus for operating a system for providing states of health of electrical energy stores for a multiplicity of devices with the aid of machine learning methods | |
US20240168095A1 (en) | Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Multivariate Transformer Model | |
CN116373680A (zh) | 运行具有可替换的设备电池组的供电设备的方法和装置以及具有预测性分派的电池组更换站 | |
CN117022047A (zh) | 动力电池的电量跳变预警方法、装置和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
A302 | Request for accelerated examination | ||
E902 | Notification of reason for refusal |