KR20240063437A - 품질 센서를 이용한 배터리 제어 시스템 및 방법 - Google Patents
품질 센서를 이용한 배터리 제어 시스템 및 방법 Download PDFInfo
- Publication number
- KR20240063437A KR20240063437A KR1020220145053A KR20220145053A KR20240063437A KR 20240063437 A KR20240063437 A KR 20240063437A KR 1020220145053 A KR1020220145053 A KR 1020220145053A KR 20220145053 A KR20220145053 A KR 20220145053A KR 20240063437 A KR20240063437 A KR 20240063437A
- Authority
- KR
- South Korea
- Prior art keywords
- battery
- quality sensor
- abnormal state
- neural network
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 26
- 230000007613 environmental effect Effects 0.000 title 1
- 230000002159 abnormal effect Effects 0.000 claims abstract description 112
- 238000012544 monitoring process Methods 0.000 claims abstract description 57
- 238000007599 discharging Methods 0.000 claims abstract description 31
- 230000000903 blocking effect Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 230000005856 abnormality Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 21
- 238000013135 deep learning Methods 0.000 claims description 16
- 239000012855 volatile organic compound Substances 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000000306 recurrent effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims 3
- 229910052709 silver Inorganic materials 0.000 claims 3
- 239000004332 silver Substances 0.000 claims 3
- 238000000605 extraction Methods 0.000 claims 2
- 239000007789 gas Substances 0.000 description 40
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 7
- 238000004880 explosion Methods 0.000 description 7
- 229910001416 lithium ion Inorganic materials 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 206010000369 Accident Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 150000001722 carbon compounds Chemical class 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 229910000625 lithium cobalt oxide Inorganic materials 0.000 description 1
- BFZPBUKRYWOWDV-UHFFFAOYSA-N lithium;oxido(oxo)cobalt Chemical compound [Li+].[O-][Co]=O BFZPBUKRYWOWDV-UHFFFAOYSA-N 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Biochemistry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Combustion & Propulsion (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
실시예에 따른 품질 센서를 이용한 배터리 제어 시스템은 배터리 팩의 온도, 습도 및 가스레벨을 포함하는 배터리 모니터링 데이터를 센싱하는 품질 센서; 품질 센서에서 센싱된 배터리 모니터링 데이터에 기반하여, 배터리 이상상태를 판단하고, 판단된 배터리 이상상태에 따라 배터리의 충전, 방전 및 차단여부를 제어하고, 배터리 모니터링 데이터 및 이상상태 판단 결과를 사용자 단말로 전송하는 배터리 관리 시스템; 및 배터리 관리 시스템으로부터 배터리 모니터링 데이터 및 판단결과를 수신하여 사용자에게 제공하는 사용자 단말; 을 포함한다.
Description
본 개시는 품질 센서를 이용한 배터리 제어 시스템에 관한 것으로 구체적으로, 품질센서를 통한 배터리 이상 상태 판단 결과에 따라, 배터리 충전 및 방전을 제어하여, 배터리 이상으로 인한 화재와 폭발을 방지하는 시스템 및 방법에 관한 것이다.
본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.
IT 산업의 급격한 발달로 장소에 상관없이 정보를 이용할 수 있는 휴대폰, 노트북, 태블릿 PC 등의 IT 기기들의 수요가 급격히 증가하고 있으며, 그에 대한 기술력 또한 매년 새롭게 개발되고 있다. 우리나라는 IT 강대국으로서 언제 어디서든 인터넷 사용이 가능하기 때문에 다른 나라보다 IT 기기의 이용자가 많으며, 그 중 휴대폰의 경우 고성능의 사양을 지닌 다기능 복합기기의 스마트폰으로 변모됨으로써 그 수요가 크게 증가하고 있다. 정보통신정책연구원의 통계자료에 의하면 스마트폰 보유율은 2012년 57.0%에서 2015년 78.8%로 증가하여 가장 보편적인 대중매체로 자리 잡고 있으며, 보급초기에 20대와 30대가 주 보유층이었으나, 2015년에는 40대와 50대의 보유율도 80.0%를 넘어서 이제는 고 연령대로 확산되고 있는 추세이다. 이와 같이 휴대폰의 보급률과 기술력이 높아지게 되면서 기기의 전원 공급에 필요한 배터리의 기술력 발달이 중요시되는 추세이다.
특히, 재사용이 가능한 리튬-이온 배터리의 경우 과거에 사용되었던 니켈-카드뮴 배터리, 납축전지에 비해 가격은 비싸지만, 카드뮴, 납 등의 환경 규제물질을 사용하지 않는 친환경 배터리로서, 고에너지 밀도 및 경량화, 비메모리효과(no memory effect) 및 긴 수명 등의 장점을 가지고 있어 에너지공급원으로 가장 많이 사용되고 있는 추세이다.
리튬이온 배터리는 크게 양극, 음극, 전해액, 분리막(separator)으로 구성된다. 일반적으로 양극(+)은 리튬코발트산화물, 음극()은 탄소화합물로 이루어져 있으며, 리튬이온이 양극과 음극 사이를 이동할 수 있도록 매개체 역할을 하는 전해액과 양극과 음극의 사이의 직접적인 접촉을 막기 위한 분리막으로 이루어져 리튬이온이 두 극 사이를 이동하면서 충전과 방전이 되는 형태이다. 이러한 리튬-이온 배터리는 현재는 고에너지를 요구하는 드론(drone), 퍼스널 모빌리티(personal mobility), 전기자동차, 전기 선박 등의 에너지원으로 그 적용범위가 확대되고 있다. 이로 인해 고에너지를 함유한 리튬-이온 배터리 일수록 폭탄과 같은 폭발위험성을 내포하고 있기 때문에 안전성 확보가 배터리 설계에서 무엇보다 중요하다. 하지만, 현재까지 리튬-이온 배터리의 폭발 및 화재 사고가 끊임없이 발생하고 있다. 최근에도 보조배터리 폭발사고, 휴대폰 배터리 폭발 및 화재 사고, 휴대폰 배터리 팽창으로 인한 무상교체 등 전 세계적으로 배터리 폭발 및 화재사고의 위험성에 대한 안전대책 마련이 중요시되는 추세이다.
실시예에 따른 품질 센서를 이용한 배터리 제어 시스템 및 방법은 배터리 팩 안에 내장된 품질센서의 온도, 습도 및 가스레벨 측정결과를 통해 배터리 침수 여부를 판단하고, 품질센서 가스 측정 결과를 통해 셀 패키지인 CMA(Cell Module Assemble)가 이상상태 일 때 발생하는 가스를 파악한다. 실시예에서는 가스 모니터링을 통해 배터리 이상 여부를 미리 판단하여 판단 결과에 따라 배터리 충, 방전 차단을 수행한다.
실시예에서는 품질센서의 온도, 습도, 가스레벨 모니터링 결과 CMA의 이상상태가 확인되면, 해당 배터리를 사용 불가 상태로 전환한다. 또한, 실시예에서는 사용자 모니터링 프로그램을 통해 배터리의 이상 상태 정보를 사용자 단말을 통해 알리고, 사용자 단말에서 배터리 상태 정보를 확인할 수 있도록 한다.
또한, 실시예에서는 발생하는 이상상태의 종류에 따라 이상상태의 원인과 추후 배터리 이상상태 발생 가능성을 예측하고 이를 사용자에게 알릴 수 있도록 한다.
실시예에 따른 품질 센서를 이용한 배터리 제어 시스템 및 방법은 품질센서의 온도, 습도, 가스레벨 감지 데이터 및 이상상태 판단 데이터를 누적 수집하고, 감지데이터에 따른 이상상태 판단 데이터의 정확도를 산출하고, 정확도가 일정 수준 이상인 트레이닝 데이터 셋을 추출하여, 추출된 트레이닝 데이터 셋을 통해 DNN(Deep Neural Network), CNN(Convolutional Neural Network) RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함하는 딥러닝 뉴럴 네트워크를 트레이닝 데이터 셋으로 학습시켜 이상상태 판단 및 예측 모델을 구현할 수 있다.
실시예에 따른 품질 센서를 이용한 배터리 제어 시스템은 배터리 팩의 온도, 습도 및 가스레벨을 포함하는 배터리 모니터링 데이터를 센싱하는 품질 센서; 품질 센서에서 센싱된 배터리 모니터링 데이터에 기반하여, 배터리 이상상태를 판단하고, 판단된 배터리 이상상태에 따라 배터리의 충전, 방전 및 차단여부를 제어하고, 배터리 모니터링 데이터 및 이상상태 판단 결과를 사용자 단말로 전송하는 배터리 관리 시스템; 및 배터리 관리 시스템으로부터 배터리 모니터링 데이터 및 판단결과를 수신하여 사용자에게 제공하는 사용자 단말; 을 포함한다.
실시예에 따른 배터리 관리 시스템; 은 품질 센서로부터 시간 별 배터리 팩의 온도, 습도 및 가스레벨을 포함하는 배터리 모니터링 데이터를 수집하는 데이터 수집 모듈; GAS 센서(Sensor) VOC(Volatile Organic Compounds)값, VOC 값의 변화량과, 변화량 유지시간을 산출하고, 산출 결과에 따라 셀모듈어셈블리(CMA, Cell Module Assembly) 이상을 판단하고, 배터리 미사용 중 측정된 팩 내부 온도 값에 따라 이상상태를 판단하고, 배터리 팩 내부 습도 값과 평균 습도 값의 비교 결과에 따라 배터리 이상상태를 판단하는 판단모듈; 배터리 이상상태가 판단결과에 따라, 배터리 차단 여부를 제어하고, 배터리 상태에 따른 충방전율을 산출하여, 배터리 충전 및 방전 진행을 제어하는 제어모듈; 및 배터리 모니터링 정보 및 상태 판단 결과 정보를 주기적으로 사용자 단말로 전송하는 통신 모듈; 을 포함한다.
실시예에서 판단 모듈; 은 품질센서의 온도, 습도, 가스레벨 감지 데이터 및 이상상태 판단 데이터를 누적 수집하고, 감지데이터에 따른 이상상태 판단 데이터의 정확도를 산출하고, 정확도가 일정 수준 이상인 트레이닝 데이터 셋을 추출하여, 추출된 트레이닝 데이터 셋을 통해 딥러닝 뉴럴 네트워크를 트레이닝 데이터 셋으로 학습시켜 이상상태 판단 및 예측 모델을 구현한다.
이상에서와 같은 품질 센서를 이용한 배터리 제어 시스템 및 방법은 배터리 팩 안에 내장된 품질센서의 온도 및 습도 측정결과와 가스 모니터링을 통해 배터리 이상 여부를 미리 판단하여 판단 결과에 따라 배터리 충전, 방전 차단을 수행함으로써, 배터리 사용 안전성을 향상시킬 수 있도록 한다.
또한, 품질센서를 통한 배터리 이상 상태 판단 결과에 따라, 배터리 충전 및 방전을 제어하여, 배터리 이상으로 인한 화재와 폭발을 방지할 수 있도록 한다.
또한, 배터리 이상상태 발생 시, 이상상태 정보를 사용자 단말과 사용자의 이메일 등으로 전송하여, 사용자가 배터리 이상상태를 신속하게 파악할 수 있도록 한다. 또한, 이상상태의 종류 및 원인을 파악하여 사용자에게 배터리 이상상태에 대한 세부 정보를 알릴 수 있도록 한다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 실시예에 따른 품질 센서를 이용한 배터리 제어 시스템 구성을 나타낸 도면
도 2는 실시예에 따른 배터리 관리 시스템의 데이터 처리 구성을 나타낸 도면
도 3은 실시예에 따른 품질 센서를 이용한 배터리 제어 시스템의 신호 흐름도
도 4는 실시예에 따른 배터리 관리 시스템의 데이터 처리 과정을 나타낸 도면
도 2는 실시예에 따른 배터리 관리 시스템의 데이터 처리 구성을 나타낸 도면
도 3은 실시예에 따른 품질 센서를 이용한 배터리 제어 시스템의 신호 흐름도
도 4는 실시예에 따른 배터리 관리 시스템의 데이터 처리 과정을 나타낸 도면
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 실시예에 따른 품질 센서를 이용한 배터리 제어 시스템 구성을 나타낸 도면이다.
도 1을 참조하면, 실시예에 따른 품질 센서를 이용한 배터리 제어 시스템은 품질센서(100), 배터리 관리 시스템(200), 셀모듈어셈블리(CMA, Cell Module Assembly)(300) 및 사용자 단말(400)을 포함하여 구성될 수 있다. 실시예에서 셀모듈어셈블리(CMA, Cell Module Assembly)는 충전 또는 방전이 가능한 하나 이상의 전지 셀 및 배터리 관리 시스템(BMS, Battery Management System)과 관련하여 요구되는 전기전자 모듈 등으로 이루어지는 하나의 어셈블리를 의미한다.
실시예에서 품질 센서(100)는 배터리 팩의 온도, 습도 및 가스레벨을 포함하는 배터리 모니터링 데이터를 센싱한다. 배터리 관리 시스템(200)은 품질 센서에서 센싱된 배터리 모니터링 데이터에 기반하여, 배터리 이상상태를 판단하고, 판단된 배터리 이상상태에 따라 배터리의 충전, 방전 및 차단여부를 제어한다. 이후, 배터리 모니터링 데이터 및 이상상태 판단 결과를 사용자 단말로 전송한다. 사용자 단말(400)은 배터리 관리 시스템으로부터 배터리 모니터링 데이터 및 판단결과를 수신하고 출력하여 사용자에게 제공한다. 실시예에서, 적어도 하나의 사용자 단말(400)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 사용자 단말(400)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 사용자 단말(400)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(smartphone), 스마트 패드(smartpad), 태블릿 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
실시예에 따른 품질 센서를 이용한 배터리 제어 시스템 및 방법은 배터리 팩 안에 내장된 품질센서의 온도 및 습도 측정결과를 통해 배터리 침수 여부를 판단하고, 품질센서 가스 측정 결과를 통해 셀 패키지인 CMA(Cell Module Assemble)가 이상상태 일 때 발생하는 가스를 파악하고, 가스 모니터링을 통해 배터리 이상 여부를 미리 판단하여 판단 결과에 따라 배터리 충전 및 방전 차단을 수행할 수 있다.
실시예에서는 품질센서의 온도, 습도, 가스레벨 모니터링 결과 셀모듈어셈블리(CMA)의 이상상태가 확인되면, 해당 배터리를 사용 불가 상태로 전환한다. 또한, 실시예에서는 사용자 모니터링 프로그램을 통해 배터리의 이상 상태 정보를 사용자 단말을 통해 알리고, 사용자 단말에서 배터리 상태 정보를 확인할 수 있도록 한다. 또한, 실시예에서는 발생하는 이상상태의 종류에 따라 이상상태의 원인과 추후 배터리 이상상태 발생 가능성을 예측하고 이를 사용자에게 알릴 수 있도록 한다.
또한, 실시예에 따른 품질 센서를 이용한 배터리 제어 시스템 및 방법은 품질센서의 온도, 습도, 가스레벨 감지 데이터 및 이상상태 판단 데이터를 누적 수집하고, 감지데이터에 따른 이상상태 판단 데이터의 정확도를 산출하고, 정확도가 일정 수준 이상인 트레이닝 데이터 셋을 추출하여, 추출된 트레이닝 데이터 셋을 통해 DNN(Deep Neural Network), CNN(Convolutional Neural Network) RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함하는 딥러닝 뉴럴 네트워크를 트레이닝 데이터 셋으로 학습시켜 이상상태 판단 및 예측 모델을 구현할 수 있다.
도 2는 실시예에 따른 배터리 관리 시스템의 데이터 처리 구성을 나타낸 도면이다.
도 2를 참조하면, 실시예에 따른 배터리 관리 시스템(200)은 데이터 수집 모듈(210), 판단모듈(220), 제어모듈(230) 및 통신모듈(240)을 포함하여 구성될 수 있다. 본 명세서에서 사용되는 '모듈' 이라는 용어는 용어가 사용된 문맥에 따라서, 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.
데이터 수집 모듈(210)은 품질 센서로부터 시간 별 배터리 팩의 온도, 습도 및 가스레벨을 포함하는 배터리 모니터링 데이터를 수집한다.
판단모듈(220)은 가스 센서(GAS Sensor) VOC(Volatile Organic Compounds) 값 및 VOC값의 변화량과, 변화량 유지시간을 산출하고, 산출 결과에 따라 CMA 이상을 판단한다. 또한, 실시예에서 판단모듈(220)은 배터리 미사용 중 측정된 팩 내부 온도 값에 따라 이상상태를 판단하고, 배터리 팩 내수 습도 값과 평균 습도 값의 비교 결과에 따라 배터리 이상상태를 판단한다. 실시예에서는 가스 센서(GAS Sensor) VOC 값이 평소 값보다 크게 변화되어 장시간 유지될 경우 셀모듈어셈블리(CMA)의 이상상태로 판단하고, 배터리 팩(Pack) 내부 온도 값이 미 사용 중에도 올라가 유지될 경우에도 셀모듈어셈블리(CMA)의 이상상태로 판단한다. 또한, 배터리 팩(Pack) 내부 습도 값이 평소 값보다 올라가 장시간 유지될 경우 배터리 침수 상태로 판단할 수 있다.
실시예에서 판단 모듈(220)은 품질센서의 온도, 습도, 가스레벨 감지 데이터 및 이상상태 판단 데이터를 누적 수집하고, 감지데이터에 따른 이상상태 판단 데이터의 정확도를 산출한다. 실시예에서는 정확도가 일정 수준 이상인 트레이닝 데이터 셋을 추출한다. 이후, 추출된 트레이닝 데이터 셋을 통해 딥러닝 뉴럴 네트워크를 트레이닝 데이터 셋으로 학습시켜 이상상태 판단 및 예측 모델을 구현할 수 있다. 실시예에서 딥러닝 뉴럴 네트워크는 DNN(Deep Neural Network), CNN(Convolutional Neural Network) RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함한다. 실시예에서 판단 모듈(220)은 이상상태 판단 데이터와 추후 사용자 단말로부터 수집된 배터리 이상상태 정보를 비교하여 비교 결과에 따라 이상상태 판단 데이터의 정확도를 산출할 수 있다. 실시예에서는 배터리 이상상태 판단 데이터와 추후 사용자 단말로부터 수집된 배터리의 실제 이상상태 정보의 유사도에 비례하여 이상상태 판단 데이터의 정확도를 산출할 수 있다.
또한, 실시예에서 판단 모듈(220)은 온도, 습도, 가스레벨 감지 데이터를 포함하는 배터리 모니터링 데이터를 항목에 따라 분류하고, 분류된 데이터 종류 각각에서 사분위 편차(interquartile range)를 산출하여 산출된 사분위 편차값을 통해 이상 데이터를 검출할 수 있다. 실시예에서 사분위 편차값이란 수집된 데이터의 25퍼센트 지점값인 Q1, 50퍼센트 지점값인 Q2, 75 퍼센트 지점값인 Q3 및 100퍼센트 지점 Q4를 의미한다. 판단 모듈(220)은 75 퍼센트 지점값인 Q3값과 25 퍼센트 지점 값인 Q1의 차이값 IQR(Q3-Q1)을 산출하여, IQR을 Q3값에 더하여 최대값을 산출하고, Q1 값에서 IQR을 빼서 최소값을 산출한다. 실시예에서 판단 모듈(220)은 사분위 편차값을 이용해 산출된 최소값 내지 최대값 범위에서 벗어나는 데이터를 이상데이터로 검출할 수 있다.
또한, 실시예에서 판단 모듈(220)은 수집된 배터리 데이터 종류에 따른 유사도 함수인 가우시안 커널을 생성하고, 생성된 가우시안 커널을 모두 더하여 확률 밀도 함수를 생성한다. 이후, 확률 밀도 함수와 데이터 종류별 표준편차 값에 따라 수집된 데이터가 정상일 확률을 파악하여 이상데이터를 검출할 수 있도록 한다.
실시예에서 판단 모듈(220)은 딥러닝 뉴럴 네트워크를 통해 구현된 이상상태 판단 및 예측 모델을 통해, 품질센서에서 획득한 배터리 모니터링 데이터 분석 결과에 따라 배터리 이상상태 발생 시점 및 종류를 예측할 수 있다. 예컨대, 판단모듈(220)은 인공지능 빅데이터 분석을 통해 배터리의 입출력 전류, 전압을 모니터링하여 이상 데이터를 검출하고, 검출된 이상 데이터를 기반으로 배터리 성능(SOH, State of Health)를 예측하고, 검출된 이상 데이터를 통해 배터리 이상의 종류와 이상 이벤트 발생 시점을 미리 예측할 수 있도록 한다. 실시예에서 판단모듈(220)은 배터리 상태에 따라 배터리 모니터링에 소모되는 예상 소모 배터리 전력을 예측하고, 예상 소모 배터리 전력과 실제 배터리 잔여 전력을 고려하여 배터리 모니터링 주기를 산출할 수 있다. 예컨대, 판단모듈(220)은 배터리 노화상태 및 잔존용량을 나타내는 배터리 성능지수(SOH)에 따라 달라지는 배터리 모니터링에 소모되는 예상 소모 배터리 전력을 산출한다. 실시예에서 판단 모듈(220)은 실시간으로 내부저항을 추정하여 배터리의 최대 출력을 예측하고 전하량 대비 개방회로전압의 변화율을 통해 노화된 용량인 성능지수(SOH)를 계산할 수 있다. 또한, 실시예에서는 개방회로전압 변화율의 정확한 계산을 위하여 앞서 추정된 내부저항을 이용할 수 있다. 또한, 실시예에서는 직접 방전용량을 측정하여 배터리 성능지수를 산출할 수 있다. 구체적으로 실시예에서는, 배터리 만충상태에서 만방전을 할 때까지의 전류를 산출해 방전용량을 측정하고, 공칭용량과 비율을 추정하여 공칭용량 대비 측정용량의 비율로 성능지수를 산출할 수 있다. 공칭 용량(nominal capacity)은 상온(25℃에서 약 0.5C의 방전률로 상한 전압부터 하한 전압까지 방전했을 때의 용량을 의미한다. 실시예에서는 배터리 별 성능지수를 고려한 예상 소모 배터리 전력을 산출하고, 산출된 소모 배터리 전력을 기반으로 배터리 모니터링 최적 주기를 산출할 수 있다.
제어모듈(230)은 배터리 이상상태가 판단결과에 따라, 배터리 차단 여부를 제어하고, 배터리 상태에 따른 충방전율을 산출하여, 배터리 충전 및 방전 진행을 제어한다. 예컨대, 제어모듈(230)은 배터리의 온도나 습도, 가스레벨 등이 일정 수준을 초과하는 이상상태로 판단되는 경우, 배터리 충전 및 방전을 중단시킬 수 있다. 또한, 제어모듈(230)은 측정된 배터리의 온도, 습도, 가스레벨 범위에 따라 배터리의 충전 및 방전 속도를 조정할 수 있다. 실시예에서 제어 모듈(230)은 배터리의 온도, 습도, 가스레벨 범위를 단계별로 분할하고, 온도, 습도, 가스레벨이 안정 수치인 낮은 단계에서는 배터리의 충전 및 방전 속도를 높게 제어하고, 온도, 습도, 가스레벨 범위가 주의단계인 경우, 충전 및 방전 속도를 낮출 수 있도록 한다. 또한, 실시예에서 제어모듈(230)은 배터리 충전량 및 이상상태 판단 결과에 따라 배터리 충전 방전 속도를 제어할 수 있다. 예컨대, 제어모듈(230)은 배터리 충전량이 일정 수준 이상이고 이상상태인 경우, 배터리 충전을 중단하도록 제어하고, 배터리 충전량이 일정 수준 미만이고, 이상상태인 경우, 이상상태 세부정보에 따라 배터리 충전을 진행 여부를 제어할 수 있다. 구체적으로, 이상상태에서 배터리 온도가 위험 단계인 경우 배터리 충전을 중단시키지만, 이상상태에서 배터리 온도가 주의 단계인 경우, 배터리 충전량이 일정 수준 미만이라면, 배터리 충전 속도를 낮추어 배터리 충전을 진행할 수 있도록 한다.
통신모듈(240)은 배터리 모니터링 정보 및 상태 판단 결과 정보를 주기적으로 사용자 단말로 전송한다.
이하에서는 품질 센서를 이용한 배터리 제어 방법에 대해서 차례로 설명한다. 실시예에 따른 품질 센서를 이용한 배터리 제어 방법의 작용(기능)은 품질 센서를 이용한 배터리 제어 시스템의 기능과 본질적으로 같은 것이므로 도 1 및 도 2와 중복되는 설명은 생략하도록 한다.
도 3은 실시예에 따른 품질 센서를 이용한 배터리 제어 시스템의 신호 흐름도이다.
S100 단계에서는 품질 센서에서 배터리 팩의 온도, 습도 및 가스레벨을 포함하는 배터리 모니터링 데이터를 센싱하여 배터리 관리 시스템으로 전달한다. S200 단계에서는 배터리 관리 시스템에서 상기 품질 센서에서 센싱된 배터리 모니터링 데이터에 기반하여, 배터리 이상상태를 판단하고, S300 단계에서는 판단된 배터리 이상상태에 따라 배터리의 충전, 방전 및 차단여부를 제어한다. S400 단계에서는 배터리 모니터링 데이터 및 이상상태 판단 결과를 사용자 단말로 전송한다. S500 단계에서는 사용자 단말에서 배터리 관리 시스템으로부터 배터리 모니터링 데이터 및 판단결과를 수신하여 출력하여 사용자에게 배터리 이상상태 정보를 제공한다.
도 4는 실시예에 따른 배터리 관리 시스템의 데이터 처리 과정을 나타낸 도면이다.
S10 단계에서는 품질 센서로부터 시간 별 배터리 팩의 온도, 습도 및 가스레벨을 포함하는 배터리 모니터링 데이터를 수집한다. S20 단계에서는 GAS 센서(Sensor) VOC(Volatile Organic Compounds) 값이 변화량과, 변화량 유지시간을 산출하고, 산출 결과에 따라 CMA 이상을 판단한다. 실시예에서 S20 단계예서는 배터리 미사용 중 측정된 팩 내부 온도 값에 따라 이상상태를 판단하고, 배터리 팩 내수 습도 값과 평균 습도 값의 비교 결과에 따라 배터리 이상상태를 판단할 수 있다. 실시예에서는 가스 센서(GAS Sensor) VOC 값이 평소 값보다 크게 변화되어 장시간 유지될 경우 셀모듈어셈블리(CMA)의 이상상태로 판단하고, 배터리 팩(Pack) 내부 온도 값이 미 사용 중에도 올라가 유지될 경우에도 셀모듈어셈블리(CMA)의 이상상태로 판단한다. 또한, 배터리 팩(Pack) 내부 습도 값이 평소 값보다 올라가 장시간 유지될 경우 배터리 침수 상태로 판단할 수 있다.
S30 단계에서는 배터리 이상상태가 판단결과에 따라, 배터리 차단 여부를 제어하고, S40 단계에서는 배터리 상태에 따른 충방전율을 산출한다. S50 단계에서는 산출된 충방전율 및 충방전 시간에 따라 배터리 충전 및 방전 진행을 제어한다. S60 단계에서는 배터리 모니터링 정보 및 상태 판단 결과 정보를 주기적으로 사용자 단말로 전송할 수 있다.
실시예에서 S20 단계에서는 품질센서의 온도, 습도, 가스레벨 감지 데이터 및 이상상태 판단 데이터를 누적 수집하고, 감지데이터에 따른 이상상태 판단 데이터의 정확도를 산출하고, 정확도가 일정 수준 이상인 트레이닝 데이터 셋을 추출하여, 추출된 트레이닝 데이터 셋을 통해 딥러닝 뉴럴 네트워크를 트레이닝 데이터 셋으로 학습시켜 이상상태 판단 및 예측 모델을 구현할 수 있다.
실시예에서 딥러닝 뉴럴 네트워크는 DNN(Deep Neural Network), CNN(Convolutional Neural Network) RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함한다. 실시예에서는 딥러닝 뉴럴 네트워크를 통해 구현된 이상상태 판단 및 예측 모델을 통해, 품질센서에서 획득한 배터리 모니터링 데이터 분석 결과에 따라 배터리 이상상태 발생 시점 및 종류를 예측하고 이를 사용자 단말로 전달할 수 있다.
또한, 실시예에서 S20 단계에서는 온도, 습도, 가스레벨 감지 데이터를 포함하는 배터리 모니터링 데이터를 항목에 따라 분류하고, 분류된 데이터 종류 각각에서 사분위 편차(interquartile range)를 산출하여 산출된 사분위 편차값을 통해 이상 데이터를 검출할 수 있다. 실시예에서 사분위 편차값이란 수집된 데이터의 25퍼센트 지점값인 Q1, 50퍼센트 지점값인 Q2, 75 퍼센트 지점값인 Q3 및 100퍼센트 지점 Q4를 의미한다. S20 단계에서는 75 퍼센트 지점값인 Q3값과 25 퍼센트 지점 값인 Q1의 차이값 IQR(Q3-Q1)을 산출하여, IQR을 Q3값에 더하여 최대값을 산출하고, Q1 값에서 IQR을 빼서 최소값을 산출한다. 실시예에서 S20 단계에서는 사분위 편차값을 이용해 산출된 최소값 내지 최대값 범위에서 벗어나는 데이터를 이상데이터로 검출할 수 있다.
또한, 실시예에서는 수집된 배터리 데이터 종류에 따른 유사도 함수인 가우시안 커널을 생성하고, 생성된 가우시안 커널을 모두 더하여 확률 밀도 함수를 생성한다. 이후, 확률 밀도 함수와 데이터 종류별 표준편차 값에 따라 수집된 데이터가 정상일 확률을 파악하여 이상데이터를 검출할 수 있도록 한다.
실시예에서 S20 단계에서는 딥러닝 뉴럴 네트워크를 통해 구현된 이상상태 판단 및 예측 모델을 통해, 품질센서에서 획득한 배터리 모니터링 데이터 분석 결과에 따라 배터리 이상상태 발생 시점 및 종류를 예측할 수 있다. 예컨대, 인공지능 빅데이터 분석을 통해 배터리의 입출력 전류, 전압을 모니터링하여 이상 데이터를 검출하고, 검출된 이상 데이터를 기반으로 배터리 성능(SOH, State of Health)를 예측하고, 검출된 이상 데이터를 통해 배터리 이상의 종류와 이상 이벤트 발생 시점을 미리 예측할 수 있도록 한다. 또한, 실시예에서 배터리 상태에 따라 배터리 모니터링에 소모되는 예상 소모 배터리 전력을 예측하고, 예상 소모 배터리 전력과 실제 배터리 잔여 전력을 고려하여 배터리 모니터링 주기를 산출할 수 있다. 예컨대, 배터리 노화상태 및 잔존용량을 나타내는 배터리 성능지수(SOH)에 따라 달라지는 배터리 모니터링에 소모되는 예상 소모 배터리 전력을 산출한다. 실시예에서는 실시간으로 내부저항을 추정하여 배터리의 최대 출력을 예측하고 전하량 대비 개방회로전압의 변화율을 통해 노화된 용량인 성능지수(SOH)를 계산할 수 있다. 또한, 실시예에서는 개방회로전압 변화율의 정확한 계산을 위하여 앞서 추정된 내부저항을 이용할 수 있다. 또한, 실시예에서는 직접 방전용량을 측정하여 배터리 성능지수를 산출할 수 있다. 구체적으로 실시예에서는, 배터리 만충상태에서 만방전을 할 때까지의 전류를 산출해 방전용량을 측정하고, 공칭용량과 비율을 추정하여 공칭용량 대비 측정용량의 비율로 성능지수를 산출할 수 있다. 공칭 용량(nominal capacity)은 상온(25℃에서 약 0.5C의 방전률로 상한 전압부터 하한 전압까지 방전했을 때의 용량을 의미한다. 실시예에서는 배터리 별 성능지수를 고려한 예상 소모 배터리 전력을 산출하고, 산출된 소모 배터리 전력을 기반으로 배터리 모니터링 최적 주기를 산출할 수 있다.
또한, S30 단계에서는 배터리 이상상태가 판단결과에 따라, 배터리 차단 여부를 제어하고, 배터리 상태에 따른 충방전율을 산출하여, 배터리 충전 및 방전 진행을 제어한다. 예컨대, 배터리의 온도나 습도, 가스레벨 등이 일정 수준을 초과하는 이상상태로 판단되는 경우, 배터리 충전 및 방전을 중단시킬 수 있다. 또한, 측정된 배터리의 온도, 습도, 가스레벨 범위에 따라 배터리의 충전 및 방전 속도를 조정할 수 있다. 실시예에서는 배터리의 온도, 습도, 가스레벨 범위를 단계별로 분할하고, 온도, 습도, 가스레벨이 안정 수치인 낮은 단계에서는 배터리의 충전 및 방전 속도를 높게 제어하고, 온도, 습도, 가스레벨 범위가 주의단계인 경우, 충전 및 방전 속도를 낮출 수 있도록 한다. 또한, 실시예에서는 배터리 충전량 및 이상상태 판단 결과에 따라 배터리 충전 방전 속도를 제어할 수 있다. 예컨대, S30 단계에서는 배터리 충전량이 일정 수준 이상이고 이상상태인 경우, 배터리 충전을 중단하도록 제어하고, 배터리 충전량이 일정 수준 미만이고, 이상상태인 경우, 이상상태 세부정보에 따라 배터리 충전을 진행 여부를 제어할 수 있다. 구체적으로 이상상태에서 배터리 온도가 위험 단계인 경우 배터리 충전을 중단시키지만, 이상상태에서 배터리 온도가 주의 단계인 경우, 배터리 충전량이 일정 수준 미만이라면, 배터리 충전 속도를 늦추어 배터리 충전을 진행할 수 있도록 한다.
이상에서와 같은 품질 센서를 이용한 배터리 제어 시스템 및 방법은 배터리 팩 안에 내장된 품질센서의 온도 및 습도 측정결과를 통해 배터리 침수 여부를 판단하고, 품질센서 가스 측정 결과를 통해 셀 패키지인 CMA(Cell Module Assemble)가 이상상태 일 때 발생하는 가스를 파악하고, 가스 모니터링을 통해 배터리 이상 여부를 미리 판단한다. 이를 통해, 배터리 이상상태 판단 결과에 따라 배터리 충전, 방전 차단을 수행함으로써, 배터리 사용 안전성을 향상시킬 수 있도록 한다.
또한, 품질센서를 통한 배터리 이상 상태 판단 결과에 따라, 배터리 충전 및 방전을 제어하여, 배터리 이상으로 인한 화재와 폭발을 방지할 수 있도록 한다.
또한, 배터리 이상상태 발생 시, 이상상태 정보를 사용자 단말과 사용자의 이메일 등으로 전송하여, 사용자가 배터리 이상상태를 신속하게 파악할 수 있도록 한다. 또한, 이상상태의 종류 및 원인을 파악하여 사용자에게 배터리 이상상태에 대한 세부 정보를 알릴 수 있도록 한다.
개시된 내용은 예시에 불과하며, 특허청구범위에서 청구하는 청구의 요지를 벗어나지 않고 당해 기술분야에서 통상의 지식을 가진 자에 의하여 다양하게 변경 실시될 수 있으므로, 개시된 내용의 보호범위는 상술한 특정의 실시예에 한정되지 않는다.
Claims (10)
- 품질 센서를 이용한 배터리 제어 시스템에 있어서,
배터리 팩의 온도, 습도 및 가스레벨을 포함하는 배터리 모니터링 데이터를 센싱하는 품질 센서;
상기 품질 센서에서 센싱된 배터리 모니터링 데이터에 기반하여, 배터리 이상상태를 판단하고, 판단된 배터리 이상상태에 따라 배터리의 충전, 방전 및 차단여부를 제어하고, 배터리 모니터링 데이터 및 이상상태 판단 결과를 사용자 단말로 전송하는 배터리 관리 시스템; 및
상기 배터리 관리 시스템으로부터 배터리 모니터링 데이터 및 판단결과를 수신하여 사용자에게 제공하는 사용자 단말; 을 포함하는 품질 센서를 이용한 배터리 제어 시스템.
- 제1항에 있어서, 상기 배터리 관리 시스템; 은
상기 품질 센서로부터 시간 별 배터리 팩의 온도, 습도 및 가스레벨을 포함하는 배터리 모니터링 데이터를 수집하는 데이터 수집 모듈;
GAS 센서(Sensor) VOC(Volatile Organic Compounds)값, VOC 값의 변화량과, 변화량 유지시간을 산출하고, 산출 결과에 따라 셀모듈어셈블리(CMA, Cell Module Assembly) 이상을 판단하고, 배터리 미사용 중 측정된 팩 내부 온도 값에 따라 이상상태를 판단하고, 배터리 팩 내부 습도 값과 평균 습도 값의 비교 결과에 따라 배터리 이상상태를 판단하는 판단모듈;
배터리 이상상태가 판단결과에 따라, 배터리 차단 여부를 제어하고, 배터리 상태에 따른 충방전율을 산출하여, 배터리 충전 및 방전 진행을 제어하는 제어모듈; 및
배터리 모니터링 정보 및 상태 판단 결과 정보를 주기적으로 사용자 단말로 전송하는 통신 모듈; 을 포함하는 것을 특징으로 하는 품질 센서를 이용한 배터리 제어 시스템.
- 제 2항에 있어서, 상기 판단 모듈; 은
품질센서의 온도, 습도, 가스레벨 감지 데이터 및 이상상태 판단 데이터를 누적 수집하고, 감지데이터에 따른 이상상태 판단 데이터의 정확도를 산출하고, 정확도가 일정 수준 이상인 트레이닝 데이터 셋을 추출하여, 추출된 트레이닝 데이터 셋을 통해 딥러닝 뉴럴 네트워크를 트레이닝 데이터 셋으로 학습시켜 이상상태 판단 및 예측 모델을 구현하는 것을 특징으로 하는 품질 센서를 이용한 배터리 제어 시스템.
- 제 3 항에 있어서, 상기 딥러닝 뉴럴 네트워크는
DNN(Deep Neural Network), CNN(Convolutional Neural Network) RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함하는 것을 특징으로 하는 품질 센서를 이용한 배터리 제어 시스템.
- 제 3항에 있어서, 상기 판단 모듈; 은
딥러닝 뉴럴 네트워크를 통해 구현된 이상상태 판단 및 예측 모델을 통해, 품질센서에서 획득한 배터리 모니터링 데이터 분석 결과에 따라 배터리 이상상태 발생 시점 및 종류를 예측하는 것을 특징으로 하는 품질 센서를 이용한 배터리 제어 시스템.
- 품질 센서를 이용한 배터리 제어 방법에 있어서,
(A) 품질 센서에서 배터리 팩의 온도, 습도 및 가스레벨을 포함하는 배터리 모니터링 데이터를 센싱하는 단계;
(B) 배터리 관리 시스템에서 상기 품질 센서에서 센싱된 배터리 모니터링 데이터에 기반하여, 배터리 이상상태를 판단하고, 판단된 배터리 이상상태에 따라 배터리의 충전, 방전 및 차단여부를 제어하고, 배터리 모니터링 데이터 및 이상상태 판단 결과를 사용자 단말로 전송하는 단계; 및
(C) 사용자 단말에서 상기 배터리 관리 시스템으로부터 배터리 모니터링 데이터 및 판단결과를 수신하여 사용자에게 제공하는 단계; 를 포함하는 품질 센서를 이용한 배터리 제어 방법.
- 제6항에 있어서, 상기 (B)의 단계; 는
(B-1) 품질 센서로부터 시간 별 배터리 팩의 온도, 습도 및 가스레벨을 포함하는 배터리 모니터링 데이터를 수집하는 단계;
(B-2) GAS 센서(Sensor) VOC(Volatile Organic Compounds)값, VOC 값의 변화량과, 변화량 유지시간을 산출하고, 산출 결과에 따라 셀모듈어셈블리(CMA, Cell Module Assembly) 이상을 판단하고, 배터리 미사용 중 측정된 팩 내부 온도 값에 따라 이상상태를 판단하고, 배터리 팩 내부 습도 값과 평균 습도 값의 비교 결과에 따라 배터리 이상상태를 판단하는 단계;
(B-3) 배터리 이상상태가 판단결과에 따라, 배터리 차단 여부를 제어하고, 배터리 상태에 따른 충방전율을 산출하여, 배터리 충전 및 방전 진행을 제어하는 단계; 및
(B-4) 배터리 모니터링 정보 및 상태 판단 결과 정보를 주기적으로 사용자 단말로 전송하는 단계; 를 포함하는 것을 특징으로 하는 품질 센서를 이용한 배터리 제어 방법.
- 제 7항에 있어서, 상기 (B-2)의 단계; 는
품질센서의 온도, 습도, 가스레벨 감지 데이터 및 이상상태 판단 데이터를 누적 수집하고, 감지데이터에 따른 이상상태 판단 데이터의 정확도를 산출하고, 정확도가 일정 수준 이상인 트레이닝 데이터 셋을 추출하여, 추출된 트레이닝 데이터 셋을 통해 딥러닝 뉴럴 네트워크를 트레이닝 데이터 셋으로 학습시켜 이상상태 판단 및 예측 모델을 구현하는 것을 특징으로 하는 품질 센서를 이용한 배터리 제어 방법.
- 제 8항에 있어서, 상기 딥러닝 뉴럴 네트워크는
DNN(Deep Neural Network), CNN(Convolutional Neural Network) RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함하는 것을 특징으로 하는 품질 센서를 이용한 배터리 제어 방법.
- 제 7항에 있어서, 상기 (B-2)의 단계; 는
딥러닝 뉴럴 네트워크를 통해 구현된 이상상태 판단 및 예측 모델을 통해, 품질센서에서 획득한 배터리 모니터링 데이터 분석 결과에 따라 배터리 이상상태 발생 시점 및 종류를 예측하는 것을 특징으로 하는 품질 센서를 이용한 배터리 제어 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220145053A KR20240063437A (ko) | 2022-11-03 | 2022-11-03 | 품질 센서를 이용한 배터리 제어 시스템 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220145053A KR20240063437A (ko) | 2022-11-03 | 2022-11-03 | 품질 센서를 이용한 배터리 제어 시스템 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20240063437A true KR20240063437A (ko) | 2024-05-10 |
Family
ID=91072357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220145053A KR20240063437A (ko) | 2022-11-03 | 2022-11-03 | 품질 센서를 이용한 배터리 제어 시스템 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20240063437A (ko) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210116050A (ko) | 2020-03-17 | 2021-09-27 | 주식회사 엘지에너지솔루션 | 배터리 이상 감지 장치 및 방법, 그 방법을 제공하는 배터리 관리 시스템 |
KR102371184B1 (ko) | 2017-03-06 | 2022-03-08 | 삼성전자주식회사 | 배터리의 이상 여부를 확인하는 전자 장치 및 전자 장치 제어 방법 |
-
2022
- 2022-11-03 KR KR1020220145053A patent/KR20240063437A/ko unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102371184B1 (ko) | 2017-03-06 | 2022-03-08 | 삼성전자주식회사 | 배터리의 이상 여부를 확인하는 전자 장치 및 전자 장치 제어 방법 |
KR20210116050A (ko) | 2020-03-17 | 2021-09-27 | 주식회사 엘지에너지솔루션 | 배터리 이상 감지 장치 및 방법, 그 방법을 제공하는 배터리 관리 시스템 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3550317B1 (en) | Method and device for detecting battery micro-short circuit | |
JP7090025B2 (ja) | リチウムイオン電池の安全性監視 | |
US20200280108A1 (en) | Smart battery management systems | |
KR102633335B1 (ko) | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 | |
CN103033751B (zh) | 一种电池检测方法、电池及电子设备 | |
US11735945B2 (en) | Battery charging control method and device | |
CN116865400B (zh) | 一种智能锂电池充电机及其控制系统 | |
KR20220133695A (ko) | 리튬이온 전지를 제조 또는 평가하기 위한 충방전기 데이터를 기초로 충방전기 이상을 감지하는 방법 | |
CN115389958B (zh) | 一种锂离子电池运行安全性评估方法及系统 | |
JP2024500788A (ja) | 電池管理装置および方法 | |
CN111460656A (zh) | 一种电力机房通信电源运行寿命评估方法和系统 | |
Singh et al. | Smartphone Battery State-of-Charge (SoC) Estimation and battery lifetime prediction: State-of-art review | |
KR20240063437A (ko) | 품질 센서를 이용한 배터리 제어 시스템 및 방법 | |
KR20220100471A (ko) | 배터리 관리 장치 및 방법 | |
CN115799690A (zh) | 一种储能设备的运行方法及系统 | |
KR20230120168A (ko) | Ai 예측 모델 및 센서 모니터링을 이용한 폐배터리 열폭주 예방시스템 | |
CN112290513A (zh) | 终端及其电池安全管理方法和装置 | |
Rakhmatov | Battery voltage prediction for portable systems | |
US11680990B2 (en) | System and method for estimating state of health of all-solid-state battery | |
Salameh et al. | Battery modeling and lifetime prediction | |
CN111542451B (zh) | 用于控制和监视电池组包的多个电池组电池的方法和管理系统以及电池组包 | |
KR20240048418A (ko) | 인공지능을 이용한 전장박스 배터리 관리 시스템 및 방법 | |
Xiong et al. | A novel thermal runaway warning method of lithium-ion batteries | |
Krishna et al. | Advances in Lithium–Ion Battery Utilization in Surface Transportation Sector-Present Status, Future Requirements, Issues, Challenges & Future Recommendations | |
CN116599175A (zh) | 多功能移动锂电池储能电源车系统及其控制方法 |