KR20240047189A - 배터리 셀 상태 판단 장치 및 그것의 동작 방법 - Google Patents

Abstract

본 발명의 일 실시예에 따른 배터리 셀 상태 판단 장치는 배터리 셀에 대한 시계열 데이터 세트에 기초하여 상기 배터리 셀에 대한 제1 상태 정보를 생성하는 제1 모듈 및 상기 시계열 데이터 세트에 기초하여 상기 배터리 셀에 대한 제2 상태 정보를 생성하는 제2 모듈을 포함하고, 상기 제1 모듈은 상기 제2 상태 정보에 기초하여 교사 학습할 수 있다.

Description

배터리 셀 상태 판단 장치 및 그것의 동작 방법{BATTERY CELL STATUS DAIAGNOSIS APPARATUS AND OPERATING METHOD OF THE SAME}

본 문서에 개시된 실시예들은 배터리 셀 상태 판단 장치 및 그것의 동작 방법에 관한 것이다.

최근 이차 전지에 대한 연구 개발이 활발히 이루어지고 있다. 이차 전지는 충전 및 방전이 가능한 전지로서, 종래의 Ni/Cd 배터리, Ni/MH 배터리 등과 최근의 리튬 이온 배터리를 모두 포함할 수 있다. 리튬 이온 배터리는 종래의 Ni/Cd 배터리, Ni/MH 배터리 등에 비하여 에너지 밀도가 훨씬 높다는 장점이 있다, 또한, 리튬 이온 배터리는 소형, 경량으로 제작할 수 있어 이동 기기의 전원으로 사용되며, 최근에는 전기 자동차의 전원으로 사용 범위가 확장되어 차세대 에너지 저장 매체로 주목을 받고 있다.

배터리는 충방전을 거듭할수록 퇴화되는 양상을 나타낸다. 예를 들어, 배터리는 충방전을 거듭할수록 용량 및 저항이 퇴화하고 잔존 수명이 줄어들 수 있다. 또한, 배터리는 사용 조건에 따라서 퇴화도 및 잔존 수명이 변화할 수 있다.

배터리 잔존 수명이 급격히 낮아지는 경우, 배터리 사용에 안전 문제가 발생할 수 있다. 따라서, 배터리의 상태를 판단하여 배터리의 성능 급락에 의한 위험을 예방하는 방법이 요구된다.

본 문서에 개시된 실시예들의 일 목적은 배터리 셀의 시계열 데이터 세트에 기초하여 배터리 셀의 상태를 판단하는 제1 모듈을 포함하는 장치 및 그 동작 방법을 제공하는데 있다.

본 문서에 개시된 실시예들의 일 목적은 미리 설정된 실험 조건에서 수집된 실험 데이터 세트에 기초하여 학습하고, 시계열 데이터 세트에 기초하여 배터리 상태를 판단하는 장치 및 그 동작 방법을 제공하는데 있다.

본 문서에 개시된 실시예들의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 실시예에 따른 배터리 셀 상태 판단 장치는 배터리 셀에 대한 시계열 데이터 세트에 기초하여 상기 배터리 셀에 대한 제1 상태 정보를 생성하는 제1 모듈 및 상기 시계열 데이터 세트에 기초하여 상기 배터리 셀에 대한 제2 상태 정보를 생성하는 제2 모듈을 포함하고, 상기 제1 모듈은 상기 제2 상태 정보에 기초하여 교사 학습할 수 있다.

일 실시예에 따르면, 상기 시계열 데이터 세트는 복수의 시계열 토큰들을 포함하고, 상기 시계열 토큰들은 시간성을 가지는 연속적인 데이터일 수 있다.

일 실시예에 따르면, 상기 제1 모듈은, 상기 시계열 데이터 세트가 포함하는 제1 시계열 토큰으로부터 상기 시계열 데이터 세트의 컨텍스트 정보를 추출하는 엔코더 블록, 상기 시계열 데이터 세트의 컨텍스트 정보 및 상기 시계열 데이터 세트가 포함하는 제2 시계열 토큰에 기초하여 예상 데이터를 생성하는 디코더 블록 및 상기 예상 데이터와 상기 시계열 데이터 세트가 포함하는 제3 시계열 토큰에 기초하여 상기 제1 상태 정보를 생성하는 판단 블록을 포함할 수 있다.

일 실시예에 따르면, 상기 제1 모듈은 상기 제2 상태 정보에 기초하여 상기 예상 데이터를 보정할 수 있다.

일 실시예에 따르면, 상기 제3 시계열 토큰은 상기 배터리 셀의 상태를 판단하는 시점에 상기 배터리 셀로부터 수집되는 데이터일 수 있다.

일 실시예에 따르면, 상기 예상 데이터는 상기 배터리 셀이 정상 상태인 경우, 상기 배터리 셀로부터 수집될 것으로 예상되는 데이터일 수 있다.

일 실시예에 따르면, 상기 제2 모듈은, 상기 시계열 데이터 세트에 기초하여 제1 특징을 추출하는 장단기 기억 블록, 상기 시계열 데이터 세트에 기초하여 제2 특징을 추출하는 컨벌루션 블록 및 상기 제1 특징 및 상기 제2 특징을 결합하여 상기 제2 상태 정보를 생성하는 결합 블록을 포함할 수 있다.

일 실시예에 따르면, 상기 장단기 기억 블록은 상기 시계열 데이터 세트를 순환 처리하는 순환층 및 상기 순환층의 처리 결과를 보존하는 기억층을 포함할 수 있다.

일 실시예에 따르면, 상기 컨벌루션 블록은 상기 시계열 데이터 세트에 대한 합성곱 연산을 수행하는 합성곱층을 포함할 수 있다.

일 실시예에 따르면, 상기 컨벌루션 블록은 상기 합성곱층의 연산 결과를 압축하는 압축층 및 상기 압축층의 연산 결과에 기초하여 상기 합성곱층의 연산 결과를 보정하는 활성층을 더 포함할 수 있다.

일 실시예에 따르면, 상기 제2 모듈은 실험 데이터 세트에 기초하여 학습하고, 상기 실험 데이터 세트는 미리 설정된 실험 조건에서 수집된 실험 배터리 셀의 데이터와 상기 실험 배터리 셀의 상태 정보가 매칭된 데이터 세트일 수 있다.

본 발명의 다른 실시예에 따르면 배터리 셀 상태 판단 장치의 동작 방법은, 배터리 셀에 대한 시계열 데이터 세트를 수집하는 단계, 상기 시계열 데이터 세트에 기초하여 상기 배터리 셀에 대한 제1 상태 정보를 생성하는 단계, 상기 시계열 데이터 세트에 기초하여 상기 배터리 셀에 대한 제2 상태 정보를 생성하는 단계 및 상기 제2 상태 정보에 기초하여 교사 학습하는 단계를 포함할 수 있다.

다른 실시예에 있어서, 상기 제1 상태 정보를 생성하는 단계는 상기 시계열 데이터 세트가 포함하는 제1 시계열 토큰으로부터 상기 시계열 데이터 세트의 컨텍스트 정보를 추출하는 단계, 상기 시계열 데이터 세트의 컨텍스트 정보 및 상기 시계열 데이터 세트가 포함하는 제2 시계열 토큰에 기초하여 예상 데이터를 생성하는 단계 및 상기 예상 데이터와 상기 시계열 데이터 세트가 포함하는 제3 시계열 토큰에 기초하여 상기 제1 상태 정보를 생성하는 단계를 포함할 수 있다.

다른 실시예에 있어서, 상기 제2 상태 정보를 생성하는 단계는, 상기 시계열 데이터 세트에 기초하여 제1 특징을 추출하는 단계, 상기 시계열 데이터 세트에 기초하여 제2 특징을 추출하는 단계 및 상기 제1 특징 및 상기 제2 특징을 결합하여, 상기 제2 상태 정보를 생성하는 단계를 포함할 수 있다.

다른 실시예에 있어서, 상기 제1 특징을 추출하는 단계는, 상기 시계열 데이터 세트를 순환 처리하는 단계, 상기 시계열 데이터 세트에 대한 순환 처리 결과를 보존하는 단계 및 보존된 상기 순환 처리 결과를 반영하여 상기 제1 특징을 추출하는 단계를 포함할 수 있다.

다른 실시예에 있어서, 상기 제2 특징을 추출하는 단계는, 상기 시계열 데이터 세트에 대한 합성곱 연산을 수행하는 단계, 상기 합성곱 연산의 결과를 압축하는 단계 및 상기 압축 결과에 기초하여 상기 합성곱 연산의 결과를 보정하여 상기 제2 특징을 추출하는 단계를 포함할 수 있다.

다른 실시예에 있어서, 배터리 셀 상태 판단 장치의 동작 방법은 실험 데이터 세트에 기초하여 상기 제2 상태 정보의 생성 방법을 학습하는 단계를 더 포함하고, 상기 실험 데이터 세트는 미리 설정된 실험 조건에서 수집된 실험 배터리 셀의 데이터와 상기 실험 배터리 셀의 상태 정보가 매칭된 데이터 세트일 수 있다.

본 문서에 개시된 일 실시예에 따른 배터리 셀 상태 예측 장치 및 그것의 동작 방법은, 시계열적 데이터에 기초하여 배터리 셀의 상태를 예측할 수 있다.

본 문서에 개시된 일 실시예에 따른 배터리 셀 상태 예측 장치 및 그것의 동작 방법은, 미리 설정된 조건에서 수집된 실험 데이터에 기초하여 상기 시계열적 데이터에 기초한 예측 결과를 검증할 수 있다.

본 문서에 개시된 일 실시예에 따른 배터리 셀 상태 예측 장치 및 그것의 동작 방법은, 시계열적 데이터가 수집된 이후, 배터리 셀의 상태에 대응하는 상태 정보를 생성할 수 있다.

본 문서에 개시된 일 실시예에 따른 배터리 셀 상태 판단 장치 및 그것의 동작 방법은, 실험 데이터에 기초하여 상태 정보의 예측 정확도를 향상시킬 수 있다.

이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.

도 1은 본 문서에 개시된 일 실시예에 따른 배터리 셀 상태 판단 장치를 보여주는 블록도이다.
도 2는 본 문서에 개시된 일 실시예에 따른 제1 모듈을 보여주는 블록도이다.
도 3은 본 문서에 개시된 일 실시예에 따른 제2 모듈을 보여주는 블록도이다.
도 4는 본 문서에 개시된 일 실시예에 따른 제1 모듈의 배터리 셀 상태 판단 방법을 설명하기 위한 것이다.
도 5는 본 문서에 개시된 일 실시예에 따른 제2 모듈의 배터리 셀 상태 판단 방법을 설명하기 위한 것이다.
도 6은 본 문서에 개시된 일 실시예에 따른 배터리 셀 상태 판단 장치의 동작 방법을 나타내는 흐름도이다.
도 7은 본 문서에 개시된 일 실시예에 따른 제1 상태 정보 생성 방법을 설명하기 위한 흐름도이다.
도 8은 본 문서에 개시된 일 실시예에 따른 제2 상태 정보 생성 방법을 설명하기 위한 흐름도이다.
도 9는 본 문서에 개시된 다른 실시예에 따른 제2 상태 정보 생성 방법을 설명하기 위한 흐름도이다.
도 10은 본 문서에 개시된 일 실시예에 따른 배터리 셀 상태 판단 장치의 동작 방법을 수행하기 위한 컴퓨팅 시스템의 하드웨어 구성을 나타내는 블록도이다.

이하, 본 문서에 개시된 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면 상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 문서에 개시된 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 문서에 개시된 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.

본 문서에 개시된 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

도 1은 본 문서에 개시된 일 실시예에 따른 배터리 셀 상태 판단 장치를 보여주는 블록도이다.

도 1을 참조하면, 본 문서에 개시된 일 실시예에 따른 배터리 셀 상태 판단 장치(1)는 제1 모듈(10) 및 제2 모듈(20)을 포함할 수 있다.

또한, 상기 제1 모듈(10) 및 제2 모듈(20)은 배터리 셀에 대한 시계열 데이터 세트를 송신하는 배터리 관리 시스템(30)에 접속되고, 제2 모듈(20)은 실험 데이터 세트를 송신하는 실험 데이터 베이스(40)와 접속될 수 있다.

제1 모듈(10)은 배터리 셀에 대한 시계열 데이터 세트에 기초하여 배터리 셀에 대한 제1 상태 정보를 생성할 수 있다.

배터리 셀에 대한 제1 상태 정보는 제1 모듈(10)이 배터리 셀의 상태를 예측한 정보일 수 있다. 제1 상태 정보는 배터리 셀이 정상 또는 비정상 상태에 있는지 판단한 정보를 포함할 수 있다.

제1 모듈(10)은 수집한 시계열 데이터 세트에 기초하여 미리 설정한 시점의 배터리 셀의 상태에 대한 예상 데이터를 생성하고, 예상 데이터에 기초하여 배터리 셀의 상태를 판단할 수 있다.

제1 모듈(10)의 배터리 셀 상태 판단 방법은 도 2를 통해 구체적으로 설명될 것이다.

제2 모듈(20)은 배터리 셀에 대한 시계열 데이터 세트에 기초하여 배터리 셀에 대한 제2 상태 정보를 생성할 수 있다.

배터리 셀에 대한 제2 상태 정보는 수집한 시계열 데이터 세트에 대응하는 배터리 셀의 상태 정보일 수 있으며, 제1 상태 정보와 마찬가지로 배터리 셀이 정상 또는 비정상 상태에 있는지 판단한 정보를 포함할 수 있다.

제2 모듈(20)의 배터리 셀 상태 판단 방법은 도 3을 통해 자세히 설명될 것이다.

배터리 관리 시스템(30)은 상태 판단 대상인 배터리 셀로부터 배터리 셀에 대한 정보를 실시간으로 수집할 수 있다. 실시간으로 수집된 배터리 셀에 대한 정보는 배터리 셀에 대한 시계열 데이터 세트일 수 있으며, 제1 모듈(10) 및 제2 모듈(20)에 제공될 수 있다.

배터리 셀에 대한 시계열 데이터 세트는 복수의 시계열 토큰들을 포함할 수 있다. 실시예에 따르면, 시계열 토큰들은 배터리 셀로부터 실시간으로 수집되는 데이터에 미리 설정된 타임 윈도우를 적용한 시구간 별 데이터일 수 있다.

다른 실시예에 따르면, 시계열 토큰들은 배터리 셀로부터 실시간으로 수집되는 데이터의 특징 값을 연산하고, 연산된 특징 값에 미리 설정된 타임 윈도우를 적용한 시구간 별 데이터일 수 있다.

실시예에 따르면, 배터리 관리 시스템(30)은 배터리 셀을 포함하는 배터리 모듈에 접속되고, 배터리 모듈로부터 배터리 셀에 대한 데이터를 실시간으로 수집할 수 있다. 배터리 관리 시스템(30)이 수집하는 데이터는 배터리 셀의 접압, 전류, 온도, 내부 저항 및 임피던스 등의 로우 데이터일 수 있다.

또한, 배터리 관리 시스템(30)은 로우 데이터로부터 계산되는 배터리 셀의 용량, 배터리 셀의 SOH(state of health), SOC(state of charge), RUL(remaining useful life) 값 및 전압 변화에 대한 전하량 변화 값 등을 연산할 수 있다. 상기 연산 결과들은 배터리 셀에 대한 통계적 계산 값일 수 있다.

배터리 관리 시스템(30)은 차량에 구비될 수 있다. 배터리 관리 시스템(30)은 차량의 실제 운행 시 수집되는 데이터에 타임 윈도우를 적용하여 시계열 데이터 세트로 제1 모듈(10) 및 제2 모듈(20)에 송신할 수 있다. 다른 실시예에 따르면, 배터리 관리 시스템(30)은 차량의 실제 운행 시 수집되는 데이터의 특징 값을 연산하고, 연산된 특징 값에 미리 설정된 타임 윈도우를 적용하여 시계열 데이터 세트로 제1 모듈(10) 및 제2 모듈(20)에 송신할 수 있다. 타임 윈도우가 적용된 데이터들은 시구간 별 데이터인 시계열 토큰일 수 있다.

실험 데이터 베이스(40)는 미리 설정된 실험 조건에서 수집된 실험 배터리 셀의 데이터를 저장할 수 있고, 상기 실험 배터리 셀의 데이터를 실험 데이터 세트로 제2 모듈(20)에 송신할 수 있다.

실험 데이터 세트는 실험 배터리 셀의 데이터와 실험 배터리 셀의 상태 정보가 매칭된 데이터 세트일 수 있다.

예시적으로, 실험 데이터 세트는 실험 배터리로부터 수집되는 데이터에 타임 윈도우를 적용하여 얻어지는 실험 데이터 토큰과 각 실험 데이터 토큰에 대응하는 실험 배터리 셀의 상태 정보가 매칭된 데이터 세트일 수 있다. 실험 배터리 셀의 상태 정보는 실험 배터리 셀이 정상 또는 비정상 상태에 있는지 판단한 정보를 포함할 수 있다.

실험 데이터 베이스(40)는 미리 설정된 실험 조건에서 동작하는 복수의 실험 배터리 셀들로부터 실험 배터리 셀의 데이터를 수신할 수 있다. 실험 배터리 셀의 상태 정보는 실험 배터리 셀을 포함하는 실험 배터리 관리 시스템이 연산하거나, 실험 데이터 베이스(40)가 연산할 수 있다.

실험 데이터 베이스(40)는 상태 정보가 매칭된 실험 데이터 세트를 제2 모듈(20)에 송신할 수 있다.

제2 모듈(20)은 수신한 실험 데이터 세트에 기초하여 배터리 셀의 시계열 데이터 세트에 기초한 상태 정보 생성 방법을 학습할 수 있다.

다시말해, 제2 모듈(20)은 상태 정보가 매칭된 실험 배터리 셀의 데이터 세트에 기초하여 상태 정보 생성 방법을 학습하고, 학습된 상태 정보 생성 방법을 통해 시계열 데이터 세트로부터 제2 상태 정보를 생성할 수 있다.

제2 모듈(20)이 생성한 제2 상태 정보는 제1 모듈(10)의 교사 학습(teacher forcing)의 기초가 될 수 있다.

교사 학습은 모듈의 학습 시, 입력 값에 대한 정답 값(ground truth)을 함께 제시함으로써 학습 정확도를 향상시키는 방법일 수 있다.

실시예에 따르면, 실험 데이터 세트에 기초하여 학습을 마친 제2 모듈(20)을 통해 시계열 데이터 세트에 대한 제2 상태 정보를 생성하고, 상기 제2 상태 정보를 상기 시계열 데이터 세트에 대한 정답 값으로 제1 모듈(10)에 입력함으로써 제1 모듈(10)이 생성하는 제1 상태 정보의 정확도를 향상시킬 수 있다.

제1 모듈(10)은 시계열 데이터 세트와 시계열 데이터 세트로부터 생성된 제2 상태 정보를 수신함으로써, 제1 상태 정보 생성을 위한 예상 데이터 생성 정확도를 향상시킬 수 있다.

제1 모듈(10)은 제2 모듈(20)로부터 제2 상태 정보를 수신하고, 수신한 제2 상태 정보를 반영하여 학습할 수 있다.

실시예에 따르면, 제1 모듈(10)은 제2 상태 정보를 예상 데이터 생성에 반영함으로써 예상 데이터의 정확도를 향상시킬 수 있다. 제1 모듈(10)은 입력된 제2 상태 정보와 일치하는 제1 상태 정보가 생성될 수 있도록 예상 데이터 생성 방법을 학습함으로써 시계열 데이터 세트에 기초하여 생성되는 예상 데이터의 정확도를 향상시킬 수 있다. 다시말해, 제1 모듈(10)은 제1 상태 정보에 제2 상태 정보를 반영하는 방법으로 교사 학습을 수행할 수 있다.

실험 데이터 세트에 기초한 제2 모듈(20)의 학습은 실시간 데이터 세트에 기초한 제2 상태 정보 생성 전에 수행될 수 있다. 또한, 실험 데이터 세트에 기초한 제2 모듈(20)의 학습은 제1 모듈(10)의 학습 전에 수행될 수 있다.

도 2는 본 문서에 개시된 일 실시예에 따른 제1 모듈을 보여주는 블록도이다.

제1 모듈(10)은 시계열 데이터 세트의 컨텍스트 정보를 추출하는 엔코더 블록(100), 상기 시계열 데이터 세트의 컨텍스트 정보에 기초하여 예상 데이터를 생성하는 디코더 블록(200) 및 예상 데이터에 기초하여 제1 상태 정보를 생성하는 판단 블록(300)을 포함할 수 있다.

제1 모듈(10)은 어텐션(attention)에 기반하여 연속적인 데이터를 학습 및 예측하는 트랜스포머 모듈(transformer model)일 수 있다. 어텐션(attention)은 입력되는 토큰들의 연관성에 기반하여 가중치를 부여함으로써 데이터 처리의 정확도를 향상시키는 데이터 처리 기법일 수 있다.

제1 모듈(10)은 복수의 시계열 토큰을 포함하는 시계열 데이터 세트를 수신할 수 있다.

실시예에 따르면, 시계열 데이터 토큰은 배터리 관리 시스템(30)이 배터리 셀로부터 수집한 시계열 데이터에 미리 설정된 타임 윈도우를 적용하여 생성한 시구간 별 데이터일 수 있다.

제1 모듈(10)은 복수의 시계열 데이터 토큰을 이용하여 예상 데이터를 생성하고, 생성된 예상 데이터에 기초하여 배터리 셀에 대한 제1 상태 정보를 생성할 수 있다.

실시예에 따르면, 제1 모듈(10)은 시계열 데이터 세트가 포함하는 제1 시계열 토큰, 제2 시계열 토큰 및 제3 시계열 토큰에 기초하여 제1 상태 정보를 생성할 수 있다.

제1 모듈(10)이 포함하는 엔코더 블록(100)은 시계열 데이터 세트가 포함하는 제1 시계열 토큰으로부터 시계열 데이터 세트의 컨텍스트 정보를 추출할 수 있다.

제1 시계열 토큰은 전체 시계열 데이터 세트의 컨텍스트 정보를 추출할 수 있도록 미리 설정된 구간에 대한 복수의 토큰들을 포함할 수 있다.

실시예에 따르면, 제1 시계열 토큰은 제1 모듈(10)의 학습 방법에 따라 다르게 설정될 수 있다. 제1 시계열 토큰은 디코더 블록(200)에 입력되는 제2 시계열 토큰과 임의의 시구간에 대한 토큰들을 공유할 수 있다.

다른 실시예에 따르면, 제1 시계열 토큰은 제2 시계열 토큰보다 앞선 시구간에 대한 토큰들을 포함할 수 있다.

제1 시계열 토큰들은 시계열 데이터 세트의 컨텍스트 정보를 추출할 수 있도록 시간성 또는 순서를 가지는 연속적인 토큰들을 포함할 수 있다. 예를 들어, 제1 시계열 토큰들은 상태 판단의 대상이 되는 배터리 셀로부터 수집된 연속적인 데이터에 미리 설정된 타임 윈도우를 적용한 것일 수 있다. 따라서, 제1 시계열 토큰들은 판단 대상이 되는 배터리 셀에 대한 연속적인 시퀀스 데이터일 수 있다.

엔코더 블록(100)은 입력되는 토큰들을 학습 또는 처리 가능한 차원으로 변환하는 엔코더 입력층(110), 엔코더 입력층(110)의 변환 토큰들의 상대적 위치를 반영하는 포지셔널 엔코더층(120) 및 토큰들로부터 컨텍스트 정보를 추출하는 엔코더층(130)을 포함할 수 있다.

엔코더 입력층(110)은 입력되는 제1 시계열 토큰이 포함하는 복수의 토큰들을 특징 추출을 통해 수치화할 수 있다. 보다 구체적으로, 엔코더 입력층(110)은 복수의 토큰들을 벡터화할 수 있고, 각각의 토큰들을 기하 공간상에 맵핑할 수 있다.

실시예에 따르면, 엔코더 입력층(110)은 임베딩층(embedding layer)일 수 있으며, 엔코더 입력층(110)에 처리된 토큰들을 임베딩 벡터라고 할 수 있다.

포지셔널 인코딩층(120)은 제1 시계열 토큰이 포함하는 복수의 토큰들의 위치 정보를 학습 또는 데이터 처리에 반영할 수 있도록 임베딩 벡터에 위치 정보를 추가할 수 있다.

제1 모듈(10)은 학습 또는 처리의 기초가 되는 시계열 데이터를 한꺼번에 입력받는 바, 포지셔널 인코딩층(120)을 통해 토큰 간의 위치 정보를 반영할 수 있다. 다시말해, 포지셔널 인코딩층(120)은 토큰들 간의 연관성을 학습 및 예측에 반영할 수 있다.

엔코더 블록(100)은 복수개의 엔코더층(130)을 포함할 수 있으며, 엔코더층(130)의 개수는 하이퍼 파라미터(hyper parameter)로 최적화를 위한 튜닝 값일 수 있다.

엔코더층(130)은 입력된 제1 시계열 토큰에 대응하는 벡터들에 대한 셀프-어텐션(self-attention)을 수행하고, 셀프 어텐션을 통해 얻어지는 컨텍스트 정보를 디코더층(220)으로 전달할 수 있다.

엔코더층(130)은 셀프 어텐션층(131), 정규화층(132), 피드 포워드층(133) 및 정규화층(134)을 포함할 수 있다.

셀프 어텐션층(131)은 입력된 제1 시계열 토큰이 포함하는 토큰들에 대한 벡터를 선형 변환하여 쿼리(Query) 벡터, 키(Key) 벡터 및 값(Value) 벡터를 생성할 수 있다.

셀프 어텐션층(131)은 제1 시계열 토큰이 포함하는 토큰들에 기초하여 어텐션을 수행할 수 있다.

셀프 어텐션층(131)은 제1 시계열 토큰이 포함하는 전체 토큰들에 대한 어텐션을 수행할 수 있다.

어텐션은 제1 시계열 토큰이 포함하는 각각의 토큰들에 대하여, 가중치 행렬들을 이용해 쿼리(Query) 벡터, 키(Key) 벡터 및 값(Value) 벡터를 생성하고, 모든 토큰들에 대한 쿼리 벡터, 키 벡터 및 값 벡터를 이용해 입력된 제1 시계열 토큰이 포함하는 전체 토큰들에 대한 어텐션 값을 갖는 출력 벡터를 생성하는 동작일 수 있다.

셀프 어텐션층(131)은 상기 가중치 행렬들과 입력되는 토큰의 벡터를 연산하여 쿼리 벡터, 키 벡터 및 값 벡터를 생성할 수 있다.

쿼리 벡터, 키 벡터 및 값 벡터를 생성하기 위한 가중치 행렬들은 학습 과정에서 갱신되는 파라미터일 수 있다.

셀프 어텐션층(131)은 각각의 토큰들에 대응하는 쿼리 벡터들에 대하여 각각의 토큰들에 대응하는 모든 키 벡터와의 유사도를 구하고, 유사도를 가중치로하여 키 벡터와 맵핑된 각각의 값 벡터에 반영할 수 있다. 가중치가 반영된 값 벡터들의 합은 전체 토큰들에 대한 어텐션 값을 갖는 출력 벡터가 될 수 있다.

실시예에 따르면, 셀프 어텐션층(131)은 제1 시계열 토큰에 대하여 여러 번의 어텐션을 병렬로 수행하여 복수의 출력 벡터들을 생성할 수 있다. 어텐션은 각각 서로 다른 가중치 행렬들을 통해 수행될 수 있다. 여러 번의 어텐션이 병렬로 수행되는 동작을 멀티 헤드 어텐션(muti head attention)이라고 할 수 있다. 병렬로 수행되는 어텐션의 개수는 최적화를 위한 튜닝 값일 수 있다.

셀프 어텐션층(131)은 병렬 어텐션의 결과로 생성된 출력 벡터들을 연결하고 추가적인 가중치 행렬과 곱할 수 있다.

정규화층(132)은 셀프 어텐션층(131)에 입력된 벡터를 셀프 어텐션층(131)에서 출력된 벡터에 더하고, 합해진 벡터를 정규화함으로써 정보의 손실을 방지할 수 있다. 다시말해, 정규화층(132)은 셀프 어텐션층(131)의 출력에 대한 잔차 연결(Residual connection) 및 층 정규화(Layer normalization)를 수행할 수 있다.

피드 포워드층(133)은 복수의 은닉층을 포함하는 완전 연결층일 수 있다. 피드 포워드층(133)에 입력된 벡터는 피드 포워드층(133)이 포함하는 은닉층들 사이에 적용되는 가중치의 영향을 받고 출력될 수 있다. 피드 포워드층(133)이 포함하는 은닉층의 크기는 최적화를 위한 튜닝값일 수 있다.

정규화층(134)은 피드 포워드층(133)에 입력된 벡터를 피드 포워드층(133)에서 출력된 벡터에 더하고, 합해진 벡터를 정규화함으로써 정보의 손실을 방지할 수 있다. 다시말해, 정규화층(134)은 피드 포워드층(133)의 출력에 대한 잔차 연결(Residual connection) 및 층 정규화(Layer normalization)를 수행할 수 있다.

엔코더 층(130)들의 개수만큼 상기 동작들을 반복할 수 있다. 또한, 엔코더 층(130)들에서 출력되는 벡터는 포지셔널 인코딩층(120)에서 엔코더층(130)으로 입력되는 벡터와 동일한 크기를 가질 수 있다.

엔코더 블록(100)은 엔코더층(130)의 출력 값을 컨텍스트 정보로 디코더층(200)에 전달할 수 있다.

엔코더 블록(100)은 배터리 관리 시스템(30)으로부터 제1 모듈(10)로 시계열 데이터 세트가 입력될 때 마다 상기 동작을 수행하고 컨텍스트 정보를 업데이트 할 수 있다.

실시예에 따르면, 컨텍스트 정보는 입력된 시계열 데이터 세트들로부터 얻어지는 키 벡터 및 값 벡터의 집합일 수 있다.

디코더 블록(200)은 시계열 데이터 세트가 포함하는 제2 시계열 토큰 및 엔코더 블록(100)에서 출력되는 컨텍스트 정보에 기초하여 예상 데이터에 대응하는 출력 시퀀스를 생성할 수 있다.

디코더 블록(200)은 입력되는 토큰들을 학습 또는 처리 가능한 차원으로 변환하는 디코더 입력층(210), 디코더 입력층(210)의 변환 토큰들에 기초하여 디코딩을 수행하는 디코더층(220) 및 출력 시퀀스를 생성하기 위한 선형 맵핑층(230)을 포함할 수 있다.

디코더 입력층(210)은 엔코더 입력층(110)과 마찬가지로 디코더 블록(200)에 입력되는 제2 시계열 토큰이 포함하는 복수의 토큰들을 특징 추출을 통해 수치화 할 수 있다. 보다 구체적으로, 디코더 입력층(210)은 복수의 토큰들을 벡터화할 수 있고, 각각의 토큰들을 기하 공간상에 맵핑할 수 있다.

제2 시계열 토큰은 전체 미리 설정된 구간에 대한 복수의 토큰들을 포함할 수 있다.

실시예에 따르면, 제2 시계열 토큰은 제1 모듈(10)의 학습 방법에 따라 다르게 설정될 수 있다. 제2 시계열 토큰은 엔코더 블록(100)에 입력되는 제1 시계열 토큰과 임의의 시구간에 대한 토큰들을 공유할 수 있다.

다른 실시예에 따르면, 제2 시계열 토큰은 제1 시계열 토큰 이후의 시구간에 대한 토큰들을 포함할 수 있고, 제3 시계열 토큰보다 앞선 시구간에 대한 토큰들을 포함할 수 있다.

실시예에 따르면, 디코더 입력층(210)은 임베딩층(embedding layer)일 수 있으며, 디코더 입력층(210)에 처리된 토큰들을 임베딩 벡터라고 할 수 있다.

디코더층(220)은 엔코더 블록(100)으로부터 출력된 컨텍스트 정보를 복호화하고, 복호화된 컨텍스트 정보 및 임베딩된 제2 시계열 토큰에 기초하여 제1 모듈(10)에 입력된 시계열 데이터 세트의 특징을 학습할 수 있다.

디코더 블록(200)은 복수개의 디코더층(220)을 포함할 수 있으며, 디코더층(220)의 개수는 하이퍼 파라미터(hyper parameter)로 최적화를 위한 튜닝 값일 수 있다.

또한, 디코더층(220)은 학습한 시계열 데이터 세트의 특징을 바탕으로 제2 시계열 토큰 이후 시구간에 대한 배터리 셀의 데이터인 예상 데이터를 유추할 수 있다.

디코더층(220)은 마스크 셀프 어텐션층(221), 정규화층(222), 엔코더-디코더 어텐션층(223), 정규화층(224), 피드 포워드층(225) 및 정규화층(226)을 포함할 수 있다.

마스크 셀프 어텐션층(221)은 제2 시계열 토큰이 포함하는 토큰들에 대한 벡터를 선형 변환하여 쿼리(Query) 벡터, 키(Key) 벡터 및 값(Value) 벡터를 생성할 수 있다.

마스크 셀프 어텐션층(221)은 제2 시계열 토큰이 포함하는 토큰들에 기초하여 어텐션을 수행할 수 있다. 다만, 마스크 셀프 어텐션층(221)은 어텐션 수행 시, 각 토큰이 얻어진 이후의 시구간에 대응하는 토큰들을 마스킹하고 어텐션을 수행할 수 있다.

마스킹은 어텐션 연산 시, 디코더 블록(200)이 학습 또는 유추하고자 하는 시구간 이후의 시구간에 대한 토큰들을 참고하지 못하도록 하는 동작일 수 있다. 마스킹을 제외한 어텐션은 앞서 엔코더 블록(100)이 포함하는 셀프 어텐션층(131)의 어텐션과 실질적으로 동일할 수 있다.

예를들어, 마스크 셀프 어텐션층(221)은 디코더 블록(200)에 입력되는 제2 시계열 토큰이 포함하는 토큰들에 기초하여 어텐션을 수행할 수 있고, 마스크 셀프 어텐션층(221)이 수행하는 어텐션은 멀티 헤드 어텐션일 수 있다.

정규화층(222)은 마스크 셀프 어텐션층(221)에 입력된 벡터를 마스크 셀프 어텐션층(221)에서 출력된 벡터에 더하고, 합해진 벡터를 정규화함으로써 정보의 손실을 방지할 수 있다. 다시말해, 정규화층(222)은 마스크 셀프 어텐션층(221)의 출력에 대한 잔차 연결(Residual connection) 및 층 정규화(Layer normalization)를 수행할 수 있다.

엔코더 디코더 어텐션층(223)은 앞서 마스크 셀프 어텐션층(221) 또는 셀프 어텐션층(131)과 같은 멀티 헤드 어텐션을 수행하나, 엔코더 블록(100)의 출력 값 및 마스크 셀프 어텐션 층(221)의 출력 값을 모두 활용하여 어텐션을 수행하는 층일 수 있다.

보다 구체적으로, 엔코더 디코더 어텐션층(223)은 엔코더 블록(100)이 출력하는 컨텍스트 정보 및 제2 시계열 토큰이 포함하는 토큰들에 기초한 벡터들로 어텐션을 수행할 수 있다.

엔코더 블록(100)은 엔코더 디코더 어텐션층(223)에 컨텍스트 정보를 송신할 수 있고, 상기 컨텍스트 정보는 엔코더 층(130)의 출력값에 대한 키 벡터 및 값 벡터를 포함할 수 있다.

엔코더 디코더 어텐션층(223)은 마스크 셀프 어텐션층(221) 및 정규화층(222)을 거쳐 출력되는 벡터로부터 생성되는 쿼리 벡터와 엔코더 층(130)의 출력값에 대한 키 벡터 및 값 벡터에 기초하여 제2 시계열 토큰이 포함하는 전체 토큰들에 대한 어텐션 값을 가지는 출력 벡터를 생성할 수 있다.

실시예에 따르면, 엔코더 디코더 어텐션층(223)은 멀티 헤드 어텐션을 수행하는 바, 제2 시계열 토큰이 포함하는 전체 토큰들에 대한 병렬 어텐션을 수행하고, 생성된 출력 벡터들을 연결하여 추가적인 가중치 행렬과 곱할 수 있다.

정규화층(224)은 엔코더 디코더 어텐션층(223)에 입력된 벡터를 엔코더 디코더 어텐션층(223)에서 출력된 벡터에 더하고, 합해진 벡터를 정규화함으로써 정보의 손실을 방지할 수 있다. 다시말해, 정규화층(224)은 엔코더 디코더 어텐션층(223)의 출력에 대한 잔차 연결(Residual connection) 및 층 정규화(Layer normalization)를 수행할 수 있다.

피드 포워드층(225)은 복수의 은닉층을 포함하는 완전 연결일 수 있다. 피드 포워드층(225)에 입력된 벡터는 피드 포워드층(225)이 포함하는 은닉층들 사이에 적용되는 가중치의 영향을 받고 출력될 수 있다. 피드 포워드층(225)이 포함하는 은닉층의 크기는 최적화를 위한 튜닝값일 수 있다.

정규화층(226)은 피드 포워드층(225)에 입력된 벡터를 피드 포워드층(225)에서 출력된 벡터에 더하고, 합해진 벡터를 정규화함으로써 정보의 손실을 방지할 수 있다. 다시말해, 정규화층(226)은 피드 포워드층(225)의 출력에 대한 잔차 연결(Residual connection) 및 층 정규화(Layer normalization)를 수행할 수 있다.

디코더층(220)들의 개수만큼 상기 동작들을 반복할 수 있다. 또한, 디코더층(220)들에서 출력되는 벡터는 디코더 입력층(210)에서 디코더층(220)으로 입력되는 벡터와 동일한 크기를 가질 수 있다.

선형 맵핑층(230)은 완전 연결층으로, 배터리 셀이 정상 상태일 경우, 배터리 관리 시스템(30)이 배터리 셀로부터 수집할 것으로 예상되는 데이터인 예상 데이터를 결정하는 층일 수 있다.

다시말해, 예상 데이터는 상기 제1 모듈(10)이 배터리 셀의 상태 정보를 생성하는 시점에 배터리 셀이 정상 상태일 경우, 배터리 관리 시스템(30)이 수집할 것으로 예상되는 데이터일 수 있다.

예상 데이터는 제1 모듈(10)에 입력되는 시계열 데이터 세트가 포함하는 토큰들과 동일한 차원을 갖는 데이터일 수 있다.

판단 블록(300)은 예상 데이터와 제3 시계열 토큰에 기초하여 배터리 셀에 대한 제1 상태 정보를 생성할 수 있다.

제3 시계열 토큰은 배터리 셀의 상태를 판단하는 시점에 배터리 관리 시스템(30)이 배터리 셀로부터 실제로 수집한 시계열 데이터일 수 있다.

판단 블록(300)은 예상 데이터와 제3 시계열 토큰을 비교하여 제1 상태 정보를 생성할 수 있다. 예시적으로, 판단 블록(300)은 예상 데이터와 제3 시계열 토큰의 차이를 연산하고, 상기 연산된 차이가 미리 설정된 값을 초과하는 경우, 배터리 셀이 비정상 상태인 것으로 판단할 수 있다.

실시예에 따르면, 판단 블록(300)은 제2 모듈(20)로부터 수신한 제2 상태 정보를 반영하여 엔코더 블록(100) 및 디코더 블록(200)을 학습함으로써 생성되는 예상 데이터의 정확도를 향상시킬 수 있다.

판단 블록(300)은 제1 상태 정보 및 제2 상태 정보를 비교하고, 비교 값에 기초하여 예상 데이터 생성을 위한 엔코더 블록(100) 및 디코더 블록(200)의 학습 파라미터를 보정할 수 있다. 상기 학습 파라미터 보정을 통해 예상 데이터 생성의 정확도가 향상될 수 있다.

도 3은 본 문서에 개시된 일 실시예에 따른 제2 모듈을 보여주는 블록도이다.

제2 모듈(20)은 미리 설정된 실험 조건에서 수집된 실험 배터리 셀의 데이터인 실험 데이터 세트에 기초하여 학습하고, 배터리 셀에 대한 시계열 데이터 세트에 기초하여 제2 상태 정보를 생성할 수 있다.

제2 모듈(20)은 장단기 기억 블록(400), 컨벌루션 블록(500) 및 결합 블록(600)을 포함할 수 있다.

장단기 기억 블록(400)은 셔플층(410), 장단기 기억층(420) 및 드롭 아웃층(430)을 포함할 수 있다.

컨벌루션 블록(500)은 컨벌루션층(510) 및 풀링층(520)을 포함할 수 있다.

실험 데이터 세트는 미리 설정된 실험 조건에 대한 실험 데이터 토큰과 실험 배터리 셀의 상태 정보가 매칭된 데이터 세트일 수 있다.

장단기 기억 블록(400)은 수신한 시계열 데이터 세트에 기초하여 제1 특징을 출력할 수 있다. 컨벌루션 블록(500)은 시계열 데이터 세트에 기초하여 제2 특징을 출력할 수 있다.

결합 블록(600)은 제1 특징 및 제2 특징을 결합하여 제2 상태 정보를 생성할 수 있다.

장단기 기억 블록(400)은 셔플층(410), 장단기 기억층(420) 및 드롭 아웃층(430)을 포함할 수 있다.

셔플층(410)은 다변량 시계열 데이터의 처리를 용이하게 하는 층으로 처리 속도 향상 및 오버 피팅(over-fitting)을 방지할 수 있다. 장단기 기억층(420)은 순차적으로 입력되는 시계열 데이터의 처리를 위한 네트워크로, 입력 토큰에 대한 출력을 다시 입력으로 하여 시계열 데이터 세트를 순환 처리하는 순환층(421) 및 이전 입력 토큰에 대한 순환층의 처리 결과를 보존하는 기억층(422)을 포함할 수 있다. 다시말해, 장단기 기억층(420)은 Long short-term memory(LSTM)층일 수 있다. 실시예에 따라 장단기 기억층(420)은 어텐션을 수행하는 attention LSTM 층일 수 있다.

드롭 아웃층(430)은 오버 피팅을 방지하기 위한 층으로, 완전 연결층에서 일부 연결을 확률적으로 제거할 수 있다.

컨벌루션 블록(500)은 컨벌루션층(510) 및 풀링층(520)을 포함할 수 있다. 컨벌루션 블록(500)은 복수의 컨벌루션층(510)들을 포함할 수 있다.

컨벌루션층(510)은 시계열 데이터 세트에 대한 합성곱 연산을 수행하는 합성곱층(511), 합성곱층(511)의 출력에 대하여 차원을 축소하는 압축층(512) 및 상기 압축층(512)의 출력을 정규화하여 가중치를 부여하는 활성층(513)을 포함할 수 있다.

풀링층(520)은 컨벌루션층(510)의 연산 결과를 다운 샘플링하여 크기를 줄이는 층일 수 있으며, 풀링층(520)을 통해 제2 특징이 출력될 수 있다.

결합 블록(600)은 제1 특징 및 제2 특징을 결합하여 입력된 시계열 데이터 세트로부터 배터리 셀의 상태를 판단할 수 있다. 결합 블록(600)이 판단한 배터리 셀의 상태는 제2 상태 정보일 수 있다.

예시적으로 제2 상태 정보는 배터리 셀이 정상 또는 비정상 상태에 있는지 판단한 정보를 포함할 수 있다. 제2 상태 정보는 시계열 데이터 세트가 입력되는 시점의 배터리 셀의 상태 정보일 수 있으며, 보다 구체적으로 시계열 데이터 세트가 포함하는 제3 시계열 토큰이 수집된 시점의 배터리 셀 상태 정보일 수 있다.

제2 모듈(20)은 실험 데이터 세트에 기초하여 학습할 수 있다.

실험 데이터 세트는 미리 설정된 실험 조건에 대한 실험 데이터 토큰과 실험 배터리 셀의 상태 정보가 매칭된 데이터 세트일 수 있다. 제2 모듈(20)은 실험 데이터 세트가 포함하는 실험 데이터 토큰을 장단기 기억 블록(400) 및 컨벌루션 블록(500)에 입력하여 각각의 블록에서 실험 데이터 토큰에 대응하는 특징을 추출하도록 학습하고, 결합 블록(600)이 특징들을 결합하여 실험 배터리 셀에 대한 상태를 예측하도록 학습할 수 있다.

보다 구체적으로, 제2 모듈(20)은 실험 데이터 토큰에 매칭된 실험 배터리 셀의 상태 정보와 장단기 기억 블록(400), 컨벌루션 블록(500) 및 결합 블록(600)을 통해 예측한 정보를 비교하여 학습을 진행함으로써 학습 정확도를 향상시킬 수 있다.

제2 모듈(20)은 실험 데이터 세트에 기초하여 학습한 이후, 시계열 데이터 세트를 수신하고, 수신한 시계열 데이터 세트에 기초하여 배터리 셀의 상태를 예측할 수 있다.

도 4는 본 문서에 개시된 일 실시예에 따른 제1 모듈의 배터리 셀 상태 판단 방법을 설명하기 위한 것이다.

설명의 편의를 위해 시계열 데이터 세트가 제1 내지 제6 토큰(T1, T2, T3, T4, T5 및 T6)을 포함하고, 제6 토큰(T6)이 수집된 시구간에 대한 배터리 셀의 상태를 판단하는 경우를 예시적으로 설명한다.

제1 모듈(10)은 시계열 데이터 세트 중 시계열 데이터 세트의 컨텍스트 정보를 추출하기 위한 제1 시계열 토큰을 선택할 수 있다. 예시적으로, 제6 토큰(T6)이 수집된 시구간에 대한 배터리 셀의 상태를 판단하기 위해 제1 시계열 토큰이 제1 내지 제4 토큰(T1, T2, T3, T4)을 포함할 수 있다.

제1 시계열 토큰은 배터리 셀의 상태 판단의 기준이 되는 시구간에 수집되는 토큰(T6)보다 시계열적으로 먼저 수집된 토큰들(예를들어, T1, T2, T3 등)을 포함할 수 있다.

엔코더 블록(100)은 제1 시계열 토큰을 수신하고, 수신한 제1 시계열 토큰으로부터 시계열 데이터 세트에 대한 컨텍스트 정보를 추출할 수 있다.

엔코더 블록(100)은 배터리 관리 시스템(30)으로부터 제1 모듈(10)로 시계열 데이터 세트가 입력될 때 마다 추출되는 컨텍스트 정보를 업데이트 할 수 있다.

컨텍스트 정보의 추출 방법은 앞서 도 2에서 설명된 바, 중복되는 설명은 생략한다.

디코더 블록(200)은 엔코더 블록(100)의 출력 값을 컨텍스트 정보로 수신하고, 디코더 층(220)이 포함하는 엔코더 디코더 어텐션층(223)에 컨텍스트 정보를 반영하여 어텐션을 수행할 수 있다.

디코더 블록(200)은 시계열 데이터 세트로부터 예상 데이터를 생성하기 위한 제2 시계열 토큰을 선택할 수 있다.

제2 시계열 토큰은 배터리 셀의 상태 판단의 기준이 되는 시구간에 수집되는 토큰(T6)이 수집되기 직전에 수집된 토큰(T5)을 포함할 수 있다.

실시예에 따르면, 제2 시계열 토큰은 복수의 토큰들(T4, T5)을 포함할 수 있다. 제2 시계열 토큰이 포함하는 토큰들(T4, T5)은 시간성을 갖는 연속적인 토큰들일 수 있다. 다시말해, 제2 시계열 토큰은 제4 토큰 및 제5 토큰과 같이 연속적인 시구간별로 수집된 토큰들을 포함할 수 있다.

디코더 블록(200)은 컨텍스트 정보 및 제2 시계열 토큰에 기초하여 예상 데이터(T5', T6')를 생성할 수 있다. 실시예에 따르면, 판단 블록(300)은 예상 데이터(T5', T6')와 동일한 시구간에 대응하는 토큰들(T5, T6)을 비교하여 디코더 블록(200)의 복호화 알고리즘의 정확도를 향상시킬 수 있다.

디코더 블록(200)을 통해 생성되는 예상 데이터는 디코더 블록(200)에 입력된 토큰들에 대응하는 연속적인 데이터일 수 있다.

다른 실시예에 따르면, 디코더 블록(200)에 입력되는 제2 시계열 토큰은 배터리 셀의 상태 판단의 기준이 되는 시구간 직전에 수집되는 토큰인 제5 토큰(T5)만을 포함할 수 있고, 디코더 블록(200)은 제5 토큰(T5)에 기초하여 하나의 시구간에 대한 예상 데이터(T6')를 생성할 수 있다.

디코더 블록(200)에서 출력되는 예상 데이터(T5', T6')는 해당 시구간에 대하여, 정상 상태인 배터리 셀이 가질 것으로 예상되는 데이터일 수 있다.

판단 블록(300)은 실제 상태 판단의 기준이 되는 시구간에 배터리 셀로부터 수집된 토큰(T6)와 예상 데이터(T6')를 비교하여 제1 상태 정보(S1)를 생성할 수 있다.

판단 블록(300)은 제2 모듈(20)로부터 제2 상태 정보(S2)를 수신할 수 있다. 판단 블록(300)은 수신한 제2 상태 정보(S2)를 입력된 시계열 데이터 세트(T1, T2, T3, T4, T5 및 T6)에 대한 정답 값으로 하고, 제1 상태 정보(S2) 생성 알고리즘의 정확도를 향상시킬 수 있도록 엔코더 블록(100) 및 디코더 블록(200)의 튜닝 값을 조절할 수 있다.

엔코더 블록(100) 및 디코더 블록(200)은 제2 상태 정보(S2)를 반영하여 학습 알고리즘을 튜닝할 수 있고, 이를 통해 생성되는 예상 데이터(T5', T6')의 정확도를 향상시킬 수 있다.

제1 모듈(10)은 입력된 제2 상태 정보(S2)와 일치하는 제1 상태 정보(S1)가 생성될 수 있도록 예상 데이터 생성 방법을 학습함으로써 시계열 데이터 세트에 기초하여 생성되는 예상 데이터(T5', T6')의 정확도를 향상시킬 수 있다.

도 5는 본 문서에 개시된 일 실시예에 따른 제2 모듈의 배터리 셀 상태 판단 방법을 설명하기 위한 것이다.

설명의 편의를 위해 시계열 데이터 세트가 제1 내지 제6 토큰(T1, T2, T3, T4, T5 및 T6)을 포함하고, 제6 토큰(T6)이 수집된 시구간에 대한 배터리 셀의 상태를 판단하는 경우를 예시적으로 설명한다.

시계열 데이터 세트는 장단기 기억 블록(400) 및 컨벌루션 블록(500)에 병렬적으로 입력될 수 있다.

장단기 기억 블록(400)은 시계열 데이터 세트가 포함하는 연속적인 토큰들(T1 내지 T6)에 기초하여 제1 특징(F1)을 추출할 수 있다.

컨벌루션 블록(500)은 시계열 데이터 세트가 포함하는 연속적인 토큰들(T1 내지 T6)에 기초하여 제2 특징(F2)을 추출할 수 있다.

장단기 기억 블록(400) 및 컨벌루션 블록(500)의 동작 방법은 앞서 도 3을 통해 설명한 바, 중복되는 설명은 생략한다.

결합 블록(600)은 제1 특징(F1) 및 제2 특징(F2)을 결합하여 제2 상태 정보(S2)를 생성할 수 있다.

제2 모듈(20)은 실험 데이터 세트에 기초하여 학습을 마치고 시계열 데이터 세트를 수신하는 바, 제1 모듈(10)과 비교하여 상태 정보 판단의 정확도가 높을 수 있다.

또한, 실험 데이터 세트는 미리 설정된 실험 조건에 대한 실험 데이터 토큰과 실험 배터리 셀의 상태 정보가 매칭된 데이터 세트인 바, 제2 모듈(20)은 실험 배터리 셀의 상태 정보에 기초하여 상태 정보 판단의 정확도를 높일 수 있다.

따라서, 제1 모듈(10)은 제2 모듈(20)이 생성한 제2 상태 정보(S2)를 정답 값으로 교사 학습을 수행할 수 있다.

도 6은 본 문서에 개시된 일 실시예에 따른 배터리 셀 상태 판단 장치의 동작 방법을 나타내는 흐름도이다.

제2 모듈(20)은 실험 데이터 세트에 기초하여 제2 상태 정보의 생성 방법을 학습할 수 있다(S100).

실험 데이터 세트는 실험 데이터 토큰과 실험 배터리 셀에 대한 상태 정보가 매칭된 데이터일 수 있다.

제2 모듈(20)은 상태 정보 생성 방법을 미리 학습함으로써 배터리 셀에 대한 시계열 데이터 세트에 기초하여 제2 상태 정보를 생성할 수 있다.

배터리 관리 시스템(30)은 배터리 셀에 대한 시계열 데이터 세트를 수집할 수 있다(S200). 시계열 데이터 세트는 배터리 셀의 상태 판단이 필요한 시점까지 배터리 관리 시스템(30)이 수집한 시계열적 데이터일 수 있다.

또한 시계열 데이터 세트는 배터리 셀로부터 얻어진 시계열적 데이터에 미리 설정된 타임 윈도우를 적용하여 얻어진 복수의 토큰들을 포함할 수 있다.

시계열 데이터 세트가 포함하는 토큰들은 시간성을 가지는 연속적인 데이터일 수 있다.

제1 모듈(10)은 시계열 데이터 세트에 기초하여 제1 상태 정보를 생성할 수 있다(S300).

제1 모듈(10)은 엔코더 블록(100), 디코더 블록(200) 및 판단 블록(300)을 포함할 수 있으며, 제1 상태 정보는 배터리 셀의 상태 판단이 필요한 시점에 대한 배터리 셀의 상태 정보일 수 있다. 예시적으로, 배터리 셀의 상태 정보는 배터리 셀의 정상 또는 비정상 판단에 대한 정보를 포함할 수 있다.

제2 모듈(20)은 장단기 기억 블록(400), 컨벌루션 블록(500) 및 결합 블록(600)을 포함할 수 있으며, 제2 상태 정보는 제1 상태 정보와 마찬가지로 배터리 셀의 상태 판단이 필요한 시점에 대한 배터리 셀의 상태 정보일 수 있다.

제2 모듈(20)은 제1 모듈(10)과 상이한 방법으로 배터리 셀의 상태 정보를 생성할 수 있다.

제1 모듈(10)은 제2 상태 정보에 기초하여 제1 상태 정보 생성 알고리즘을 교사 학습할 수 있다(S500).

제1 모듈(10)은 제2 상태 정보를 정답 값으로 반영하여 예상 데이터 생성 알고리즘의 정확도를 향상시킬 수 있다.

도 7은 본 문서에 개시된 일 실시예에 따른 제1 상태 정보 생성 방법을 설명하기 위한 흐름도이다.

제1 모듈(10)이 포함하는 엔코더 블록(100)은 시계열 데이터 세트가 포함하는 제1 시계열 토큰으로부터 시계열 데이터 세트의 컨텍스트 정보를 추출할 수 있다(S310).

제1 시계열 토큰은 전체 시계열 데이터 세트의 컨텍스트 정보를 추출할 수 있도록 미리 설정된 구간에 대한 복수의 토큰들을 포함할 수 있다.

실시예에 따르면 컨텍스트 정보는 엔코더 블록(100)의 출력값에 대한 키 벡터 및 값 벡터를 포함할 수 있다.

제1 모듈(10)이 포함하는 디코더 블록(200)은 시계열 데이터 세트의 컨텍스트 정보 및 시계열 데이터 세트가 포함하는 제2 시계열 토큰에 기초하여 예상 데이터를 생성할 수 있다(S320).

제2 시계열 토큰은 배터리 셀의 상태 판단이 필요한 시점 직전에 수집된 토큰을 포함할 수 있다. 또한, 제2 시계열 토큰은 시간적 연속성을 갖는 토큰들을 포함할 수 있다.

예상 데이터는 배터리 셀의 상태 판단이 필요한 시점에 대하여, 배터리 셀이 정상 상태인 경우, 배터리 셀로부터 수집될 것으로 예상되는 데이터일 수 있다.

디코더 블록(200)은 제2 시계열 토큰으로부터 얻은 쿼리 벡터와 엔코더 블록(100)의 출력값에 대한 키 벡터 및 값 벡터를 이용하여 예상 데이터를 생성할 수 있다.

판단 블록(300)은 예상 데이터와 시계열 데이터 세트가 포함하는 제3 시계열 토큰에 기초하여 제1 상태 정보를 생성할 수 있다(S330).

제3 시계열 토큰은 배터리 셀의 상태 판단이 필요한 시점에 배터리 셀로부터 얻어지는 배터리 셀의 실제 데이터일 수 있다.

판단 블록(300)은 예상 데이터와 제3 시계열 토큰을 비교하여 배터리 셀의 상태가 정상인지 판단하고, 제1 상태 정보를 생성할 수 있다.

다시말해, 판단 블록(300)은 배터리 셀의 상태가 정상인 경우, 배터리 셀이 가질 것으로 예상되는 데이터인 예상 데이터와 실제 배터리 셀의 데이터인 제3 시계열 토큰을 비교함으로써 배터리 셀의 상태를 판단할 수 있다.

도 8은 본 문서에 개시된 일 실시예에 따른 제2 상태 정보 생성 방법을 설명하기 위한 흐름도이다.

제2 모듈(20)이 포함하는 장단기 기억 블록(400)은 시계열 데이터 세트에 기초하여 제1 특징을 추출할 수 있다(S410).

장단기 기억 블록(400)은 순환층(421) 및 기억층(422)을 포함하는 LSTM 블록일 수 있다.

제2 모듈(20)이 포함하는 컨벌루션 블록(500)은 시계열 데이터 세트에 기초하여 제2 특징을 추출할 수 있다(S420).

컨벌루션 블록(500)은 합성곱 연산을 수행하는 합성곱층(511)을 포함할 수 있다.

제2 모듈(20)이 포함하는 결합 블록(600)은 제1 특징 및 제2 특징을 결합하여 제2 상태 정보를 생성할 수 있다(S430).

제1 모듈(10)은 제2 상태 정보에 기초하여 교사 학습을 수행할 수 있다.

도 9는 본 문서에 개시된 다른 실시예에 따른 제2 상태 정보 생성 방법을 설명하기 위한 흐름도이다.

제2 모듈(20)이 포함하는 장단기 기억 블록(400)은 시계열 데이터 세트를 순환 처리할 수 있다(S411).

시계열 데이터 세트의 순환 처리는 장단기 기억 블록(400)이 포함하는 순환층(421)에 의해 수행될 수 있다.

장단기 기억 블록(400)은 시계열 데이터 세트에 대한 순환 처리 결과를 보존할 수 있다(S412).

시계열 데이터 세트의 순환 처리 결과는 장단기 기억 블록(400)이 포함하는 기억층(422)에 의해 보존될 수 있다.

장단기 기억 블록(400)은 보존된 순환 처리 결과를 반영하여 제1 특징을 추출할 수 있다(S413).

제2 모듈(20)이 포함하는 컨벌루션 블록(500)은 시계열 데이터 세트에 대한 합성곱 연산을 수행할 수 있다(S421).

합성곱 연산은 복수의 은닉층들을 포함하는 합성곱층(511)에서 수행될 수 있다.

컨벌루션 블록(500)은 합성곱 연산의 결과를 압축할 수 있다(S422).

압축은 컨벌루션 블록(500)이 포함하는 압축층(512)에서 수행될 수 있다.

컨벌루션 블록(500)은 압축 결과에 기초해 합성곱 연산의 결과를 보정하여 제2 특징을 추출할 수 있다(S423).

결합 블록(600)은 추출된 제1 특징 및 제2 특징에 기초하여 제2 상태 정보를 생성할 수 있다.

도 10은 본 문서에 개시된 일 실시예에 따른 배터리 셀 상태 판단 장치의 동작 방법을 수행하기 위한 컴퓨팅 시스템의 하드웨어 구성을 나타내는 블록도이다.

도 10을 참조하면, 본 문서에 개시된 일 실시예에 따른 컴퓨팅 시스템(1000)은 MCU(1010), 메모리(1020), 입출력 I/F(1030) 및 통신 I/F(1040)를 포함할 수 있다.

MCU(1010)는 메모리(1020)에 저장되어 있는 각종 프로그램(예를 들면, 배터리 셀의 전압 또는 전류 수집 프로그램, 배터리 팩에 포함된 릴레이 제어 프로그램, 배터리 셀 잔존 수명 산출 프로그램, 배터리 셀 용량 퇴화 진단 프로그램, 배터리 셀의 저항 퇴화 판단 프로그램 등)을 실행시키고, 이러한 프로그램들을 통해 배터리 셀의 잔존 수명 정보, 배터리 셀의 용량 퇴화 정보 및 배터리 셀의 저항 퇴화 정보를 포함한 각종 정보를 처리하며, 전술한 도 1에 나타낸 배터리 셀 상태 판단 장치의 동작을 수행하도록 하는 프로세서일 수 있다.

메모리(1020)는 배터리의 로그 정보 수집 및 진단에 관한 각종 프로그램을 저장할 수 있다. 또한, 메모리(1020)는 배터리의 전류, 전압, 충방전 조건 정보, 설정 회수 이내의 충방전 사이클 구간에서 배터리 셀의 전압 정보, 설정 회수 이내의 충방전 사이클 구간에서 배터리 셀의 dQ/dV 정보 등 각종 정보를 배터리 셀에 대한 시계열 데이터로 저장할 수 있다. 또한, 메모리(1020)는 전술한 도 1에 나타낸 모듈들(10, 20)의 동작 알고리즘을 포함할 수 있다.

이러한 메모리(1020)는 필요에 따라서 복수 개 마련될 수도 있다. 메모리(1020)는 휘발성 메모리일 수도 있으며 비휘발성 메모리일 수 있다. 휘발성 메모리로서의 메모리(1020)는 RAM, DRAM, SRAM 등이 사용될 수 있다. 비휘발성 메모리로서의 메모리(1020)는 ROM, PROM, EAROM, EPROM, EEPROM, 플래시 메모리 등이 사용될 수 있다. 상기 열거한 메모리(1020)들의 예를 단지 예시일 뿐이며 이들 예로 한정되는 것은 아니다.

입출력 I/F(1030)는, 키보드, 마우스, 터치 패널 등의 입력 장치(미도시)와 디스플레이(미도시) 등의 출력 장치와 MCU(1010) 사이를 연결하여 데이터를 송수신할 수 있도록 하는 인터페이스를 제공할 수 있다.

통신 I/F(1040)는 서버와 각종 데이터를 송수신할 수 있는 구성으로서, 유선 또는 무선 통신을 지원할 수 있는 각종 장치일 수 있다. 예를 들면, 배터리 셀 상태 판단 장치는 통신 I/F(1040)를 통해 별도로 마련된 외부 서버로부터 실험 배터리 셀에 대한 실험 데이터 세트를 수신할 수 있다. 배터리 셀 판단 장치는 수신한 실험 데이터 세트를 실험 데이터 베이스에 저장할 수 있다. 실시예에 따르면 실험 데이터 베이스는 배터리 상태 판단 장치의 외부에 구비될 수 있다.

이와 같이, 본 문서에 개시된 일 실시예에 따른 컴퓨터 프로그램은 메모리(1020)에 기록되고, MCU(1010)에 의해 처리됨으로써, 예를 들면 도 1에서 도시한 각 기능들을 수행하는 모듈로서 구현될 수도 있다.

이상의 설명은 본 문서에 개시된 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 문서에 개시된 실시예들의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.

따라서, 본 문서에 개시된 실시예들은 본 문서에 개시된 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 문서에 개시된 기술 사상의 범위가 한정되는 것은 아니다. 본 문서에 개시된 기술 사상의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 문서의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

1: 배터리 셀 상태 판단 장치
10: 제1 모듈
20: 제2 모듈
30: 배터리 관리 시스템
40: 실험 데이터 베이스
1000: 컴퓨팅 시스템
1010: MCU
1020: 메모리
1030: 입출력 I/F
1040: 통신 I/F

Claims (17)

1. 배터리 셀에 대한 시계열 데이터 세트에 기초하여 상기 배터리 셀에 대한 제1 상태 정보를 생성하는 제1 모듈; 및
   상기 시계열 데이터 세트에 기초하여 상기 배터리 셀에 대한 제2 상태 정보를 생성하는 제2 모듈을 포함하고,
   상기 제1 모듈은 상기 제2 상태 정보에 기초하여 교사 학습하는 배터리 셀 상태 판단 장치.
2. 제1 항에 있어서,
   상기 시계열 데이터 세트는 복수의 시계열 토큰들을 포함하고, 상기 시계열 토큰들은 시간성을 가지는 연속적인 데이터인 배터리 셀 상태 판단 장치.
3. 제1 항에 있어서,
   상기 제1 모듈은,
   상기 시계열 데이터 세트가 포함하는 제1 시계열 토큰으로부터 상기 시계열 데이터 세트의 컨텍스트 정보를 추출하는 엔코더 블록;
   상기 시계열 데이터 세트의 컨텍스트 정보 및 상기 시계열 데이터 세트가 포함하는 제2 시계열 토큰에 기초하여 예상 데이터를 생성하는 디코더 블록; 및
   상기 예상 데이터와 상기 시계열 데이터 세트가 포함하는 제3 시계열 토큰에 기초하여 상기 제1 상태 정보를 생성하는 판단 블록을 포함하는 배터리 셀 상태 판단 장치.
4. 제3 항에 있어서,
   상기 제1 모듈은 상기 제2 상태 정보에 기초하여 상기 예상 데이터를 보정하는 배터리 셀 상태 판단 장치.
5. 제3 항에 있어서,
   상기 제3 시계열 토큰은 상기 배터리 셀의 상태를 판단하는 시점에 상기 배터리 셀로부터 수집되는 데이터인 배터리 셀 상태 판단 장치.
6. 제3 항에 있어서,
   상기 예상 데이터는 상기 배터리 셀이 정상 상태인 경우, 상기 배터리 셀로부터 수집될 것으로 예상되는 데이터인 배터리 셀 상태 판단 장치.
7. 제1 항에 있어서,
   상기 제2 모듈은,
   상기 시계열 데이터 세트에 기초하여 제1 특징을 추출하는 장단기 기억 블록;
   상기 시계열 데이터 세트에 기초하여 제2 특징을 추출하는 컨벌루션 블록; 및
   상기 제1 특징 및 상기 제2 특징을 결합하여 상기 제2 상태 정보를 생성하는 결합 블록을 포함하는 배터리 셀 상태 판단 장치.
8. 제7 항에 있어서,
   상기 장단기 기억 블록은 상기 시계열 데이터 세트를 순환 처리하는 순환층; 및
   상기 순환층의 처리 결과를 보존하는 기억층을 포함하는 배터리 셀 상태 판단 장치.
9. 제7 항에 있어서,
   상기 컨벌루션 블록은 상기 시계열 데이터 세트에 대한 합성곱 연산을 수행하는 합성곱층을 포함하는 배터리 셀 상태 판단 장치.
10. 제9 항에 있어서,
    상기 컨벌루션 블록은 상기 합성곱층의 연산 결과를 압축하는 압축층; 및
    상기 압축층의 연산 결과에 기초하여 상기 합성곱층의 연산 결과를 보정하는 활성층을 더 포함하는 배터리 셀 상태 판단 장치.
11. 제1 항에 있어서,
    상기 제2 모듈은 실험 데이터 세트에 기초하여 학습하고,
    상기 실험 데이터 세트는 미리 설정된 실험 조건에서 수집된 실험 배터리 셀의 데이터와 상기 실험 배터리 셀의 상태 정보가 매칭된 데이터 세트인 배터리 셀 상태 판단 장치.
12. 배터리 셀에 대한 시계열 데이터 세트를 수집하는 단계;
    상기 시계열 데이터 세트에 기초하여 상기 배터리 셀에 대한 제1 상태 정보를 생성하는 단계;
    상기 시계열 데이터 세트에 기초하여 상기 배터리 셀에 대한 제2 상태 정보를 생성하는 단계; 및
    상기 제2 상태 정보에 기초하여 교사 학습하는 단계를 포함하는 배터리 셀 상태 판단 장치의 동작 방법.
13. 제12 항에 있어서,
    상기 제1 상태 정보를 생성하는 단계는,
    상기 시계열 데이터 세트가 포함하는 제1 시계열 토큰으로부터 상기 시계열 데이터 세트의 컨텍스트 정보를 추출하는 단계;
    상기 시계열 데이터 세트의 컨텍스트 정보 및 상기 시계열 데이터 세트가 포함하는 제2 시계열 토큰에 기초하여 예상 데이터를 생성하는 단계; 및
    상기 예상 데이터와 상기 시계열 데이터 세트가 포함하는 제3 시계열 토큰에 기초하여 상기 제1 상태 정보를 생성하는 단계를 포함하는 배터리 셀 상태 판단 장치의 동작 방법.
14. 제12 항에 있어서,
    상기 제2 상태 정보를 생성하는 단계는
    상기 시계열 데이터 세트에 기초하여 제1 특징을 추출하는 단계;
    상기 시계열 데이터 세트에 기초하여 제2 특징을 추출하는 단계; 및
    상기 제1 특징 및 상기 제2 특징을 결합하여, 상기 제2 상태 정보를 생성하는 단계를 포함하는 배터리 셀 상태 판단 장치의 동작 방법.
15. 제14 항에 있어서,
    상기 제1 특징을 추출하는 단계는
    상기 시계열 데이터 세트를 순환 처리하는 단계;
    상기 시계열 데이터 세트에 대한 순환 처리 결과를 보존하는 단계; 및
    보존된 상기 순환 처리 결과를 반영하여 상기 제1 특징을 추출하는 단계를 포함하는 배터리 셀 상태 판단 장치의 동작 방법.
16. 제14 항에 있어서,
    상기 제2 특징을 추출하는 단계는,
    상기 시계열 데이터 세트에 대한 합성곱 연산을 수행하는 단계;
    상기 합성곱 연산의 결과를 압축하는 단계; 및
    상기 압축 결과에 기초하여 상기 합성곱 연산의 결과를 보정하여 상기 제2 특징을 추출하는 단계를 포함하는 배터리 셀 상태 판단 장치의 동작 방법.
17. 제12 항에 있어서,
    실험 데이터 세트에 기초하여 상기 제2 상태 정보의 생성 방법을 학습하는 단계를 더 포함하고,
    상기 실험 데이터 세트는 미리 설정된 실험 조건에서 수집된 실험 배터리 셀의 데이터와 상기 실험 배터리 셀의 상태 정보가 매칭된 데이터 세트인 배터리 셀 상태 판단 장치의 동작 방법.

Images