WO2022019607A1 - 배터리 상태를 식별하기 위한 방법, 이를 위한 전자 장치 및 저장 매체 - Google Patents

배터리 상태를 식별하기 위한 방법, 이를 위한 전자 장치 및 저장 매체 Download PDF

Info

Publication number
WO2022019607A1
WO2022019607A1 PCT/KR2021/009321 KR2021009321W WO2022019607A1 WO 2022019607 A1 WO2022019607 A1 WO 2022019607A1 KR 2021009321 W KR2021009321 W KR 2021009321W WO 2022019607 A1 WO2022019607 A1 WO 2022019607A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery
state
voltage
electronic device
charging
Prior art date
Application number
PCT/KR2021/009321
Other languages
English (en)
French (fr)
Inventor
이상헌
한성호
김구섭
김영주
전용섭
한경환
Original Assignee
삼성전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Publication of WO2022019607A1 publication Critical patent/WO2022019607A1/ko

Links

Images

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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
    • 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]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—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
    • 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

Definitions

  • Various embodiments relate to a method for identifying a battery state, an electronic device for the same, and a storage medium.
  • batteries are used in various devices such as electric vehicles (EVs) and robots as well as electronic devices such as mobile devices in a mobile environment.
  • EVs electric vehicles
  • robots electronic devices
  • electronic devices such as mobile devices in a mobile environment.
  • lithium ion batteries (LIBs) lithium ion batteries (LIBs)
  • LIBs lithium ion batteries
  • lithium ion batteries use lithium ion batteries when exposed to harsh environments such as dent or penetration by hard objects, bending by external force, high temperature and high humidity conditions, or overcharge/overdischarge. Swelling due to structural collapse of the stored active material and accompanying gas generation, loss of active material due to repeated charging/discharging, and excessive formation of the solid electrolyte interphase layer can be exposed to various abnormal conditions such as sudden voltage drop.
  • the electronic device includes a battery, at least one processor, and a memory operatively connected to the at least one processor, wherein the memory, when executed, causes the at least one processor to Obtaining voltage and current information for each state of charge during charging, obtaining a plurality of likelihood values for the voltage and current information based on probability reference information related to a plurality of battery states, and selecting the plurality of likelihood values Based on the , instructions for identifying whether the battery is abnormal or the battery state may be stored.
  • the method in a method for identifying a battery state in an electronic device, based on an operation of obtaining voltage and current information for each state of charge during charging of a battery, and probability reference information related to a plurality of states of the battery, the method includes: The method may include obtaining a plurality of likelihood values for voltage and current information and identifying whether the battery is abnormal or a battery state based on the plurality of likelihood values.
  • the at least one processor when the instructions are executed by at least one processor, the at least one processor is configured to perform at least one operation, wherein the at least one operation is , obtaining voltage and current information for each charge state during charging of the battery, obtaining a plurality of likelihood values for the voltage and current information based on probability reference information related to a plurality of battery states, and the It may include an operation of identifying whether the battery is abnormal or a battery state based on a plurality of likelihood values.
  • a battery abnormality may be identified from various charging/discharging patterns of an actual electronic device, and the battery abnormality state may be monitored in real time only with data of a partial charge depth section other than full charge/full discharge.
  • the user can not only check the battery problem situation at a glance, but also check it in advance can recognize
  • FIG. 1 is a block diagram of an electronic device in a network environment according to various embodiments of the present disclosure
  • FIG. 2 is a block diagram illustrating an electronic device for identifying a battery abnormal state, according to an embodiment.
  • 3A is a diagram for explaining data changes according to various charging patterns.
  • 3B is a diagram for explaining data change during actual charging.
  • FIG. 4 is a block diagram illustrating a learning process for identifying a battery abnormal state according to an exemplary embodiment.
  • FIG. 5 is a diagram illustrating a voltage for each state of charge and a probability distribution function for voltage according to an embodiment.
  • FIG. 6 is a flowchart illustrating an operation for identifying a battery abnormal state in an electronic device according to an exemplary embodiment.
  • FIG. 7 is a diagram illustrating a relationship between a change in a charging pattern and a health index, according to an exemplary embodiment.
  • FIG. 8 is an exemplary view of a screen for providing information related to a battery abnormal state according to an embodiment.
  • 9A and 9B are diagrams illustrating data and a likelihood matrix for a partial state of charge according to an embodiment.
  • FIG. 10 is a diagram for describing a learning module for identifying a battery abnormal state according to an embodiment.
  • FIG. 11 is a graph comparing a learning result using data on a partial charge state and a learning result using a likelihood matrix, according to an exemplary embodiment.
  • FIG. 1 is a block diagram of an electronic device 101 in a network environment 100 according to various embodiments.
  • an electronic device 101 communicates with an electronic device 102 through a first network 198 (eg, a short-range wireless communication network) or a second network 199 . It may communicate with the electronic device 104 or the server 108 through (eg, a long-distance wireless communication network). According to an embodiment, the electronic device 101 may communicate with the electronic device 104 through the server 108 .
  • a first network 198 eg, a short-range wireless communication network
  • a second network 199 e.g., a second network 199
  • the electronic device 101 may communicate with the electronic device 104 through the server 108 .
  • the electronic device 101 includes a processor 120 , a memory 130 , an input module 150 , a sound output module 155 , a display module 160 , an audio module 170 , and a sensor module ( 176), interface 177, connection terminal 178, haptic module 179, camera module 180, power management module 188, battery 189, communication module 190, subscriber identification module 196 , or an antenna module 197 may be included.
  • at least one of these components eg, the connection terminal 178
  • may be omitted or one or more other components may be added to the electronic device 101 .
  • some of these components are integrated into one component (eg, display module 160 ). can be
  • the processor 120 for example, executes software (eg, a program 140) to execute at least one other component (eg, a hardware or software component) of the electronic device 101 connected to the processor 120 . It can control and perform various data processing or operations. According to one embodiment, as at least part of data processing or operation, the processor 120 converts commands or data received from other components (eg, the sensor module 176 or the communication module 190 ) to the volatile memory 132 . may be stored in the volatile memory 132 , and may process commands or data stored in the volatile memory 132 , and store the result data in the non-volatile memory 134 .
  • software eg, a program 140
  • the processor 120 converts commands or data received from other components (eg, the sensor module 176 or the communication module 190 ) to the volatile memory 132 .
  • the volatile memory 132 may be stored in the volatile memory 132 , and may process commands or data stored in the volatile memory 132 , and store the result data in the non-volatile memory 134 .
  • the processor 120 is the main processor 121 (eg, a central processing unit or an application processor) or a secondary processor 123 (eg, a graphic processing unit, a neural network processing unit) a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor).
  • the main processor 121 e.g, a central processing unit or an application processor
  • a secondary processor 123 eg, a graphic processing unit, a neural network processing unit
  • NPU neural processing unit
  • an image signal processor e.g., a sensor hub processor, or a communication processor.
  • the main processor 121 e.g, a central processing unit or an application processor
  • a secondary processor 123 eg, a graphic processing unit, a neural network processing unit
  • NPU neural processing unit
  • an image signal processor e.g., a sensor hub processor, or a communication processor.
  • the main processor 121 e.g, a central processing unit or an application processor
  • a secondary processor 123
  • the auxiliary processor 123 is, for example, on behalf of the main processor 121 while the main processor 121 is in an inactive (eg, sleep) state, or the main processor 121 is active (eg, executing an application). ), together with the main processor 121, at least one of the components of the electronic device 101 (eg, the display module 160, the sensor module 176, or the communication module 190) It is possible to control at least some of the related functions or states.
  • the co-processor 123 eg, an image signal processor or a communication processor
  • may be implemented as part of another functionally related component eg, the camera module 180 or the communication module 190. have.
  • the auxiliary processor 123 may include a hardware structure specialized for processing an artificial intelligence model.
  • Artificial intelligence models can be created through machine learning. Such learning may be performed, for example, in the electronic device 101 itself on which artificial intelligence is performed, or may be performed through a separate server (eg, the server 108).
  • the learning algorithm may include, for example, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but in the above example not limited
  • the artificial intelligence model may include a plurality of artificial neural network layers.
  • Artificial neural networks include deep neural networks (DNNs), convolutional neural networks (CNNs), recurrent neural networks (RNNs), restricted boltzmann machines (RBMs), deep belief networks (DBNs), bidirectional recurrent deep neural networks (BRDNNs), It may be one of deep Q-networks or a combination of two or more of the above, but is not limited to the above example.
  • the artificial intelligence model may include, in addition to, or alternatively, a software structure in addition to the hardware structure.
  • the memory 130 may store various data used by at least one component of the electronic device 101 (eg, the processor 120 or the sensor module 176 ).
  • the data may include, for example, input data or output data for software (eg, the program 140 ) and instructions related thereto.
  • the memory 130 may include a volatile memory 132 or a non-volatile memory 134 .
  • the program 140 may be stored as software in the memory 130 , and may include, for example, an operating system 142 , middleware 144 , or an application 146 .
  • the input module 150 may receive a command or data to be used in a component (eg, the processor 120 ) of the electronic device 101 from the outside (eg, a user) of the electronic device 101 .
  • the input module 150 may include, for example, a microphone, a mouse, a keyboard, a key (eg, a button), or a digital pen (eg, a stylus pen).
  • the sound output module 155 may output a sound signal to the outside of the electronic device 101 .
  • the sound output module 155 may include, for example, a speaker or a receiver.
  • the speaker can be used for general purposes such as multimedia playback or recording playback.
  • the receiver may be used to receive an incoming call. According to one embodiment, the receiver may be implemented separately from or as part of the speaker.
  • the display module 160 may visually provide information to the outside (eg, a user) of the electronic device 101 .
  • the display module 160 may include, for example, a control circuit for controlling a display, a hologram device, or a projector and a corresponding device.
  • the display module 160 may include a touch sensor configured to sense a touch or a pressure sensor configured to measure the intensity of a force generated by the touch.
  • the audio module 170 may convert a sound into an electric signal or, conversely, convert an electric signal into a sound. According to an embodiment, the audio module 170 acquires a sound through the input module 150 , or an external electronic device (eg, a sound output module 155 ) connected directly or wirelessly with the electronic device 101 . A sound may be output through the electronic device 102 (eg, a speaker or headphones).
  • an external electronic device eg, a sound output module 155
  • a sound may be output through the electronic device 102 (eg, a speaker or headphones).
  • the sensor module 176 detects an operating state (eg, power or temperature) of the electronic device 101 or an external environmental state (eg, user state), and generates an electrical signal or data value corresponding to the sensed state. can do.
  • the sensor module 176 may include, for example, a gesture sensor, a gyro sensor, a barometric pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an IR (infrared) sensor, a biometric sensor, It may include a temperature sensor, a humidity sensor, or an illuminance sensor.
  • the interface 177 may support one or more designated protocols that may be used by the electronic device 101 to directly or wirelessly connect with an external electronic device (eg, the electronic device 102 ).
  • the interface 177 may include, for example, a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, an SD card interface, or an audio interface.
  • HDMI high definition multimedia interface
  • USB universal serial bus
  • SD card interface Secure Digital Card
  • the connection terminal 178 may include a connector through which the electronic device 101 can be physically connected to an external electronic device (eg, the electronic device 102 ).
  • the connection terminal 178 may include, for example, an HDMI connector, a USB connector, an SD card connector, or an audio connector (eg, a headphone connector).
  • the haptic module 179 may convert an electrical signal into a mechanical stimulus (eg, vibration or movement) or an electrical stimulus that the user can perceive through tactile or kinesthetic sense.
  • the haptic module 179 may include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
  • the camera module 180 may capture still images and moving images. According to an embodiment, the camera module 180 may include one or more lenses, image sensors, image signal processors, or flashes.
  • the power management module 188 may manage power supplied to the electronic device 101 .
  • the power management module 188 may be implemented as, for example, at least a part of a power management integrated circuit (PMIC).
  • PMIC power management integrated circuit
  • the battery 189 may supply power to at least one component of the electronic device 101 .
  • battery 189 may include, for example, a non-rechargeable primary cell, a rechargeable secondary cell, or a fuel cell.
  • the communication module 190 is a direct (eg, wired) communication channel or a wireless communication channel between the electronic device 101 and an external electronic device (eg, the electronic device 102, the electronic device 104, or the server 108). It can support establishment and communication performance through the established communication channel.
  • the communication module 190 may include one or more communication processors that operate independently of the processor 120 (eg, an application processor) and support direct (eg, wired) communication or wireless communication.
  • the communication module 190 is a wireless communication module 192 (eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 194 (eg, : It may include a LAN (local area network) communication module, or a power line communication module).
  • GNSS global navigation satellite system
  • a corresponding communication module among these communication modules is a first network 198 (eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)) or a second network 199 (eg, legacy It may communicate with the external electronic device 104 through a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (eg, a telecommunication network such as a LAN or a WAN).
  • a first network 198 eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)
  • a second network 199 eg, legacy It may communicate with the external electronic device 104 through a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (eg, a telecommunication network such as a LAN or a WAN).
  • a telecommunication network
  • the wireless communication module 192 uses the subscriber information (eg, International Mobile Subscriber Identifier (IMSI)) stored in the subscriber identification module 196 within a communication network such as the first network 198 or the second network 199 .
  • the electronic device 101 may be identified or authenticated.
  • the wireless communication module 192 may support a 5G network after a 4G network and a next-generation communication technology, for example, a new radio access technology (NR).
  • NR access technology includes high-speed transmission of high-capacity data (eMBB (enhanced mobile broadband)), minimization of terminal power and access to multiple terminals (mMTC (massive machine type communications)), or high reliability and low latency (URLLC (ultra-reliable and low-latency) -latency communications)).
  • eMBB enhanced mobile broadband
  • mMTC massive machine type communications
  • URLLC ultra-reliable and low-latency
  • the wireless communication module 192 may support a high frequency band (eg, mmWave band) to achieve a high data rate, for example.
  • a high frequency band eg, mmWave band
  • the wireless communication module 192 includes various technologies for securing performance in a high-frequency band, for example, beamforming, massive multiple-input and multiple-output (MIMO), all-dimensional multiplexing. It may support technologies such as full dimensional MIMO (FD-MIMO), an array antenna, analog beam-forming, or a large scale antenna.
  • the wireless communication module 192 may support various requirements specified in the electronic device 101 , an external electronic device (eg, the electronic device 104 ), or a network system (eg, the second network 199 ).
  • the wireless communication module 192 may include a peak data rate (eg, 20 Gbps or more) for realizing eMBB, loss coverage (eg, 164 dB or less) for realizing mMTC, or U-plane latency for realizing URLLC ( Example: downlink (DL) and uplink (UL) each 0.5 ms or less, or round trip 1 ms or less).
  • a peak data rate eg, 20 Gbps or more
  • loss coverage eg, 164 dB or less
  • U-plane latency for realizing URLLC
  • the antenna module 197 may transmit or receive a signal or power to the outside (eg, an external electronic device).
  • the antenna module 197 may include an antenna including a conductor formed on a substrate (eg, a PCB) or a radiator formed of a conductive pattern.
  • the antenna module 197 may include a plurality of antennas (eg, an array antenna). In this case, at least one antenna suitable for a communication method used in a communication network such as the first network 198 or the second network 199 is connected from the plurality of antennas by, for example, the communication module 190 . can be selected. A signal or power may be transmitted or received between the communication module 190 and an external electronic device through the selected at least one antenna.
  • other components eg, a radio frequency integrated circuit (RFIC)
  • RFIC radio frequency integrated circuit
  • the antenna module 197 may form a mmWave antenna module.
  • the mmWave antenna module comprises a printed circuit board, an RFIC disposed on or adjacent to a first side (eg, bottom side) of the printed circuit board and capable of supporting a designated high frequency band (eg, mmWave band); and a plurality of antennas (eg, an array antenna) disposed on or adjacent to a second side (eg, top or side) of the printed circuit board and capable of transmitting or receiving signals of the designated high frequency band. can do.
  • peripheral devices eg, a bus, general purpose input and output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI)
  • GPIO general purpose input and output
  • SPI serial peripheral interface
  • MIPI mobile industry processor interface
  • the command or data may be transmitted or received between the electronic device 101 and the external electronic device 104 through the server 108 connected to the second network 199 .
  • Each of the external electronic devices 102 or 104 may be the same as or different from the electronic device 101 .
  • all or a part of operations executed in the electronic device 101 may be executed in one or more external electronic devices 102 , 104 , or 108 .
  • the electronic device 101 may perform the function or service itself instead of executing the function or service itself.
  • one or more external electronic devices may be requested to perform at least a part of the function or the service.
  • One or more external electronic devices that have received the request may execute at least a part of the requested function or service, or an additional function or service related to the request, and transmit a result of the execution to the electronic device 101 .
  • the electronic device 101 may process the result as it is or additionally and provide it as at least a part of a response to the request.
  • cloud computing distributed computing, mobile edge computing (MEC), or client-server computing technology may be used.
  • the electronic device 101 may provide an ultra-low latency service using, for example, distributed computing or mobile edge computing.
  • the external electronic device 104 may include an Internet of things (IoT) device.
  • Server 108 may be an intelligent server using machine learning and/or neural networks.
  • the external electronic device 104 or the server 108 may be included in the second network 199 .
  • the electronic device 101 may be applied to an intelligent service (eg, smart home, smart city, smart car, or health care) based on 5G communication technology and IoT-related technology.
  • the electronic device may estimate the state of the battery based on a result of applying voltage and current data of a partial charge state section to the probability reference information even if the battery is not fully charged/discharged.
  • the model learned during actual charging is used Based on this, it is possible to identify a normal or abnormal state of the battery. Accordingly, the electronic device may be able to identify the battery state faster and more accurately during actual charging or discharging, and furthermore, it may identify (or diagnose) various abnormal states that occur with the battery immediately or in advance, thereby securing the safety of the battery. can
  • a method for identifying the battery state during actual charging/discharging is required.
  • the methods for identifying such a battery abnormal state there is a state identification method using a battery cell deterioration degree.
  • a state identification method since a battery in a state that is not being charged or discharged is an identification target, it is actually installed in an electronic device.
  • There may be limitations in identifying abnormal conditions for the battery there may be a method of identifying an abnormal state of a battery by using the maximum/minimum point of the first degree function of the voltage-capacity curve as a reference value.
  • the electronic device identifies a battery abnormal state based on data of a partial charge state section even if it is not fully charged/discharged, or uses it as learning data of a probability distribution model, based on a model learned during actual charging can identify the normal or abnormal state of the battery. Accordingly, in the electronic device, faster and more accurate state identification may be possible only with data of a partial state of charge section, and various abnormal states occurring inside the battery may be identified immediately or in advance, thereby ensuring battery safety.
  • FIG. 2 is a block diagram 200 illustrating an electronic device for identifying a battery abnormal state according to an embodiment.
  • the electronic device 201 may include a charge/discharge circuit 210 , a processor 220 , a memory 230 , a sensor module 276 , a power management circuit 288 , and a battery 289 .
  • the processor 220 may be the processor 120 of FIG. 1 .
  • the processor 220 may be a sensor processor implemented separately from the processor 120 of FIG. 1 .
  • the electronic device 201 may include a battery 289 in which battery cells are formed as one pack.
  • the battery pack may be a product including a housing for accommodating the battery cells.
  • the battery pack may be detachable from the electronic device 201 according to specifications of the electronic device 201 , or may be stored in the electronic device 201 integrally with the electronic device 201 .
  • the battery 289 may be referred to as, for example, a battery cell, may be charged as a charging current is supplied, and may be discharged by providing the charged power to the electronic device 201 .
  • the battery 289 may serve to supply power to the main body of the electronic device 201 or to charge power through an external charger.
  • the battery 289 may output a voltage in the range of about 3.3 V to 4.3 V. Accordingly, when fully charged, the battery 289 can output a voltage of about 4.3 V, and when fully discharged, it can output a voltage of about 3.3 V.
  • the battery 289 may include a battery protection circuit module (PCM).
  • the battery protection circuit may perform one or more of various functions (eg, a pre-blocking function) to prevent deterioration or burnout of the battery 289 .
  • the battery protection circuit may additionally or alternatively perform various functions including cell balancing, measuring the capacity of a battery, measuring the number of times of charging and discharging, measuring a temperature, or measuring a voltage (battery management system (BMS)) It may be configured as at least a part of
  • At least a portion of the use state information or the charge state information of the battery 289 is a corresponding sensor (eg, a current sensor, a voltage sensor, a temperature sensor) of the sensor module 276 , or a power management circuit 288 . ) can be measured using According to an embodiment, the corresponding sensor (eg, a current sensor, a voltage sensor, a temperature sensor) among the sensor modules 276 is included as part of a battery protection circuit or is a separate device from the battery 289 near the battery 289 . can be placed in
  • the charging/discharging circuit 210 may include a charging unit 211 performing a charging operation on the battery 289 and a discharging unit 212 performing a discharging operation on the battery 289 .
  • the charging/discharging circuit 210 may be configured to selectively perform a charging operation and a discharging operation for the battery 289 .
  • the charging unit 211 may convert power supplied through an external charger into a form required for the battery 289 and then supply it to the battery 289 .
  • the discharge unit 212 may supply power supplied from the battery 289 to the main body of the electronic device 201 , for example, each component.
  • the charging/discharging circuit 210 supplies power to the battery 289 or a voltage or current supplied from the battery 289 according to a control signal output from the power management circuit 288 or the processor 220 . It may include a switching element to be adjustable.
  • the sensor module 276 may be configured to measure voltage and current to the battery 289, and may be configured to additionally measure the temperature or internal resistance of the battery 289 depending on its implementation.
  • the sensor module 276 is a current sensor for measuring the charging current supplied to the battery 289, a voltage sensor for measuring the terminal voltage between the positive and negative electrodes of the battery 289, the battery 289 It may include a temperature sensor that measures the temperature.
  • the sensor module 276 may repeatedly measure the current, voltage, and temperature of the battery 289 in real time or periodically, and the measurement period for any one of them may be the same or different from the measurement period for the other. .
  • the power management circuit 288 and/or the processor 220 may use, for example, the sensor module 276 to monitor the state (eg, voltage, current, and temperature) of the battery 289 in real time or By periodically monitoring, operations executable by the charging/discharging circuit 210 may be individually controlled according to the state of the battery 289 .
  • the power management circuit 288 and/or the processor 220 may include charge state information (eg, lifespan) related to charging of the battery 289 based at least in part on the measured state of the battery 289 . , overvoltage, undervoltage, overcurrent, overcharge, overdischarge, overheat, short circuit, or swelling).
  • the power management circuit 288 and/or the processor 220 may determine whether the battery 289 is normal or abnormal based at least in part on the determined state of charge information. When it is determined that the state of the battery 289 is abnormal, the power management module 288 and/or the processor 220 may adjust the charging of the battery 289 (eg, decrease the charging current or voltage, or stop charging). can According to an embodiment, at least some of the functions of the power management module 288 may be performed by an external control device (eg, the processor 220) or together with the external control device.
  • an external control device eg, the processor 220
  • the processor 220 may control an operation for acquiring various state information, including measurement of voltage, current, and temperature of the battery 289 .
  • the processor 220 performs a state of charge (SOC) operation for the battery 289, cell balancing, overcharge, overdischarge, swelling, internal short, rapid discharge, high temperature It is possible to execute software for determining at least one of acceleration, bending, and bottom pressing.
  • SOC state of charge
  • the processor 220 may perform an operation for pre-identifying various battery abnormal states occurring inside the battery 289 during charging or discharging.
  • the processor 220 may perform an operation of identifying an abnormal state due to an external force, such as bending to the battery 289 during charging or discharging or being pressed by a hard object.
  • the plurality of battery abnormal states may include, but may not be limited to, battery abnormal states such as sudden discharge, swelling, internal short circuit, bending, and pressing.
  • the internal short-circuit state among the battery abnormal states may be a phenomenon that occurs when a user drops an electronic device or a large shock is applied by an external physical force.
  • the swelling state among the battery abnormal states may be a phenomenon in which the pressure inside the battery cell rapidly increases and the can swells.
  • This swelling state may be mainly caused by gas generation inside the cell, such as when gas is generated due to heat or ignition of the lithium ion battery cell electrode, or gas is generated due to decomposition of an electrolyte due to overvoltage.
  • this swelling condition can cause the battery pack to explode, destroying the battery pack and the device to which it is attached. This can happen.
  • the sudden discharge state among the abnormal battery states is a state in which a high output value (or resistance value) is generated abruptly during charging or discharging, and may be a phenomenon occurring at the moment when charging and discharging intersect.
  • the processor 220 may detect and notify various battery states in real time, such as swelling due to overcharging, while monitoring the state of the battery 289 during charging or discharging. According to an embodiment, the processor 220 identifies various battery abnormal states in advance and displays the battery state identification result, so that the user can not only check the battery problem situation at a glance but also recognize it in advance. In addition, from the user's point of view, different measures can be taken depending on the abnormal condition of the battery, so that the safety of the battery can be secured more effectively. According to these precautionary measures, it is possible to prevent swelling from progressing and to prevent battery burnout leading to battery ignition.
  • the processor 220 may store probability reference information related to voltage and current data that may be output when batteries placed in a normal state and at least one abnormal state are mounted in the electronic device 201 for each battery charge state. It can be configured and stored in the memory 230 in advance.
  • the processor 220 may receive probability reference information from an external electronic device (eg, the electronic device 102 , the electronic device 104 , or the server 108 ).
  • an external electronic device eg, the electronic device 102 , the electronic device 104 , or the server 108 .
  • the probability reference information includes a probability distribution/density function (hereinafter, PDF) related to voltage and current data, or probability distribution/density data (or probability) related to voltage and current data. distribution/density table).
  • PDF probability distribution/density function
  • probability distribution/density data or probability related to voltage and current data. distribution/density table).
  • the processor 220 performs charging while the actual battery is mounted in the electronic device 201 based on the preconfigured (or pre-stored) probability reference information of voltage and current data for each charging state.
  • the state of charge (SOC) of the battery may include the state of charge of the battery.
  • the state of charge of the battery may be replaced with terms such as the current amount of charge, the degree of charge, and the level of charge of the battery 289 .
  • the state of charge may mean an amount of charge charged in the battery 289 .
  • the state of charge of the battery may have a form in which a remaining amount with respect to a full charge capacity (FCC) of the battery is displayed as a percentage.
  • FCC full charge capacity
  • the processor 220 may apply the current and voltage data for the partial charge state period to the probability reference information to use it as learning data of a learning model for identifying a battery abnormal state.
  • the current and voltage data for the partial state of charge section may be current and voltage data for the state of charge obtained as a result of sensing the battery 289 during actual charging.
  • the processor 220 converts the current and voltage data for the partial state of charge section into a likelihood matrix (or a plurality of likelihood values), and then converts the data of the likelihood matrix as training data of the learning model. Available.
  • the processor 220 may obtain a likelihood matrix by applying the current and voltage data for the partial charge state section to the probability reference information, and then use the likelihood matrix as training data of the learning model.
  • the memory 230 may store various data, commands, and software necessary to identify an abnormal state of the battery 289 . According to an embodiment, the memory 230 may store probability reference information for each charge state for each of a plurality of battery states.
  • the probability reference information for each state of charge for each of the plurality of battery states may be used to compare or apply data of some state of charge sections obtained during actual charging, and the comparison/application result indicates a battery abnormal state can be used to identify
  • the memory 230 may store probability reference information related to current and voltage data for each charge state for each of a plurality of battery states.
  • the memory 230 provides probability reference information related to current and voltage data for each state of charge in a normal battery state (eg, 0% to 100%), and by charging state (eg, 0% to 100%) in a battery abnormal state. 100%) can store probability reference information related to current and voltage data.
  • the probability reference information may include a probability distribution function related to voltage and current data or may include probability distribution data related to voltage and current data.
  • the probability distribution function corresponding to each state of charge may include a probability distribution function for voltage and/or a probability distribution function for current.
  • the plurality of battery abnormal states may include at least one of sudden discharge, swelling, internal short circuit, bending, and pressing. Therefore, the memory 230 stores the probability distribution function (or voltage PDF and current PDF) for each charge state for n battery states (eg, normal state, first abnormal state, ..., n-1 th abnormal state). can
  • the memory 230 may store a state identification program for identifying a battery abnormal state.
  • the state identification program may be referred to as a learning model, and the learning model is charged with voltage and current data (or likelihood matrix/data/information) of some state of charge section or each of a plurality of battery states. It may be an algorithm that learns from voltage and current data (or likelihood matrix/data/information) for each state and produces an identification result.
  • the processor 220 collects battery state information such as the current current and voltage of the battery when charging the battery 289, and obtains a result of monitoring changes in current and voltage corresponding to time during charging can do.
  • the processor 220 may obtain the battery state information from the power management circuit 288 during actual charging.
  • the battery state information during actual charging may be voltage and current data of a partial charging state period.
  • the processor 220 generates a voltage and current probability distribution function for each charging state in a normal state and at least one abnormal state among a plurality of battery states stored in the memory 230, and a voltage for a charging state section during actual charging. and whether the battery is in an abnormal state may be determined based on the current data. According to an embodiment, the processor 220 may identify a battery abnormal state in real time or every preset period using voltage and current data (or likelihood matrix/data/information) of a partial state of charge section.
  • the processor 220 learns a learning model using voltage and current data (or likelihood matrix/data) of a partial charging state section, and uses the learned model to partially charge during actual charging. Normal or abnormal state of the battery may be identified based on voltage and current data (or likelihood matrix/data) of the state period.
  • the description of the learning model will be described in more detail with reference to FIG. 4 .
  • the electronic device (eg, the electronic device 101 of FIG. 1 , the electronic device 201 of FIG. 2 ) includes a battery 289 , at least one processor 220 , and the at least one processor ( 220 ) and a memory 230 operatively connected to the memory 230 , wherein, when executed, the at least one processor 220 , a voltage for each state of charge when charging the battery 289 and Obtain current information, and obtain a plurality of likelihood values (or likelihood information/matrix) for the voltage and current information, based on probability reference information related to a plurality of battery states, wherein the plurality of likelihood values Based on (or likelihood information/matrix), instructions for identifying whether the battery is abnormal or a battery state may be stored.
  • the at least one processor 220 e.g, a voltage for each state of charge when charging the battery 289 and Obtain current information, and obtain a plurality of likelihood values (or likelihood information/matrix) for the voltage and current information, based on probability reference information related to a
  • the at least one processor 220 may identify whether the battery is abnormal or the battery state based on the plurality of likelihood values or secondary variables derived therefrom. .
  • the probability reference information related to the plurality of battery states may include a plurality of probability distribution functions that output likelihood values for each battery state with respect to the input state of charge, voltage, and current.
  • the instructions include the at least one processor 220 converting voltage and current information for each state of charge when the battery 289 is charged into a likelihood matrix using the plurality of probability distribution functions. can be set to convert.
  • the instructions include, by the at least one processor 220 , a plurality of likelihood values for voltage and current information for each state of charge of at least a portion of the battery 289 during charging of the battery 289 among all states of charge. can be set to obtain
  • the at least one processor 220 identifies the battery state by a learning model using a plurality of likelihood values for voltage and current information for each of the at least some charging states. can be set to
  • the at least one processor 220 applies voltage and current information for each state of charge when the battery 289 is charged to probability reference information related to the plurality of states of the battery. Using the results, it can be set to identify the battery state by a learning model.
  • the plurality of battery states may include at least one of a normal state, a swelling state, a high-temperature acceleration state, a bending state, and a pressed state.
  • the instructions may cause the at least one processor 220 to obtain a battery health indicator using at least a portion of the plurality of likelihood values, and based on the obtained battery health indicator, It may be set to identify whether there is an abnormality in the battery.
  • the instructions may be configured so that the at least one processor 220 compares the obtained battery health indicator with a preset threshold and identifies an abnormality in the battery when the value is less than or equal to the threshold.
  • the instructions may be configured so that the at least one processor 220 identifies an abnormality in the battery when it is less than or equal to the threshold and provides a prior notification of the abnormality in the battery.
  • FIG. 3A is a diagram 300a for explaining data changes according to various charging patterns
  • FIG. 3B is a diagram 300b for explaining data changes during actual charging.
  • 3A illustrates a graph illustrating a voltage increase pattern of a battery according to a charging capacity for each charging pattern in a situation in which the same battery is charged by applying various charging patterns.
  • 3A illustrates three different constant current-constant voltage (CC-CV) charging patterns as an example.
  • the constant current-constant voltage charging pattern refers to applying a constant current to the battery until the voltage (eg, 320A, 330A, 340A) of the battery cell reaches a preset threshold value 310, and the voltage of the battery cell is After the threshold value is reached, it may refer to a charging scenario in which the magnitude of the applied current is set to gradually decrease in order to maintain the corresponding voltage level.
  • the battery voltages 320A, 330A, and 340A may also appear high in the order of increasing the strength of the applied current ( 320B, 330B, 340B).
  • FIG. 3B shows the battery obtained while charging the electronic device when the corresponding battery is actually mounted in the electronic device. A possible example of the possible actual charging patterns is shown.
  • a charging pattern for a battery mounted in an electronic device may not be uniformly charged in a curved shape as shown in FIG. 3A , but may exhibit very irregular charging patterns 350A and 350B as shown in FIG. 3B .
  • the charging current is forcibly charged when throttling occurs due to overheating of the application processor (AP) during charging.
  • AP application processor
  • various charging patterns can be variably applied depending on the user's charging/discharging characteristics or the characteristics of the electronic device itself, as in the case of mounting a charging scenario that lowers the rate, an irregular charging pattern may appear.
  • various charge/discharge scenarios are variably applied instead of the same charge/discharge scenario. Therefore, it is necessary to increase the reliability of the method of identifying battery abnormalities by applying various charge/discharge scenarios through learning. have.
  • FIG. 4 is a block diagram 400 for explaining a learning process for identifying a battery abnormal state according to an embodiment.
  • the electronic device 401 (eg, the electronic device 101 of FIG. 1 , the electronic device 201 of FIG. 2 , and the processor 220 ) includes a partial charge data acquisition module 410 and a likelihood matrix. It may include a conversion module 420 , a learning module 430 , and a battery state identification module 440 . According to an embodiment, the operations in each of the modules 410 , 420 , 430 , and 440 may be performed by the processor 220 of FIG. 2 .
  • the partial charge data acquisition module 410 may acquire data about the battery.
  • the partial charge data acquisition module 410 outputs voltage and current distribution output when data on one battery or a plurality of batteries placed under a normal state and at least one abnormal state are mounted in the electronic device 401 . related data can be obtained.
  • data related to voltage and current of a battery during charging/discharging may be obtained in advance through various battery experiments and stored in advance as probability reference information.
  • the partial charge data acquisition module 410 may measure voltage and current of a battery mounted in the electronic device 401 in real time to acquire data related to voltage and current distribution.
  • the partial charge data acquisition module 330 receives data related to voltage and current configured for each charge state for each of a plurality of battery states previously stored in a memory (eg, the memory 230 of FIG. 2 ). can be retrieved from memory.
  • a memory eg, the memory 230 of FIG. 2
  • the previously stored data on the battery may be referred to as comparison data or sample data for comparison with data during actual charging.
  • the sample data may correspond to data in which various battery states are previously tested (or simulated) when a plurality of batteries placed under a normal state and at least one abnormal state are mounted in the electronic device 401 .
  • the sample data may include data obtained by measuring voltage and current of the battery in various situations in real time through an experiment while charging the battery to 100%.
  • the sample data may be separately obtained from the steady-state battery or the abnormal-state battery, and are charged for n different battery states (eg, the normal state, the first abnormal state, ..., the n-1th abnormal state). It may include data related to voltage and current for each state.
  • the partial charge data acquisition module 410 may configure a function family ⁇ Fs ⁇ 0 ⁇ s ⁇ 100 that describes voltage and current distribution characteristics for n different battery states.
  • n different battery states eg, normal state, first abnormal state, ... , n-1 th abnormal state
  • 0 ⁇ s ⁇ 100 will be described as an example.
  • the subscript j of the functional family ⁇ Fs,j ⁇ 0 ⁇ s ⁇ 100 is to indicate whether a given functional family is constructed from a voltage-current ordered pair set obtained from a battery in which abnormal state, wherein j is less than or equal to n may be a natural number of
  • the normal state may be a battery in a factory state that is not damaged or a battery state in a beginning of life (BoL) state that is not deteriorated, and the plurality of abnormal states are deformed by a swelling phenomenon in a high temperature/high humidity environment.
  • This may include a battery state in which this occurs, a battery state in which an abrupt increase in internal resistance occurs due to repeated high-rate charging, and a battery state in which heat generation and capacity loss occur due to an internal short circuit. It may further include a battery state indicating.
  • the partial charge data acquisition module 410 measures the voltage and current of the battery in real time while charging (or discharging) the battery actually mounted in the electronic device 401 to obtain a voltage and current distribution and Relevant data can be obtained.
  • the partial charging data or the charging data may correspond to a pair of charging states, currents and voltages obtained while the battery is being charged through charging states of a predetermined period.
  • the partial charge data may represent a matrix having m state of charge, current, and voltage pairs obtained while charging the battery to a certain % in one row, and may be referred to as a partial charge curve.
  • the partial charge data acquisition module 410 provides current and voltage data when the state of charge is 5%, and charging of 10% A total of m, i.e. 4 states of charge, current and voltage pairs, such as current and voltage data when in a state, current and voltage data when in a 15% state of charge, and current and voltage data when in a state of charge of 20%. can be obtained.
  • function F denotes PDF
  • 'dV' denotes all voltages
  • 'dI' denotes all currents
  • the partial charge data acquisition module 410 may acquire data related to voltage/current for each charging state reflecting actual measured values of voltage/current distribution obtained from various charging patterns.
  • the kernel density estimation method is briefly described.
  • a probability density function f describing the distribution of the data set ⁇ xi ⁇ 1 ⁇ i ⁇ n composed of n variances
  • n local values with each variance xi as the central value are obtained.
  • Equation 1 shows the characteristic condition that the kernel function K must satisfy.
  • Equation 1 above indicates the condition that the kernel function K(x) must be a positive even function (or a symmetric function) in the entire domain.
  • Various integrable functions such as Gaussian and a constant function defined as a function value a in a closed interval [-a/2, a/2] for a positive number a may satisfy the above condition.
  • a symmetric Epanechnikov function is used as a kernel function unless otherwise specified, but this fact does not limit the kernel functions usable in the present invention.
  • Equation 2 represents the probability density function f of the univariate ⁇ x i ⁇ 1 ⁇ i ⁇ n calculated by kernel density estimation.
  • Equation 2 the variable h is a bandwidth value of the kernel function, and as this value approaches 0, the kernel function may have a form closer to a delta function.
  • Equation 2 when a set ⁇ V s,i , I s,i ⁇ 1 ⁇ i ⁇ ns of ns ordered pairs of voltage-current variables in the state of charge s is given, this is an independent set of voltage variables ⁇ V By dividing i ⁇ 1 ⁇ i ⁇ ns and the set of current variables ⁇ I i ⁇ 1 ⁇ i ⁇ ns , probability density functions f voltage,s and f current,s for each can be constructed.
  • the function f voltage,s can be called voltage related data, probability distribution/density function (or voltage PDF) related to voltage data, and function f current,s is current related data, probability related to current data It can be called a distribution/density function (or current PDF).
  • a probability distribution function related to voltage and current can be obtained for the state of charge s.
  • the likelihood matrix transformation module 420 transforms and stacks the data obtained from the partial filling data acquisition module 330 into a likelihood vector having a length n, and finally a m ⁇ n size You can construct a likelihood matrix or a normalized likelihood matrix.
  • steady-state ⁇ m data can be acquired for the steady-state, the first or more For the state, the first abnormal state ⁇ m data may be acquired. Accordingly, it is possible to acquire a total of m ⁇ n data for n battery states. Such m ⁇ n pieces of data may be referred to as likelihood matrix data. According to an embodiment, if a part or all of the likelihood matrix data is used, it is possible to identify whether the battery is abnormal.
  • Equation 2 when a probability distribution function related to voltage and current is obtained with respect to the state of charge s through Equation 2, the difference between the probability distribution function of voltage and current for each state of charge (eg, 0% to 100%) is obtained using this.
  • F a function representing the relationship.
  • the function F is a set of probability distribution functions related to voltage and current for each state of charge with respect to the battery state, and may be referred to as probability reference information related to a plurality of battery states.
  • the function F serves to quantify the probability of belonging to a specific battery state by applying data related to voltage and current in the state of charge s to voltage and current probability distribution functions for each state of charge for each of a plurality of battery states. can do.
  • a function F serving to quantify the possibility of belonging to one of a plurality of battery states can be obtained as in Equation 3 below.
  • Equation 3 may be an expression of a probability density function F describing the distribution of voltage and the set ⁇ V s,i, I s,i ⁇ 1 ⁇ i ⁇ ns for voltage.
  • the function Fs is a function that returns a point probability or likelihood value when the battery voltage value is V and the current value is I in the state of charge s.
  • f voltage,s is a set of ns voltage values obtained in the state of charge s ⁇ V s,i ⁇ 1 ⁇ i ⁇ ns
  • the kernel distribution estimation of the bandwidth h voltage is applied according to Equation 2 may be a probability density function (or voltage PDF) for the voltage distribution obtained by
  • f current,s is the kernel distribution estimation of the bandwidth h current for the set ⁇ I s,i ⁇ 1 ⁇ i ⁇ ns of ns current values obtained in the state of charge s according to Equation 2
  • the subscript s of the function F s is the state of charge of the battery and may have a form of expressing the remaining amount of the battery with respect to the full charge capacity as a percentage. Accordingly, the range of the subscript s may be a natural number less than or equal to 100 or 0, but the range of the state of charge is not necessarily defined as 0-100.
  • the likelihood matrix transformation module 420 may construct a likelihood matrix by using the acquired partial charging data. For example, data related to a current and voltage for a battery may be acquired during a time when charging is started and charging is performed, which may be referred to as partial charging data, or may alternatively be referred to as a partial charging curve.
  • a partial charge curve C is obtained as a result of current and voltage measurements for the battery while the battery is being charged, the partial charge curve C is the m state of charge obtained by the electronic device for a certain period of time.
  • - It may mean a set ⁇ s i , V i , I i ⁇ 1 ⁇ i ⁇ m composed of voltage-current pairs.
  • the current and voltage probability distribution functions for each charging state for each of the three battery states eg, normal state, first abnormal state, and second abnormal state
  • the partial charge curve C is m ⁇ It can be treated as a matrix or array of size 3.
  • the likelihood matrix conversion module 420 may include a function family ⁇ F s,j ⁇ 0 ⁇ for a current and voltage probability distribution function for each charge state previously stored in the electronic device, for example, a charge state within 0 to 100. With reference to s ⁇ 100 , C can be transformed into a likelihood matrix L C .
  • the likelihood matrix L C may be expressed as in Equation 4 below.
  • Equation 4 si may represent a state of charge value (eg, an SOC value), and j may represent an abnormal state of any one of a plurality of battery states.
  • Molecule in the expression (4) is the input state of charge - it is also possible to indicate the current ordered pair belong to more than the state j (s i, V i, Ii ) - voltage.
  • the numerator in Equation 4 is obtained by obtaining the probability that the same ordered pair belongs to each abnormal state, respectively, and obtaining the sum thereof. Therefore, Lc (i, j) in the equation (4) is given charge - of one to quantify the current ordered pair (s i, V i, I i) are likely to belong to a particular state j of the plurality of the battery state-voltage It can play a role in providing a method.
  • the state of charge-voltage-current ordered pair (s i , V i , I i ) is a plurality of battery states (eg, normal state, first abnormal state, ... , It is possible to quantify the possibility of belonging to which battery state among the n-1 th abnormal state). Therefore, the denominator term in Equation 4 may be omitted, but the denominator may be added in consideration of the fact that the likelihood matrix may be used to improve learning efficiency in learning a learning model. . Accordingly, the method of constructing the likelihood matrix is not limited thereto, and each component of the likelihood matrix may be transformed into various forms.
  • the probability matrix is Each component may be capable of being deformed in various forms.
  • the probability distribution function family ⁇ F s,j ⁇ 0 ⁇ s ⁇ 100, 0 ⁇ j ⁇ n representing the voltage-current distribution for each state of charge for various battery states is charged for each of the plurality of battery states.
  • Data related to voltage and current configured for each state may be pre-configured and stored in the memory 230 .
  • the learning module 430 may train a learning model for identifying a battery abnormal state.
  • the learning module 430 may use the partial charging data (eg, the partial charging curve C) obtained from the partial charging data obtaining module 410 as input data for learning.
  • the learning module 430 may train the learning model based on some or all of the likelihood matrix obtained from the likelihood matrix transformation module 420 (eg, Lc(i,j)).
  • the learning module 430 is a machine learning model, and may perform deep learning through a learning model such as a multilayer perceptron (MLP) or a random forest.
  • MLP multilayer perceptron
  • the battery state identification module 440 may identify whether the battery is in an abnormal state during actual charging based on the learning result by the learning module 430 for various battery states.
  • the battery state identification module 440 may identify the battery state using the learning model in the learning module 430 , and the learning model may be previously learned. For example, the battery state identification module 440 may determine the abnormal state of a battery using a machine learning model pre-trained by a likelihood matrix generated based on various partial charge curves for one battery or a plurality of batteries. can be identified.
  • the battery state identification module 440 determines whether the battery is in a normal state or whether an abnormality in a specific state has occurred. 430) may be provided from the output. Accordingly, the battery state identification module 440 determines immediately or in advance whether the battery mounted in the electronic device is in an abnormal state with sufficient battery-related data (eg, partial charge curve C) in a partial state of charge section through this learning. Not only can it be identified, but it can also identify what type of abnormal state it is, so it can be quickly and accurately identified.
  • sufficient battery-related data eg, partial charge curve C
  • the battery state identification module 440 may calculate a battery health index by using some or all data of a likelihood matrix for a battery during charging.
  • the battery state identification module 440 may identify whether the battery is abnormal by using the battery health indicator calculated from the likelihood matrix. For example, the battery state identification module 440 may identify that there is an abnormality in the battery when the battery health indicator reaches a preset threshold or less during charging.
  • the threshold value may be predetermined so that the user can recognize the battery abnormal state or take action before it occurs.
  • the probability distribution function family ⁇ F s,j ⁇ 0 ⁇ s ⁇ 100, 0 ⁇ j ⁇ n representing the voltage-current distribution for each state of charge for various battery states is already configured and stored.
  • the likelihood matrix may be obtained based on Equation 4 above.
  • the likelihood matrix L C can be obtained for the partial filling curve C in the likelihood matrix transformation module 420 .
  • the battery state identification module 440 may determine the battery health indicator using the likelihood matrix L C calculated by the likelihood matrix transformation module 420 .
  • the probability that the partial charge curve C is under battery state j can be expressed using a battery health indicator.
  • the battery state identification module 440 may convert the likelihood matrix L C into a battery health indicator based on Equation 5 below.
  • Equation 5 represents the battery health indicator HI j for the battery state j, and HI j may be a value indicating the possibility that the partial charge curve C belongs to the battery state j.
  • the battery state identification module 440 can obtain a total of m likelihood matrices L C for the partial charge curve C, and divide them by m to obtain an average value to determine whether the battery is in a normal state or an abnormal state cognition can be identified.
  • the battery state identification module 440 may notify the user that the battery is in the abnormal state j.
  • the threshold value T j is an average of battery health indicators calculated from n partial charge curve data ⁇ C k ⁇ 1 ⁇ k ⁇ N obtained from an electronic device equipped with a battery placed in an actual abnormal state j, or a battery health indicator It may be determined from the lower limit of the values.
  • the battery state identification module 440 may identify that there is an abnormality in the battery when the battery health indicator reaches a preset threshold or less during charging.
  • the battery health indicator of Equation 5 may be used to detect a sign of battery burnout in advance, and a detailed description thereof will be described later with reference to FIG. 7 .
  • FIG. 5 is a diagram 500 illustrating a voltage for each state of charge and a probability density function for voltage according to an embodiment.
  • a first graph 510 exemplarily illustrates a change in voltage according to a state of charge of the battery
  • a second graph 520 exemplarily illustrates a change in voltage according to a state of charge of the battery.
  • the horizontal axis indicates voltage
  • the vertical axis indicates the state of charge (SOC).
  • voltage data is exemplified in units of 5% of the state of charge among the states of charge of 0 to 100%
  • a thick line (eg, 560 ) indicates the state of charge 5 for the battery corresponding to the abnormal state.
  • the change in voltage per % is illustrated, and the thin line (eg, 550 ) illustrates the change in voltage per 5 % of the state of charge for the battery corresponding to the steady state.
  • the horizontal axis represents the current
  • the vertical axis represents the state of charge (SOC).
  • the thick line exemplifies the change in current for every 5% of the state of charge for the battery corresponding to the abnormal state
  • the thin line indicates the normal state. The change in current for every 5 % state of charge for a battery corresponding to .
  • the current for the battery may be generally measured close to, for example, 3A (Ampere).
  • the current to the battery can be generally measured close to 1.3A.
  • the first graph 510 shows the voltage distribution function f voltage,s and the current distribution function f current,s obtained by the kernel distribution estimation method for a normal battery and a battery placed under a specific abnormal state in various charging states s (eg, in units of 5 % of the state of charge).
  • FIG. 5 As in the second graph 520 , there is little difference in the current distribution characteristics in the case of the battery abnormal state and the battery normal state, but in the case of the voltage, the battery abnormal state as in the first graph 510 .
  • the voltage distribution and the voltage distribution in a steady state of the battery may be different.
  • FIG. 5 exemplifies the voltage and current changes for the battery in the normal state and one abnormal state, for example, the voltage distribution in each of the plurality of abnormal states may be different from the voltage distribution in the normal state.
  • a normal state and one abnormal state have been described as examples, and may not be limited thereto.
  • the battery state (eg, a normal state, an abnormal state) has a high correlation with a pair consisting of a state of charge-current distribution characteristic-voltage distribution characteristic. Therefore, in the method of identifying an abnormal state of a battery according to an embodiment, when the state of charge increases from 0% to 100% as charging proceeds, for example, the current distribution has a constant characteristic for the state of the battery, while the voltage distribution is Characteristics that vary depending on the state of the battery may be used. Accordingly, if the electronic device acquires a charging state, current data about the charging state, and voltage data during actual charging to identify a battery abnormal state, and uses the characteristics, it is possible to identify which battery state it belongs to.
  • the distribution function of the abnormal state battery causes a shift in the voltage or current axis from the distribution function of the steady state battery. This can be a basis for identification.
  • FIG. 6 is a flowchart illustrating an operation for identifying a battery abnormal state in an electronic device according to an exemplary embodiment.
  • the operating method may include operations 610 to 620 .
  • Each step/operation of the operating method includes an electronic device (eg, the electronic device 101 or 201 of FIGS. 1 and 2 ) and at least one processor of the electronic device (eg, the processors 120 and 220 of FIGS. 1 and 2 ). )) can be performed by at least one of
  • at least one of operations 610 to 620 may be omitted, the order of some operations may be changed, or another operation may be added.
  • the electronic device receives a voltage for each state of charge when a battery (eg, the battery 289 of FIG. 2 ) is charged
  • Current information can be obtained.
  • the electronic device transmits charge state information about the battery during charging to a corresponding sensor (eg, a current sensor, a voltage sensor) among sensor modules (eg, the sensor module 276 of FIG. 2 ), or a power management circuit (eg, : can be obtained by measuring using the power management circuit 288 of FIG.
  • the electronic device may acquire a plurality of likelihood values for the voltage and current information based on probability reference information related to a plurality of battery states.
  • the probability reference information related to the plurality of battery states may include a plurality of probability distribution functions that output likelihood values for each battery state with respect to the input state of charge, voltage, and current.
  • the obtaining of a plurality of likelihood values for the voltage and current information may include obtaining voltage and current information for each state of charge during charging of the battery using the plurality of probability distribution functions. It may include an operation for converting to .
  • the operation of obtaining a plurality of likelihood values for the voltage and current information includes a plurality of likelihood values for voltage and current information for at least a portion of each state of charge during charging of the battery among all states of charge. It may include the operation of obtaining values.
  • the electronic device may identify whether the battery is abnormal or a battery state based on the plurality of likelihood values.
  • the electronic device may identify whether the battery is abnormal or the battery state based on the plurality of likelihood values or secondary variables derived therefrom.
  • the operation of identifying whether the battery is abnormal or the state of the battery identifies the state of the battery by a learning model using a plurality of likelihood values for voltage and current information for each of the at least some charging states. It may include an action to
  • the operation of identifying whether the battery is abnormal or the battery state uses a result of applying voltage and current information for each charge state during charging of the battery to probability reference information related to the plurality of battery states. to identify the battery state by the learning model.
  • the operation of identifying whether the battery is abnormal or the battery state may include obtaining a battery health indicator using at least a part of a plurality of likelihood values and based on the acquired battery health indicator, It may include an operation of identifying whether there is an abnormality in the battery.
  • the method includes an operation of comparing the obtained battery health indicator with a preset threshold value, an operation of identifying an abnormality of the battery when it is below the threshold value, an operation of an operation of providing a prior notification about the abnormality of the battery may further include.
  • the plurality of battery states may include at least one of a normal state, a swelling state, a high-temperature acceleration state, a bending state, and a pressed state.
  • the electronic device may provide a notification related to the abnormal state of the battery when the abnormality of the battery or the state of the battery is identified.
  • the electronic device may output a notification indicating that a battery abnormal state has occurred or may occur, using at least one of visual feedback, auditory feedback, and tactile feedback.
  • FIG. 7 is a diagram 700 illustrating a relationship between a change in a charging pattern and a health index according to an exemplary embodiment.
  • FIG. 7 voltage and current appear in an irregular pattern with respect to a load applied during battery charging, and a correspondingly changed health index is exemplified.
  • FIG. 7 illustrates a relationship between data output while applying artificial pressure to the battery, for example, increasing pressure using a round bar to the upper tap area of the battery cell of the electronic device.
  • the electronic device may acquire partial charge data (or partial charge curve) corresponding to an irregular pattern of current and voltage across the battery, and the partial charge A health index can be calculated from the data through Equation 5 above.
  • ignition may occur after the portion indicated by reference numeral 710 .
  • the battery was damaged by ignition after exposure to a maximum load of 137N for 1000 seconds by the increasing pressure by the round bar, and according to FIG.
  • the battery table (HI 0 ) calculated from the partial charge data gradually decreases from the starting value (eg, 1 value) before the occurrence of burnout and appears in a form having the minimum value 720 (eg, 0.652 value).
  • the electronic device may set and store the threshold T 0 (eg, 0.8 value) in advance in response to the minimum value 720 (eg, 0.652 value) of the battery table HI 0 during charging, and may be stored in a battery damaged state. At least before damage occurs, identification information on the abnormal state of the battery for an electronic device may be provided in advance based on a sharp drop below the threshold of the health index.
  • T 0 eg, 0.8 value
  • FIG. 8 is an exemplary screen view 800 for providing information related to a battery abnormal state according to an embodiment.
  • the electronic device may notify the user of a battery abnormal state.
  • the electronic device may display information related to various abnormal battery states on the screen together with the charging state information of the battery.
  • the electronic device may display the guide 810 for various abnormal battery states, such as internal short circuit, swelling, and sudden discharge, so that the user can recognize the battery abnormal state and take action.
  • the electronic device may divide and notify the battery abnormal state into a plurality of stages, such as a warning to immediately stop charging and a warning to notify that the battery state is unstable.
  • the user may be notified of a possible battery burnout before a preset amount of time (eg, ten minutes before actual battery damage occurs).
  • a preset amount of time e.g, ten minutes before actual battery damage occurs.
  • 9A and 9B are diagrams 900a and 900b illustrating data and likelihood matrices for a partial state of charge according to an embodiment.
  • the electronic device eg, the electronic device 101 of FIG. 1 , the electronic device 201 of FIG. 2 , or the processor 220 of FIG. 2
  • a first state eg, a normal state
  • Partial charging data 910 may be obtained.
  • partial charging data 910 including m state-of-charge-voltage-current pairs may be acquired during charging for a predetermined time.
  • the electronic device may convert the partial charge data 910 into the likelihood matrix 920 in order to identify a battery abnormal state based on the partial charge data.
  • the electronic device may convert the partial charging data 910 into the likelihood matrix 920 L C with reference to the probability distribution function family ⁇ F s,j ⁇ stored in advance in the electronic device. Accordingly, when the electronic device converts the partial charging data 910 into the likelihood matrix 920, based on the probability information 921, 922, 923, 924, 925 related to a plurality of battery states, belonging can be identified. For example, when the probability of belonging to the normal state is high among all possible battery states based on the partial charging data 910 , the electronic device may identify the charging battery as the normal state.
  • the electronic device when the electronic device acquires partial charge data 930 for a battery in a second state (eg, a swelling state) during actual charging, the electronic device performs the partial charge to identify whether the battery is actually in a swelling state.
  • the charging data 930 may be converted into the likelihood matrix 940 L C with reference to the probability distribution function family ⁇ F s,j ⁇ stored in advance in the electronic device, and probability information ( 941 , 942 , 943 , 944 , 945 ) may identify which battery state it belongs to. For example, when the probability of belonging to the swelling state among all possible battery states is high based on the partial charge data 930 , the electronic device may identify the battery being charged as the swelling state.
  • FIG. 10 is a diagram 1000 for explaining a learning module for identifying a battery abnormal state according to an embodiment.
  • the electronic device eg, the electronic device 101 of FIG. 1 , the electronic device 201 of FIG. 2 , or the processor 220 .
  • the battery abnormal state can be identified using a machine learning model.
  • the electronic device may classify and identify an abnormal state such as a battery normal state or a swelling state by the machine learning model.
  • machine learning model Although a multilayer perceptron classifier is exemplified in FIG. 10, various learning models such as a random forest classifier may be applied.
  • the learning of the machine learning model as described above may be performed based on the results of prior experiments on batteries prior to product release.
  • the electronic device sets a set of likelihood matrices ⁇ Supervised learning can be performed on a learning model (e.g., machine learning model M) using L C,k ⁇ 1 ⁇ k ⁇ N and the battery state label vector ⁇ j k ⁇ 1 ⁇ k ⁇ N , it is possible to identify the battery abnormal state by using the output of the learning model with respect to the input Cunknown when the partial charge curve Cunknown, which is not used for training, is given.
  • a learning model e.g., machine learning model M
  • a voltage/voltage distribution function family for each state of charge for each battery state for example, ⁇ F s,0 ⁇ 0 ⁇ s ⁇ 100 and ⁇ F s,1 ⁇ 0 ⁇ s
  • the identification result can be output.
  • the multilayer perceptron classifier may output 1 in the case of a steady-state battery and 0 in the case of a battery in which swelling has occurred. Accordingly, the electronic device may distinguish not only the presence or absence of a battery abnormality but also what kind of battery abnormality state according to an output result from the machine learning model.
  • the multi-layer perceptron classifier 1060 may output an identification result, The electronic device may determine whether the input partial charging data belongs to a normal state or an abnormal state based on the identification result.
  • the input vector is configured in the form of appending a vector transposed of a charged state column of partial packing curve data to the end of the vectorized likelihood matrix. can be assumed.
  • a training case vector (e.g. 118,000) obtained from partial charge data (e.g. 118,000), and a set of correct answer labels (e.g., 118,000
  • a training case vector (e.g. 118,000) obtained from partial charge data (e.g. 118,000), and a set of correct answer labels (e.g., 118,000
  • a determination accuracy 97.12% can be obtained.
  • 37,605 pieces are determined to be swollen by the multilayer perceptron classifier 1060 in the partial filling data (eg, 40,000 pieces) 930 of FIG. 9B , and as a result of the experiment, a determination accuracy of 94.01% can be obtained.
  • 11 is a graph 1100 illustrating a comparison between a learning result using data on a partial state of charge and a learning result using a likelihood matrix, according to an exemplary embodiment.
  • a learning model for determining the battery state may be trained using partial charge curve data of the battery obtained from the electronic device, that is, a current and voltage distribution diagram in a partial charge state section.
  • the learning model is a machine learning model, and may be a teacher learning model such as a multilayer perceptron or a random forest.
  • the probability of using the partial charge curve data of the battery as input data for direct learning, or converting the partial charge curve data by a probability density function (PDF) A matrix can be used as input data for training.
  • PDF probability density function
  • the learning accuracy (validation score) 1120 reaches about 70% after the same number of learning (eg, 70 iterations) in the learning process using the partial charging curve data directly. and, when the likelihood matrix is used as training data, the learning accuracy 1110 is improved by about 90% at the same number of learning times.
  • the training loss may represent an error value between the training model and the training data.
  • the electronic device may have various types of devices.
  • the electronic device may include, for example, a portable communication device (eg, a smart phone), a computer device, a portable multimedia device, a portable medical device, a camera, a wearable device, or a home appliance device.
  • a portable communication device eg, a smart phone
  • a computer device e.g., a smart phone
  • a portable multimedia device e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a wearable device e.g., a smart bracelet
  • a home appliance device e.g., a home appliance
  • first, second, or first or second may be used simply to distinguish the element from other elements in question, and may refer to elements in other aspects (e.g., importance or order) is not limited. It is said that one (eg, first) component is “coupled” or “connected” to another (eg, second) component, with or without the terms “functionally” or “communicatively”. When referenced, it means that one component can be connected to the other component directly (eg by wire), wirelessly, or through a third component.
  • module used in various embodiments of this document may include a unit implemented in hardware, software, or firmware, and is interchangeable with terms such as, for example, logic, logic block, component, or circuit.
  • a module may be an integrally formed part or a minimum unit or a part of the part that performs one or more functions.
  • the module may be implemented in the form of an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • Various embodiments of the present document include one or more stored in a storage medium (eg, internal memory 136 or external memory 138) readable by a machine (eg, electronic device 101). It may be implemented as software (eg, the program 140) including instructions.
  • a processor eg, processor 120
  • a device eg, electronic device 101
  • the one or more instructions may include code generated by a compiler or code executable by an interpreter.
  • the device-readable storage medium may be provided in the form of a non-transitory storage medium.
  • 'non-transitory' only means that the storage medium is a tangible device and does not include a signal (eg, electromagnetic wave), and this term is used in cases where data is semi-permanently stored in the storage medium and It does not distinguish between temporary storage cases.
  • a signal eg, electromagnetic wave
  • the method according to various embodiments disclosed in this document may be included and provided in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • the computer program product is distributed in the form of a machine-readable storage medium (eg compact disc read only memory (CD-ROM)), or through an application store (eg Play StoreTM) or on two user devices ( It can be distributed (eg downloaded or uploaded) directly between smartphones (eg: smartphones) and online.
  • a part of the computer program product may be temporarily stored or temporarily created in a machine-readable storage medium such as a memory of a server of a manufacturer, a server of an application store, or a relay server.
  • each component (eg, module or program) of the above-described components may include a singular or a plurality of entities, and some of the plurality of entities may be separately disposed in other components. have.
  • one or more components or operations among the above-described corresponding components may be omitted, or one or more other components or operations may be added.
  • a plurality of components eg, a module or a program
  • the integrated component may perform one or more functions of each component of the plurality of components identically or similarly to those performed by the corresponding component among the plurality of components prior to the integration. .
  • operations performed by a module, program, or other component are executed sequentially, in parallel, repeatedly, or heuristically, or one or more of the operations are executed in a different order, or omitted. or one or more other operations may be added.
  • a storage medium storing instructions, wherein the instructions are configured to cause the at least one processor to perform at least one operation when executed by the at least one processor, wherein the at least one operation is performed during charging of a battery.

Landscapes

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

Abstract

전자 장치는, 배터리, 적어도 하나의 프로세서 및 상기 적어도 하나의 프로세서와 작동적으로 연결된 메모리를 포함하며, 상기 메모리는, 실행 시에, 상기 적어도 하나의 프로세서가, 상기 배터리의 충전 시의 충전 상태별 전압 및 전류 정보를 획득하고, 복수의 배터리 상태들과 관련된 확률 참조 정보에 근거하여, 상기 전압 및 전류 정보에 대한 복수의 가능도 값들을 획득하고, 상기 복수의 가능도 값들에 근거하여, 상기 배터리의 이상 유무 또는 배터리 상태를 식별하도록 하는 인스트럭션들을 저장할 수 있다. 그 밖에 다양한 실시 예가 제공될 수 있다.

Description

배터리 상태를 식별하기 위한 방법, 이를 위한 전자 장치 및 저장 매체
다양한 실시 예는 배터리 상태를 식별하기 위한 방법, 이를 위한 전자 장치 및 저장 매체에 관한 것이다.
스마트 폰, 태블릿 PC, 웨어러블 디바이스 등과 같은 휴대가 용이한 전자 장치의 사용이 증가하고 있으며, 전자 장치의 사용이 급증함에 따라 사용 시간을 늘이기 위한 고성능 배터리에 대한 연구가 활발히 진행되고 있다. 또한, 배터리는 이동 환경에서 모바일 기기와 같은 전자 장치뿐만 아니라 전기 자동차(EV: electric vehicle), 로봇과 같은 다양한 장치들에 사용되고 있다. 이러한 배터리의 일 예로, 이차전지(secondary batteries)의 일종인 리튬 이온 배터리(lithium ion batteries; LIB)는 충/방전이 가능한 구조 및 높은 에너지 밀도와 상대적으로 높은 전압 출력 등의 장점을 바탕으로 휴대용 전자 장치를 구동하기 위한 에너지 저장 장치로 널리 이용되고 있다.
하지만, 리튬 이온 배터리는 그 활용 용도 상 경질의 물체에 의한 눌림(dent) 혹은 관통(penetration), 외력에 의한 휘어짐(bending), 고온고습 조건 혹은 과충전/과방전과 같은 가혹 환경에 노출되었을 때 리튬을 저장하는 활물질(active material)의 구조 붕괴와 이에 수반되는 가스의 발생으로부터 기인하는 스웰링(swelling), 반복되는 충/방전에 의한 활물질 손실과 고체전해질피막(solid electrolyte interphase layer) 과대 형성에 의해 발생하는 급격한 전압 강하와 같은 다양한 이상 상태에 노출될 수 있다.
이 중 일부는 단지 리튬 이온 배터리를 포함하는 전자 장치의 사용성, 예컨대 사용 시간의 감소, 전압 감소로 인한 성능 저하 수준의 결과를 초래할 뿐이나, 양극과 음극을 전기적으로 분리하는 분리막(separator)이 배터리의 물리적 손상으로 혹은 리튬 수지상(dendrite) 형성에 의해 관통되는 등의 기계적/화학적 손상을 입는 경우에는 배터리가 저장하고 있던 고밀도의 에너지가 짧은 시간 동안 격렬한 발열 반응과 함께 방출되면서 발화로 인한 배터리 소손을 유발할 수 있다.
따라서 배터리의 안전성을 확보하기 위해 배터리 내부에서 발생하는 다양한 이상 상태를 즉시 또는 사전에 식별할 필요가 있다.
다양한 실시 예에 따르면, 전자 장치는, 배터리, 적어도 하나의 프로세서 및 상기 적어도 하나의 프로세서와 작동적으로 연결된 메모리를 포함하며, 상기 메모리는, 실행 시에, 상기 적어도 하나의 프로세서가, 상기 배터리의 충전 시의 충전 상태별 전압 및 전류 정보를 획득하고, 복수의 배터리 상태들과 관련된 확률 참조 정보에 근거하여, 상기 전압 및 전류 정보에 대한 복수의 가능도 값들을 획득하고, 상기 복수의 가능도 값들에 근거하여, 상기 배터리의 이상 유무 또는 배터리 상태를 식별하도록 하는 인스트럭션들을 저장할 수 있다.
다양한 실시 예에 따르면, 전자 장치에서 배터리 상태를 식별하기 위한 방법은, 배터리의 충전 시의 충전 상태별 전압 및 전류 정보를 획득하는 동작, 복수의 배터리 상태들과 관련된 확률 참조 정보에 근거하여, 상기 전압 및 전류 정보에 대한 복수의 가능도 값들을 획득하는 동작 및 상기 복수의 가능도 값들에 근거하여, 상기 배터리의 이상 유무 또는 배터리 상태를 식별하는 동작을 포함할 수 있다.
다양한 실시 예에 따르면, 명령들을 저장하고 있는 저장 매체에 있어서, 상기 명령들은 적어도 하나의 프로세서에 의하여 실행될 때에 상기 적어도 하나의 프로세서로 하여금 적어도 하나의 동작을 수행하도록 설정된 것으로서, 상기 적어도 하나의 동작은, 배터리의 충전 시의 충전 상태별 전압 및 전류 정보를 획득하는 동작, 복수의 배터리 상태들과 관련된 확률 참조 정보에 근거하여, 상기 전압 및 전류 정보에 대한 복수의 가능도 값들을 획득하는 동작 및 상기 복수의 가능도 값들에 근거하여, 상기 배터리의 이상 유무 또는 배터리 상태를 식별하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 실제 전자 장치의 다양한 충/방전 패턴으로부터 배터리 이상을 식별할 수 있으며, 만충전/만방전이 아닌 일부 충전 심도 구간의 데이터만으로도 배터리 이상 상태를 실시간으로 감시할 수 있다.
일 실시 예에 따르면, 과충전에 의한 스웰링 혹은 기계적 눌림 등 다양한 배터리 이상 상태 발생 및 진행 여부를 실시간으로 감지함으로써 과도한 스웰링 진행 혹은 배터리 발화로 이어지는 배터리 손상을 사전에 방지할 수 있다.
일 실시 예에 따르면, 배터리의 수명과 다양한 환경에 대응하는 배터리 이상 상태를 실시간으로 감시하고, 이상이 발생하기 전에 이를 표시함으로써 사용자 입장에서는 배터리 문제 상황을 한 눈에 확인할 수 있을 뿐만 아니라 이를 사전에 인지할 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 다양한 실시 예에 따른 네트워크 환경 내의 전자 장치의 블럭도이다.
도 2는 일 실시 예에 따르면 배터리 이상 상태를 식별하기 위한 전자 장치를 나타내는 블럭도이다.
도 3a는 다양한 충전 패턴에 따른 데이터 변화를 설명하기 위한 도면이다.
도 3b는 실제 충전 시 데이터 변화를 설명하기 위한 도면이다.
도 4는 일 실시 예에 따른 배터리 이상 상태를 식별하기 위한 학습 과정을 설명하기 위한 블록도이다.
도 5는 일 실시 예에 따른 충전 상태별 전압 및 전압에 대한 확률 분포 함수를 예시한 도면이다.
도 6은 일 실시 예에 따른 전자 장치에서 배터리 이상 상태를 식별하기 위한 동작 흐름도이다.
도 7은 일 실시 예에 따른 충전 패턴의 변화와 건전 지표 간의 관계를 나타낸 도면이다.
도 8은 일 실시 예에 따른 배터리 이상 상태와 관련된 정보를 제공하기 위한 화면 예시도이다.
도 9a 및 도 9b는 일 실시 예에 따른 부분 충전 상태에 대한 데이터 및 가능도 행렬을 나타낸 도면들이다.
도 10은 일 실시 예에 따른 배터리 이상 상태를 식별하는 학습 모듈을 설명하기 위한 도면이다.
도 11은 일 실시 예에 따른 부분 충전 상태에 대한 데이터를 이용한 학습 결과와 가능도 행렬을 이용한 학습 결과를 비교한 그래프이다.
본 문서에서 사용된 용어들은 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 다른 실시 예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 일반적으로 사용되는 사전에 정의된 용어들은 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미를 가지는 것으로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 발명의 실시 예들을 배제하도록 해석될 수 없다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다.
전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일 실시 예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
일 실시 예에 따른 전자 장치는, 만충전/만방전이 아니더라도 일부 충전 상태 구간의 전압 및 전류 데이터를 확률 참조 정보에 적용한 결과에 기반하여 배터리의 상태를 추정할 수 있다. 다른 실시 예에서는, 일부 충전 상태 구간의 전압 및 전류 데이터를 확률 참조 정보에 적용한 결과를 확률 분포(또는 확률 밀도, 이하 확률 분포라고 통칭함) 모델을 학습하는데 활용함으로써, 실제 충전 시 학습된 모델을 기반으로 배터리의 정상 또는 이상 상태를 식별할 수 있다. 이에 따라 전자 장치는 실제 충전 또는 방전 시 더 빠르고 정확한 배터리 상태 식별이 가능할 수 있으며, 게다가 배터리에 대해 발생하는 다양한 이상 상태를 즉시 또는 사전에 식별(또는 진단)할 수 있어, 배터리의 안전성을 확보할 수 있다.
한편, 배터리는 전자 장치에 대한 사용자의 사용 패턴을 비롯하여 전기적, 화학적, 환경적 요소에 모두 영향을 받기 때문에 실제 충/방전 시의 배터리 상태를 식별하는 방법이 필요하다. 이러한 배터리 이상 상태를 식별하기 위한 방법들 중의 하나로 배터리 셀 열화도를 이용한 상태 식별 방법이 있는데, 이러한 상태 식별 방법의 경우 충전 또는 방전 중이 아닌 상태의 배터리를 식별 대상으로 하기 때문에 실제 전자 장치에 장착되는 배터리에 대한 이상 상태를 식별하는데 있어 한계가 있을 수 있다. 또한 다른 방법으로 전압-용량 곡선의 일계도 함수가 갖는 극대/극소점을 기준치로 하여 배터리의 이상 상태를 식별하는 방법이 있을 수 있다.
하지만, 극대점과 극소점을 특정하기 위해서는 만충전 및 만방전 데이터가 확보되어 있어야 할 뿐만 아니라 다양한 충전 상황을 반영하지 못한 만충전 및 만방전 데이터로 인해 실제 충전 동안에는 상태 식별이 어려울 수 있다. 또 다른 방법으로 신뢰도 및 표준 편차를 이용한 배터리 상태 식별 방법이 있을 수 있는데, 이러한 상태 식별방법은 충전 시의 전압이 정규 분포를 따를 것이라는 가정 하에서 동작하므로, 실제 충전 시의 전자 장치에 적용하여 배터리 이상 상태를 식별하기에는 어려울 수 있다.
따라서 배터리 이상 상태 식별 시, 배터리를 다양한 속도로 충전하는 경우, 다양한 충전 어댑터를 사용하는 경우, 다양한 배터리 손상 및 발화 케이스, 스로틀링(throttling) 발생 시 발열 억제를 위한 충전 전류량을 조절하는 경우, 전자 장치에 대한 사용 패턴으로 인한 충/방전 프로파일에 차이가 발생하는 경우와 같이 다양한 충전 시나리오를 고려할 필요가 있다.
일 실시 예에 따른 전자 장치는, 만충전/만방전이 아니더라도 일부 충전 상태 구간의 데이터를 기반으로 배터리 이상 상태를 식별하거나, 이를 확률 분포 모델의 학습 데이터로 활용하여, 실제 충전 시 학습된 모델을 기반으로 배터리의 정상 또는 이상 상태를 식별할 수 있다. 이에 따라 전자 장치에서는 일부 충전 상태 구간의 데이터만으로도 더 빠르고 정확한 상태 식별이 가능할 수 있으며, 배터리 내부에서 발생하는 다양한 이상 상태를 즉시 또는 사전에 식별할 수 있어, 배터리의 안전성을 확보할 수 있다.
이하, 일부 충전 상태 구간의 데이터를 이용한 배터리 상태를 식별하는 방법과 이를 위한 전자 장치의 실시 예들을 도면들을 참고하여 자세히 설명하기로 한다.
도 2는 일 실시 예에 따르면 배터리 이상 상태를 식별하기 위한 전자 장치를 나타내는 블럭도(200)이다.
도 2를 참조하면, 전자 장치(201)는 충방전 회로(210), 프로세서(220), 메모리(230), 센서 모듈(276), 전력 관리 회로(288) 및 배터리(289)를 포함할 수 있다. 여기서, 프로세서(220)는 도 1의 프로세서(120)일 수 있다. 또는 프로세서(220)는 도 1의 프로세서(120)와 별도로 구현된 센서 프로세서일 수 있다.
전자 장치(201)는 배터리 셀이 하나의 팩(pack)으로 형성된 배터리(289)를 포함할 수 있다. 여기서, 배터리 팩은, 배터리 셀을 격납하는 하우징을 포함하는 제품일 수 있다. 배터리 팩은, 전자 장치(201)의 스펙에 따라서, 전자 장치(201)에 탈부착이 가능할 수도 있으며, 또는 전자 장치(201)와 일체형으로 전자 장치(201) 내에 격납될 수도 있다.
일 실시 예에 따르면, 배터리(289)는 예를 들면, 배터리 셀이라고도 불릴 수 있으며, 충전 전류가 공급됨에 따라 충전될 수 있고, 충전된 전력을 전자 장치(201)에 제공함으로써 방전될 수 있다. 배터리(289)는 전자 장치(201)의 본체로 전력을 공급하거나 또는 외부 충전기를 통해 전원을 충전하는 역할을 수행할 수 있다. 예를 들어, 배터리(289)는 약 3.3 V 내지 4.3 V 범위의 전압을 출력할 수 있다. 이에 따라 완전 충전 시에는 배터리(289)는 약 4.3 V의 전압을 출력하고, 완전 방전 시에는 약 3.3 V의 전압을 출력할 수 있다.
일 실시 예에 따르면, 배터리(289)는 배터리 보호 회로(protection circuit module(PCM))를 포함할 수 있다. 배터리 보호 회로는 배터리(289)의 성능 저하 또는 소손을 방지하기 위한 다양한 기능(예: 사전 차단 기능)들 중 하나 이상을 수행할 수 있다. 배터리 보호 회로는, 추가적으로 또는 대체적으로, 셀 밸런싱, 배터리의 용량 측정, 충방전 횟수 측정, 온도 측정, 또는 전압 측정을 포함하는 다양한 기능들을 수행할 수 있는 배터리 관리 시스템(battery management system(BMS))의 적어도 일부로서 구성될 수 있다.
일 실시 예에 따르면, 배터리(289)의 사용 상태 정보 또는 충전 상태 정보의 적어도 일부는 센서 모듈(276) 중 해당하는 센서(예: 전류 센서, 전압 센서, 온도 센서), 또는 전력 관리 회로(288)를 이용하여 측정될 수 있다. 일 실시 예에 따르면, 상기 센서 모듈(276) 중 상기 해당하는 센서(예: 전류 센서, 전압 센서, 온도 센서)는 배터리 보호 회로의 일부로 포함되거나, 또는 이와는 별도의 장치로서 배터리(289)의 인근에 배치될 수 있다.
일 실시 예에 따르면, 충방전 회로(210)는 배터리(289)에 대한 충전 동작을 수행하는 충전부(211)와 배터리(289)에 대한 방전 동작을 수행하는 방전부(212)를 포함할 수 있다. 충방전 회로(210)는 배터리(289)에 대한 충전 동작 및 방전 동작을 선택적으로 실행하도록 구성될 수 있다. 충전부(211)는 외부 충전기를 통해 공급되는 전력을 배터리(289)에 요구되는 형태로 변환한 후 배터리(289)에 공급할 수 있다. 방전부(212)는 배터리(289)로부터 공급되는 전력을 전자 장치(201)의 본체 예컨대, 각 구성 요소들로 공급할 수 있다. 일 실시 예에 따르면, 충방전 회로(210)는 전력 관리 회로(288) 또는 프로세서(220)로부터 출력되는 제어 신호에 따라 배터리(289)에 전력을 공급하거나 배터리(289)로부터 공급되는 전압 또는 전류를 조절 가능하도록 스위칭 소자를 포함할 수 있다.
일 실시 예에 따르면, 센서 모듈(276)은 배터리(289)에 대한 전압 및 전류를 측정하도록 구성될 수 있으며, 그 구현에 따라 배터리(289)의 온도 또는 내부 저항을 추가적으로 측정하도록 구성될 수 있다. 일 실시 예에 따르면, 센서 모듈(276)은 배터리(289)에 공급되는 충전 전류를 측정하는 전류 센서, 배터리(289)의 양극과 음극 사이의 단자 전압을 측정하는 전압 센서, 배터리(289)의 온도를 측정하는 온도 센서를 포함할 수 있다. 센서 모듈(276)은 배터리(289)의 전류, 전압 및 온도를 실시간으로 또는 주기적으로 반복적으로 측정할 수 있으며, 이들 중 어느 하나에 대한 측정 주기는 나머지에 대한 측정 주기와 동일 또는 상이할 수 있다.
일 실시 예에 따르면, 전력 관리 회로(288) 및/또는 프로세서(220)는 예를 들어, 센서 모듈(276)을 이용하여 배터리(289)의 상태(예: 전압, 전류 및 온도)를 실시간 또는 주기적으로 모니터링하여, 배터리(289)의 상태에 따라 충방전 회로(210)에 의해 실행 가능한 동작들을 개별적으로 제어할 수 있다. 일 실시 예에 따르면, 전력 관리 회로(288) 및/또는 프로세서(220)는 배터리(289)의 상태를 측정한 정보에 적어도 일부 기반하여 배터리(289)의 충전과 관련된 충전 상태 정보(예: 수명, 과전압, 저전압, 과전류, 과충전, 과방전(over discharge), 과열, 단락, 또는 스웰링(swelling))를 결정할 수 있다.
일 실시 예에 따르면, 전력 관리 회로(288) 및/또는 프로세서(220)는 상기 결정된 충전 상태 정보에 적어도 일부 기반하여 배터리(289)의 정상 또는 이상 여부를 판단할 수 있다. 배터리(289)의 상태가 이상으로 판단되는 경우, 전력 관리 모듈(288) 및/또는 프로세서(220)는 배터리(289)에 대한 충전을 조정(예: 충전 전류 또는 전압 감소, 또는 충전 중지)할 수 있다. 일 실시 예에 따르면, 전력 관리 모듈(288)의 기능들 중 적어도 일부 기능은 외부 제어 장치(예: 프로세서(220))에 의해 또는 외부 제어 장치와 함께 수행될 수 있다.
일 실시 예에 따르면, 프로세서(220)는 배터리(289)의 전압, 전류, 온도 측정을 비롯하여 다양한 상태 정보를 획득하기 위한 동작을 제어할 수 있다. 일 실시 예에 따르면, 프로세서(220)는 배터리(289)에 대한 충전 상태(SOC: state of charge) 연산, 셀 밸런싱, 과충전, 과방전, 스웰링, 내부 단락(internal short), 급방전, 고온가속, 벤딩, 하단 눌림 중 적어도 하나를 판정하기 위한 소프트웨어를 실행할 수 있다.
일 실시 예에 따르면, 프로세서(220)는 충전 또는 방전 시 배터리(289) 내부에서 발생하는 다양한 배터리 이상 상태를 사전에 식별하기 위한 동작을 수행할 수 있다. 또한, 프로세서(220)는 충전 또는 방전 시 배터리(289)에 대한 벤딩(bending), 경질의 물체에 의한 눌림(dent)과 같은 외력에 의한 이상 상태를 식별하는 동작을 수행할 수도 있다.
일 실시 예에 따르면, 복수의 배터리 이상 상태들은 급방전, 스웰링, 내부 단락, 벤딩, 눌림과 같은 배터리 이상 상태들을 포함할 수 있으며, 이에 한정되는 것은 아닐 수 있다.
예를 들어, 배터리 이상 상태들 중 내부 단락 상태는 사용자가 전자 장치를 떨어뜨리거나 외부 물리적 힘에 의해 큰 충격이 가해진 경우 발생하는 현상일 수 있다.
또한, 배터리 이상 상태들 중 스웰링(swelling) 상태는 배터리 셀 내부의 압력이 급격히 증가하게 되어 캔이 부풀어 오르는 현상일 수 있다. 이러한 스웰링 상태는 리튬 이온 배터리 셀 전극의 발열이나 발화로 인해 가스가 생성되거나, 또는 과전압에 의한 전해액의 분해로 인하여 가스가 생성되는 경우와 같이 주로 셀 내부의 가스 생성으로 인해 발생할 수 있다. 게다가 이러한 스웰링 상태는 배터리 팩의 폭발을 야기할 수 있어 배터리 팩과 배터리 팩이 부착된 장치를 파괴할 수 있는데, 스웰링 현상이 발생한 후 높은 충전 전류를 배터리 셀로 계속 인가하는 경우에는 배터리 팩 폭발이 발생할 수 있다.
또한, 배터리 이상 상태 중 급방전 상태는 충전 또는 방전 동안에 급격하게 높은 출력값(또는 저항값)이 발생하는 상태이며, 충전과 방전이 교차하는 순간에 발생하는 현상일 수 있다.
일 실시 예에 따르면, 프로세서(220)는 충전 또는 방전 시 배터리(289) 상태를 모니터링하면서 과충전에 의한 스웰링 현상과 같은 다양한 배터리 상태를 실시간으로 감지하고 이를 통보할 수 있다. 일 실시 예에 따르면, 프로세서(220)는 다양한 배터리 이상 상태를 사전에 식별하여 배터리 상태 식별 결과를 표시함으로써 사용자 입장에서는 배터리 문제 상황을 한 눈에 확인할 수 있을 뿐만 아니라 이를 사전에 인지할 수 있다. 게다가 사용자 입장에서는 배터리 이상 상태에 따라 다르게 조치를 취할 수 있어, 더욱 효과적으로 배터리의 안전성을 확보할 수 있다. 이러한 사전 조치에 따라 스웰링의 진행을 막고 배터리 발화로 이어지는 배터리 소손을 사전에 방지할 수 있다.
일 실시 예에 따르면, 프로세서(220)는 정상 상태 및 적어도 하나의 이상 상태 하에 놓인 배터리들이 전자 장치(201)에 탑재되는 경우 출력될 수 있는 전압 및 전류 데이터와 관련된 확률 참조 정보를 배터리 충전 상태별로 구성하여 미리 메모리(230)에 저장해놓을 수 있다.
일 실시 예에 따르면, 프로세서(220)는 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108))로부터 확률 참조 정보를 수신할 수 있다.
일 실시 예에 따르면, 확률 참조 정보는 전압 및 전류 데이터와 관련된 확률 분포/밀도 함수(probability distribution/density function: 이하, PDF)를 포함하거나, 전압 및 전류 데이터와 관련된 확률 분포/밀도 데이터(또는 확률 분포/밀도 테이블)를 포함할 수 있다.
일 실시 예에 따르면, 프로세서(220)는 미리 구성해놓은(또는 미리 저장해놓은) 충전 상태별 전압 및 전류 데이터의 확률 참조 정보를 기초로, 실제 배터리가 전자 장치(201)에 탑재된 상태로 충전 시에 따른 일부 데이터를 확률 참조 정보에 적용하여, 배터리 이상 상태를 판단할 수 있다. 여기서, 배터리의 충전 상태(state of charge; SOC)는 배터리의 충전 상태를 포함할 수 있다. 또한, 배터리의 충전 상태는 배터리(289)의 현재 충전량, 충전 정도, 충전 레벨과 같은 용어로도 대체될 수 있다. 예를 들어, 상기 충전 상태라 함은 배터리(289) 내부에 충전된 전하(charge)량을 의미할 수 있다. 예를 들어, 배터리의 충전 상태는 배터리의 만충전 용량(full charge capacity: FCC)에 대한 잔량을 백분율로 표시하는 형태를 가질 수 있다.
일 실시 예에 따르면, 프로세서(220)는 부분 충전 상태 구간에 대한 전류 및 전압 데이터를 확률 참조 정보에 적용하여 배터리 이상 상태를 식별하기 위한 학습 모델의 학습 데이터로서 이용할 수 있다. 여기서, 상기 부분 충전 상태 구간에 대한 전류 및 전압 데이터는 실제 충전 시 배터리(289)에 대한 센싱 결과로서 획득되는 충전 상태에 대한 전류 및 전압 데이터일 수 있다.
일 실시 예에 따르면, 프로세서(220)는 부분 충전 상태 구간에 대한 전류 및 전압 데이터를 가능도 행렬(또는 복수의 가능도 값들)로 변환한 후, 가능도 행렬의 데이터를 학습 모델의 학습 데이터로서 이용할 수 있다.
일 실시 예에 따르면, 프로세서(220)는 부분 충전 상태 구간에 대한 전류 및 전압 데이터를 확률 참조 정보에 적용하여 가능도 행렬을 획득한 후, 가능도 행렬을 학습 모델의 학습 데이터로서 이용할 수 있다.
일 실시 예에 따르면, 메모리(230)는 배터리(289) 이상 상태를 식별하는 데 필요한 각종 데이터들, 명령어 및 소프트웨어를 저장할 수 있다. 일 실시 예에 따르면, 메모리(230)는 복수의 배터리 상태 각각에 대한 충전 상태별 확률 참조 정보를 저장할 수 있다.
일 실시 예에 따르면, 복수의 배터리 상태 각각에 대한 충전 상태별 확률 참조 정보는 실제 충전 시의 획득되는 일부 충전 상태 구간의 데이터를 비교하거나 적용하는데 이용될 수 있으며, 비교/적용 결과는 배터리 이상 상태를 식별하는데 이용될 수 있다.
일 실시 예에 따르면, 메모리(230)는 복수의 배터리 상태 각각에 대해 충전 상태별 전류 및 전압 데이터와 관련된 확률 참조 정보를 저장할 수 있다. 예를 들어, 메모리(230)는 배터리 정상 상태에서의 충전 상태별(예: 0% ~ 100%) 전류 및 전압 데이터와 관련된 확률 참조 정보, 배터리 이상 상태에서의 충전 상태별(예: 0% ~ 100%) 전류 및 전압 데이터와 관련된 확률 참조 정보를 저장할 수 있다.
일 실시 예에 따르면, 확률 참조 정보는 전압 및 전류 데이터와 관련된 확률 분포 함수를 포함하거나, 전압 및 전류 데이터와 관련된 확률 분포 데이터를 포함할 수 있다.
일 실시 예에 따르면, 각 충전 상태에 대응하는 확률 분포 함수는 전압에 대한 확률 분포 함수 및/또는 전류에 대한 확률 분포 함수를 포함할 수 있다. 여기서, 복수의 배터리 이상 상태들은 급방전, 스웰링, 내부 단락, 벤딩, 눌림 중 적어도 하나를 포함할 수 있다. 따라서 메모리(230)는 n 가지의 배터리 상태(예컨대, 정상 상태, 제1 이상 상태, … , 제 n-1 이상 상태)에 대해 충전 상태별 확률 분포 함수(또는, 전압 PDF 및 전류 PDF)를 저장할 수 있다.
일 실시 예에 따르면, 메모리(230)는 배터리 이상 상태를 식별하기 위한 상태 식별 프로그램을 저장할 수 있다. 일 실시 예에 따르면, 상기 상태 식별 프로그램은 학습 모델이라고 칭할 수 있으며, 상기 학습 모델은 일부 충전 상태 구간의 전압 및 전류 데이터(또는 가능도 행렬/데이터/정보) 또는 복수의 배터리 상태 각각에 대한 충전 상태별 전압 및 전류 데이터(또는 가능도 행렬/데이터/정보)를 통해 학습하고 식별 결과물을 만들어내는 알고리즘일 수 있다.
일 실시 예에 따르면, 프로세서(220)는 배터리(289)의 충전 시 배터리의 현재 전류, 전압과 같은 배터리 상태 정보를 수집하고, 충전 시 시간에 대응하는 전류 및 전압의 변화를 모니터링한 결과를 획득할 수 있다. 예를 들어, 프로세서(220)는 전력 관리 회로(288)로부터 실제 충전 시 상기 배터리 상태 정보를 획득할 수 있다. 여기서, 실제 충전 시 배터리 상태 정보는 일부 충전 상태 구간의 전압 및 전류 데이터일 수 있다.
이에 따라 프로세서(220)는 메모리(230)에 저장된 복수의 배터리 상태들 중 정상 상태 및 적어도 하나의 이상 상태에서의 충전 상태별 전압 및 전류 확률 분포 함수와, 실제 충전 시의 충전 상태 구간에 대한 전압 및 전류 데이터에 기반하여 배터리 이상 상태 여부를 판단할 수 있다. 일 실시 예에 따르면, 프로세서(220)는 일부 충전 상태 구간의 전압 및 전류 데이터(또는 가능도 행렬/데이터/정보)를 이용하여 실시간으로 또는 미리 설정된 주기마다 배터리 이상 상태를 식별할 수 있다.
다른 일 실시 예에 따르면, 프로세서(220)는 일부 충전 상태 구간의 전압 및 전류 데이터(또는 가능도 행렬/데이터)를 이용하여 학습 모델을 학습하고, 학습된 모델을 이용하여 실제 충전 시의 일부 충전 상태 구간의 전압 및 전류 데이터(또는 가능도 행렬/데이터)를 기반으로 배터리의 정상 또는 이상 상태를 식별할 수 있다. 여기서, 학습 모델에 대한 설명은 도 4에서 보다 구체적으로 설명하기로 한다.
일 실시 예에 따르면, 전자 장치(예: 도 1의 전자 장치(101), 도 2의 전자 장치(201))는, 배터리(289), 적어도 하나의 프로세서(220) 및 상기 적어도 하나의 프로세서(220)와 작동적으로 연결된 메모리(230)를 포함하며, 상기 메모리(230)는, 실행 시에, 상기 적어도 하나의 프로세서(220)가, 상기 배터리(289)의 충전 시의 충전 상태별 전압 및 전류 정보를 획득하고, 복수의 배터리 상태들과 관련된 확률 참조 정보에 근거하여, 상기 전압 및 전류 정보에 대한 복수의 가능도 값들(또는 가능도 정보/행렬)을 획득하고, 상기 복수의 가능도 값들(또는 가능도 정보/행렬)에 근거하여, 상기 배터리의 이상 유무 또는 배터리 상태를 식별하도록 하는 인스트럭션들을 저장할 수 있다.
일 실시 예에 따르면, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서(220)가, 상기 복수의 가능도 값들 또는 이들로부터 유도되는 이차 변수들에 근거하여 상기 배터리의 이상 유무 또는 배터리 상태를 식별할 수 있다.
일 실시 예에 따르면, 상기 복수의 배터리 상태들과 관련된 확률 참조 정보는, 입력된 충전 상태, 전압 및 전류에 대하여 배터리 상태별 가능도 값들을 출력하는 복수의 확률 분포 함수들을 포함할 수 있다.
일 실시 예에 따르면, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서(220)가, 상기 배터리(289)의 충전 시의 충전 상태별 전압 및 전류 정보를 상기 복수의 확률 분포 함수들을 이용하여 가능도 행렬로 변환하도록 설정될 수 있다.
일 실시 예에 따르면, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서(220)가, 전체 충전 상태 중 상기 배터리(289)의 충전 동안의 적어도 일부의 충전 상태별 전압 및 전류 정보에 대한 복수의 가능도 값들을 획득하도록 설정될 수 있다.
일 실시 예에 따르면, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서(220)가, 상기 적어도 일부의 충전 상태별 전압 및 전류 정보에 대한 복수의 가능도 값들을 이용하여 학습 모델에 의해 상기 배터리 상태를 식별하도록 설정될 수 있다.
일 실시 예에 따르면, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서(220)가, 상기 배터리(289)의 충전 시의 충전 상태별 전압 및 전류 정보를 상기 복수의 배터리 상태들과 관련된 확률 참조 정보에 적용한 결과를 이용하여 학습 모델에 의해 상기 배터리 상태를 식별하도록 설정될 수 있다.
일 실시 예에 따르면, 상기 복수의 배터리 상태들은, 정상 상태, 스웰링 상태, 고온 가속 상태, 벤딩 상태, 눌림 상태 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서(220)가, 상기 복수의 가능도 값들의 적어도 일부를 이용하여 배터리 건전 지표를 획득하고, 상기 획득된 배터리 건전 지표에 근거하여, 상기 배터리의 이상 유무를 식별하도록 설정될 수 있다.
일 실시 예에 따르면, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서(220)가, 상기 획득된 배터리 건전 지표를 미리 설정된 임계치와 비교하여, 상기 임계치 이하인 경우 상기 배터리의 이상을 식별하도록 설정될 수 있다.
일 실시 예에 따르면, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서(220)가, 상기 임계치 이하인 경우 상기 배터리의 이상을 식별하여, 상기 배터리의 이상에 대한 사전 알림을 제공하도록 설정될 수 있다.
도 3a는 다양한 충전 패턴에 따른 데이터 변화를 설명하기 위한 도면(300a)이며, 도 3b는 실제 충전 시 데이터 변화를 설명하기 위한 도면(300b)이다.
도 3a는 다양한 충전 패턴을 적용하여 동일한 배터리를 충전하는 상황에서, 충전 패턴 별로 충전 용량에 따른 배터리의 전압 증가 양상을 나타내는 그래프를 예시하고 있다. 도 3a에서는 일 예로, 세 가지의 서로 다른 정전류-정전압(CC-CV) 충전 패턴을 도시하고 있다. 여기서, 정전류-정전압 충전 패턴이란, 배터리 셀의 전압(예: 320A, 330A, 340A)이 미리 설정된 임계값(310)에 도달하기 전까지는 일정한 크기의 전류를 배터리에 인가하고, 배터리 셀의 전압이 임계값에 도달한 이후로는 해당 전압 레벨을 유지하기 위하여, 인가하는 전류의 크기를 점진적으로 낮추도록 설정된 충전 시나리오를 의미할 수 있다.
이때, 배터리 셀에는 내부 저항이 존재하므로, 배터리 셀에 큰 전류가 인가될수록, 배터리에 인가되는 실제 전압은 내부 저항과 전류 세기의 곱인 전압 상승 값만큼 증가할 수 있다. 이에 따라 도 3a에 도시된 바와 같이, 정전류-정전압 충전 패턴들에서 인가 전류의 세기가 큰 순서(320B, 330B, 340B)로 배터리 전압(320A, 330A, 340A)도 높게 나타날 수 있다.
한편, 다양한 충전 패턴에 대해 도 3a에서와 같은 충전 패턴 별로 충전 용량에 따른 배터리의 전압 증가 양상을 나타내는 배터리에 대해, 도 3b는 해당 배터리를 실제로 전자 장치에 탑재시켰을 경우 상기 전자 장치를 충전하면서 얻을 수 있는 실제 충전 패턴의 형태 중 가능한 일 예를 도시하고 있다.
실제로 전자 장치에 탑재된 배터리에 대한 충전 패턴은 도 3a에 도시된 바와 같이 곡선 형태로 균일하게 충전되는 것이 아니라, 도 3b에 도시된 바와 같이 매우 불규칙한 충전 패턴(350A, 350B)을 나타낼 수 있다. 예를 들어, 전자 장치의 사용자가 배터리 충전 시 서로 다른 세기의 출력을 가지는 충전기로 충전을 하는 경우, 충전 중 어플리케이션 프로세서(application processor; AP)의 과열로 스로틀링이 발생하는 경우에 강제로 충전 전류량을 낮추도록 하는 충전 시나리오를 탑재한 경우와 같이 사용자의 충전/방전 특성 혹은 전자 장치 자체의 특성에 의하여 다양한 충전 패턴들이 가변적으로 적용될 수 있기 때문에 불규칙한 충전 패턴이 나타낼 수 있다. 이와 같이 배터리 충전 시 항상 동일한 충/방전 시나리오가 아닌 다양한 충/방전 시나리오가 가변적으로 적용되기 때문에, 학습을 통해 다양한 충/방전 시나리오를 적용하여 배터리 이상 상태를 식별하는 방식에 대한 신뢰성을 높일 필요가 있다.
도 4는 일 실시 예에 따른 배터리 이상 상태를 식별하기 위한 학습 과정을 설명하기 위한 블록도(400)이다.
도 4를 참조하면, 전자 장치(401)(예: 도 1의 전자 장치(101), 도 2의 전자 장치(201), 프로세서(220))는 부분 충전 데이터 획득 모듈(410), 가능도 행렬 변환 모듈(420), 학습 모듈(430) 및 배터리 상태 식별 모듈(440)을 포함할 수 있다. 일 실시 예에 따르면, 상기 각 모듈(410, 420, 430, 440)에서의 동작은 도 2의 프로세서(220)에 의해 수행될 수도 있다.
일 실시 예에 따른 부분 충전 데이터 획득 모듈(410)은 배터리에 대한 데이터를 획득할 수 있다. 일 실시 예에서, 부분 충전 데이터 획득 모듈(410)은 하나의 배터리에 대한 데이터 또는 정상 상태 및 적어도 하나의 이상 상태 하에 놓인 복수 개의 배터리들이 전자 장치(401)에 탑재되었을 때 출력되는 전압 및 전류 분포와 관련된 데이터를 획득할 수 있다. 일 실시 예에 따르면, 충/방전 시의 배터리에 대한 전압 및 전류와 관련된 데이터는 사전에 다양한 배터리 실험을 통해 획득되어 확률 참조 정보로서 미리 저장된 것일 수 있다.
일 실시 예에 따른 부분 충전 데이터 획득 모듈(410)은 전자 장치(401)에 탑재된 배터리에 대한 전압 및 전류를 실시간으로 측정하여 전압 및 전류 분포와 관련된 데이터를 획득할 수 있다. 또한, 부분 충전 데이터 획득 모듈(330)은 배터리 충전이 시작되면, 메모리(예: 도 2의 메모리(230))에 미리 저장된 복수의 배터리 상태 각각에 대해 충전 상태별로 구성한 전압 및 전류와 관련된 데이터를 메모리로부터 가져올 수 있다. 여기서, 상기 미리 저장된 배터리에 대한 데이터를 실제 충전 시의 데이터와의 비교를 위한 비교 데이터 또는 샘플 데이터라고 칭할 수 있다.
일 실시 예에 따르면, 상기 샘플 데이터는 정상 상태 및 적어도 하나의 이상 상태 하에 놓인 복수 개의 배터리들이 전자 장치(401)에 탑재되었을 때 상기 다양한 배터리 상태를 미리 실험한(또는 시뮬레이션한) 데이터에 대응할 수 있다. 예를 들어, 샘플 데이터는 다양한 상황에 놓인 배터리를 100 %까지 충전하는 동안의 상기 배터리에 대한 전압 및 전류를 실험을 통해 실시간으로 측정한 데이터를 포함할 수 있다. 이와 같이 샘플 데이터는 정상 상태 배터리 또는 이상 상태 배터리로부터 개별적으로 획득될 수 있으며, n 가지의 서로 다른 배터리 상태(예컨대, 정상 상태, 제1 이상 상태, … , 제 n-1 이상 상태)에 대해 충전 상태별 전압 및 전류와 관련된 데이터를 포함할 수 있다.
일 실시 예에 따르면, 부분 충전 데이터 획득 모듈(410)은 n 가지의 서로 다른 배터리 상태에 대해 전압 및 전류 분포 특성을 기술하는 함수족 {Fs}0 ≤ s ≤ 100 을 각각 구성할 수 있다. 예를 들어, 설명의 편의를 위해 이하에서는 n 가지의 서로 다른 배터리 상태(예컨대, 정상 상태, 제1 이상 상태, … , 제 n-1 이상 상태)의 경우들에 대하여 각각 함수족 {Fs,j} 0 ≤ s ≤ 100를 구성한 경우를 예로 들어 설명하기로 한다. 여기서, 함수족 {Fs,j} 0 ≤ s ≤ 100 의 아래 첨자 j는 주어진 함수족이 어떤 이상 상태에 놓인 배터리로부터 얻어진 전압-전류 순서쌍 집합으로부터 구성되었는가를 나타내기 위한 것으로서, 상기 j 는 n 이하의 자연수일 수 있다.
일 실시 예에서, 정상 상태는 손상을 입지 않은 출고 상태의 배터리 또는 열화되지 않은 BoL(beginning of life) 상태의 배터리 상태일 수 있으며, 복수의 이상 상태는 고온/고습 환경에서 스웰링 현상에 의해 변형이 발생한 배터리 상태, 고율 충전의 반복에 의하여 내부 저항의 급격한 증가가 발생한 배터리 상태, 내부 단락에 의하여 발열 및 용량 손실이 발생한 배터리 상태를 포함할 수 있으며, 이외에도 다양한 이상 상태 하에 놓인 배터리 셀/팩들을 나타내는 배터리 상태를 더 포함할 수 있다.
일 실시 예에 따르면, 부분 충전 데이터 획득 모듈(410)은 전자 장치(401)에 실제 탑재된 배터리를 충전(또는 방전)하는 동안 상기 배터리에 대한 전압 및 전류를 실시간으로 측정하여 전압 및 전류 분포와 관련된 데이터를 획득할 수 있다. 여기서, 부분 충전 데이터 또는 충전 데이터는 배터리가 일정 구간의 충전 상태들을 거치며 충전되는 동안의 획득되는 충전 상태, 전류 및 전압 쌍에 대응할 수 있다. 예를 들어, 부분 충전 데이터는 배터리를 일정 %까지 충전하는 동안 획득되는 m개의 충전 상태, 전류 및 전압 쌍을 하나의 행으로 하는 행렬을 나타낼 수 있으며, 부분 충전 곡선이라고 칭할 수 있다. 예를 들어, 20 %까지 충전하는 동안 5% 충전 상태 단위로 전류 및 전압을 측정한 경우, 부분 충전 데이터 획득 모듈(410)은 5 % 의 충전 상태일 경우의 전류 및 전압 데이터, 10 % 의 충전 상태일 경우의 전류 및 전압 데이터, 15 % 의 충전 상태일 경우의 전류 및 전압 데이터, 20 %의 충전 상태일 경우의 전류 및 전압 데이터와 같이 총 m개 즉, 4개의 충전 상태, 전류 및 전압 쌍을 획득할 수 있다.
한편, 충/방전 시의 배터리에 대한 전압 및 전류 데이터로부터 확률 분포 함수를 획득한다는 것은, 정상 상태 또는 복수의 이상 상태 하에 놓인 배터리들을 전자 장치에 탑재한 상태로 충전 또는 방전하였을 때 얻어지는 충전 상태별 전압 및 전류의 히스토그램으로부터 확률 밀도 함수의 성질(예: F(V, I) >= 0, ∬F(V, I)dVdI = 1)을 만족하는 함수 F를 결정하는 것을 의미할 수 있다. 여기서, 함수 F 는 PDF를 나타내며,‘dV'는 모든 전압을 나타내며, ‘dI'는 모든 전류를 나타내며, 상기 ‘∬F(V, I)dVdI = 1’는 확률 총합이 1(예: 100 %)을 넘을 수 없음을 의미할 수 있다.
한편, 사용자 시나리오에 따라 단일한 전자 장치일지라도 시간에 따라 서로 다른 충전 패턴(또는 충전 프로파일)이 적용될 수 있다. 이러한 상황에서는 충전 상태별 전압/전류가 단순한 단봉형(unimodal) 정규 분포를 이룰 것이라고 가정할 수 없으므로, 일 실시 예에 따라 커널 밀도 추정(kernel distribution estimation)을 적용함으로써, 부분 충전 데이터 획득 모듈(410)은 다양한 충전 패턴들로부터 얻어진 전압/전류 분포 실측치를 반영한 충전 상태별 전압/전류와 관련된 데이터를 획득할 수 있다.
여기서, 커널 밀도 추정 방식을 간략하게 설명하면, n개의 변량으로 구성된 데이터 집합 {xi}1 ≤ i ≤ n 의 분포를 기술하는 확률 밀도 함수 f 를 얻기 위하여, 각 변량 xi 를 중심치로 하는 n개의 국소 분포 함수를 커널 함수를 이용하여 구한 뒤 이들을 모두 합산하는 방식을 취할 수 있다.
구체적으로, 커널 함수를 'K'라고 할 경우 하기 수학식 1을 만족해야 하며, 하기 수학식 1은 커널 함수 K가 만족하여야 하는 특성 조건을 나타내고 있다.
Figure PCTKR2021009321-appb-M000001
상기 수학식 1에서는, 커널 함수 K(x)는 정의역(domain) 전체에서 양수인 우함수(또는 대칭함수)여야 한다는 조건을 나타내고 있다. 가우시안(Gaussian), 양수 a에 대하여 폐구간 [-a/2, a/2]에서 함숫값 a로 정의된 상수함수 등 다양한 적분 가능함수가 상기 조건을 만족시킬 수 있다. 본 발명에서 추후 상술할 실시예들의 경우 특별한 언급이 없는 한 대칭 이파네치니코브(Epanechnikov) 함수를 커널 함수로 사용하고 있으나, 이러한 사실이 본 발명에서 사용 가능한 커널 함수를 이에 제한하는 것은 아니다.
상기 수학식 1의 조건을 만족하여 얻어지는 최종 확률 밀도 함수 f 의 형태는 하기 수학식 2와 같을 수 있다. 하기 수학식 2는 커널 밀도 추정에 의해 계산된 단일변량 {xi}1 ≤ i ≤ n 의 확률 밀도 함수 f 를 나타내고 있다.
Figure PCTKR2021009321-appb-M000002
상기 수학식 2에서 변수 h는 커널 함수의 대역폭(bandwidth) 값으로, 이 수치가 0에 근접할수록 커널 함수는 델타 함수(delta function)에 가까운 형태가 될 수 있다.
상기 수학식 2를 이용하면, 충전 상태 s에서 전압-전류 변량의 순서쌍 ns개의 집합 {Vs,i, Is,i}1 ≤ i ≤ ns 이 주어졌을 때, 이를 독립된 전압 변량의 집합 {Vi}1 ≤ i ≤ ns 과 전류 변량의 집합 {Ii}1 ≤ i ≤ ns으로 분리하여, 이들 각각에 대한 확률 밀도 함수 fvoltage,s 와 fcurrent,s 를 구성할 수 있다. 예를 들어, 함수 fvoltage,s 는 전압과 관련된 데이터, 전압 데이터와 관련된 확률 분포/밀도 함수(또는 전압 PDF)라고 칭할 수 있으며, 함수 fcurrent,s는 전류와 관련된 데이터, 전류 데이터와 관련된 확률 분포/밀도 함수(또는 전류 PDF)라고 칭할 수 있다. 상기와 같은 방식으로 충전 상태 s에 대해 전압 및 전류에 관련된 확률 분포 함수를 획득할 수 있다.
일 실시 예에 따른 가능도 행렬 변환 모듈(420)은 상기 부분 충전 데이터 획득 모듈(330)로부터 획득되는 데이터를 길이 n인 가능도(likelihood) 벡터로 변환 및 적층하여, 최종적으로 m × n 크기의 가능도 행렬 또는 정규화된 가능도 행렬을 구성할 수 있다.
예를 들어, 부분 충전(예: ~ %까지의 충전) 동안 m 개의 충전 상태-전압-전류 쌍을 획득할 수 있을 때 정상 상태에 대해 정상 상태 × m 개의 데이터를 획득할 수 있으며, 제1 이상 상태에 대해서는 제1 이상 상태 × m 개의 데이터를 획득할 수 있다. 이에 따라 n 가지의 배터리 상태에 대해서는 총 m × n 개의 데이터를 획득할 수 있다. 이러한 m × n 개의 데이터를 가능도 행렬 데이터라고 칭할 수 있다. 일 실시 예에 따르면, 이러한 가능도 행렬 데이터의 일부 또는 전체를 이용한다면 배터리 이상 여부를 식별할 수 있다.
구체적으로, 상기 수학식 2를 통해 충전 상태 s에 대해 전압 및 전류와 관련된 확률 분포 함수를 획득하게 되면, 이를 이용하여 전체 충전 상태(예: 0% ~ 100%)별 전압 및 전류 확률 분포 함수 간의 관계를 나타내는 함수 F를 구할 수 있다. 여기서, 함수 F는 배터리 상태에 대한 충전 상태별 전압 및 전류와 관련된 확률 분포 함수의 집합으로, 복수의 배터리 상태들과 관련된 확률 참조 정보라고 칭할 수 있다.
이러한 함수 F를 이용한다면 실제 충전 시 획득되는 일부 충전 상태 구간에 대한 전압 및 전류와 관련된 데이터가 어느 배터리 상태에 속하는지를 식별할 수 있다. 예를 들어, 함수 F는 충전 상태 s일 경우의 전압 및 전류와 관련된 데이터를 복수의 배터리 상태 각각에 대한 충전 상태별 전압 및 전류 확률 분포 함수에 적용하여, 특정 배터리 상태에 속할 가능성을 수치화하는 역할을 할 수 있다.
복수의 배터리 상태들 중 어느 한 상태에 속할 가능성을 수치화하는 역할을 하는 함수 F를 하기 수학식 3와 같이 구할 수 있다.
Figure PCTKR2021009321-appb-M000003
상기 수학식 3은, 전압 및 전압에 대한 집합 {Vs,i, Is,i}1 ≤ i ≤ ns 의 분포를 기술하는 확률 밀도 함수 F 의 표현식일 수 있다.
구체적으로, 상기 수학식 3에서 함수 Fs 는 충전 상태 s에서 배터리 전압 값이 V 이고, 전류 값이 I 일 점확률 (point probability) 혹은 가능도 수치를 반환하는 함수이다. 상기 수학식 3에서 fvoltage,s 는 충전 상태 s에서 얻어진 ns개 전압 값의 집합 {Vs,i} 1 ≤ i ≤ ns 을 대상으로 대역폭 hvoltage의 커널 분포 추정을 상기 수학식 2에 따라 적용하여 얻어진, 전압 분포에 대한 확률 밀도 함수(또는 전압 PDF)일 수 있다. 또한 상기 수학식 3에서 fcurrent,s 는 충전 상태 s에서 얻어진 ns개 전류 값의 집합 {Is,i} 1 ≤ i ≤ ns 을 대상으로 대역폭 hcurrent의 커널 분포 추정을 상기 수학식 2에 따라 적용하여 얻어진, 전류 분포에 대한 확률 밀도 함수(또는 전류 PDF)이다.
한편, fvoltage,s 와 fcurrent,s 는 각각 커널 분포 추정에 의하여 얻어진 함수로서 확률 밀도 함수의 기본 성질을 만족하므로, {Fs} 0 ≤ s ≤ 100는 각 충전 상태 s에서 2차원 확률 밀도 함수의 기본 성질 (F(V, I) >= 0, ∬F(V, I)dVdI = 1)을 만족하는 함수들의 집합(또는 함수족)이 될 수 있다. 여기서, 상기 수학식 3에서 함수 Fs 의 아래 첨자 s는 배터리의 충전 상태로서 배터리의 만충전 용량에 대한 잔량을 백분율로 표시하는 형태를 가질 수 있다. 이에 따라 아래첨자 s의 범위는 100 이하의 자연수 또는 0일 수 있으나, 충전 상태의 범위가 반드시 0 - 100으로 정해지는 것은 아니다.
실제 전자 장치에 탑재된 배터리 충전 동안에 상기 배터리에 대한 부분 충전 데이터를 획득하였을 때, 가능도 행렬 변환 모듈(420)은 획득된 부분 충전 데이터를 이용하여 가능도 행렬을 구성할 수 있다. 예를 들어, 충전이 시작되어 충전이 이루어지는 시간 동안 배터리에 대한 전류 및 전압과 관련된 데이터를 획득할 수 있는데, 이를 부분 충전 데이터라고 칭할 수 있으며, 다르게는 부분 충전 곡선이라고 칭할 수도 있다.
만일, 배터리를 충전하는 동안에 배터리에 대한 전류 및 전압 측정에 대한 결과로 부분 충전 곡선 C 를 획득한 경우를 예로 들어 설명해보면, 부분 충전 곡선 C 는 일정 시간 구간 동안 전자 장치가 획득한 m개의 충전 상태-전압-전류 쌍들로 구성된 집합 {si, Vi, Ii}1 ≤ i ≤ m 를 의미할 수 있다. 만일 3가지 경우(예컨대, 정상 상태, 제1 이상 상태, 제2 이상 상태)의 배터리 상태 각각에 대한 충전 상태별 전류 및 전압 확률 분포 함수가 미리 저장된 상태인 경우, 상기 부분 충전 곡선 C 는 m Х 3 크기의 행렬 혹은 배열로 취급될 수 있다.
일 실시 예에 따른 가능도 행렬 변환 모듈(420)은 전자 장치에 미리 저장해놓은 충전 상태별 전류 및 전압 확률 분포 함수 예컨대, 0부터 100 이내의 충전 상태에 대한 함수족 {Fs,j} 0 ≤ s ≤ 100을 참조하여 C 를 가능도 행렬 LC로 변환할 수 있다.
상기 가능도 행렬 LC는 하기 수학식 4와 같이 표현될 수 있다.
Figure PCTKR2021009321-appb-M000004
상기 수학식 4에서, 상기 si는 충전 상태값(예: SOC 값)을 나타내며, j는 복수의 배터리 상태들 중 어느 하나의 이상 상태를 나타낼 수 있다. 예를 들어, 상기 수학식 4와 같은 가능도 행렬 LC는 부분 충전 곡선 C = {si, Vi, Ii}1 ≤ i ≤ m 을 확률 분포 함수족 {Fs,j} 0 ≤ s ≤ 100, 0 ≤ j ≤ n에 의해 변환하여 획득한 것일 수 있다.
상기 수학식 4에서의 분자는 입력된 충전 상태-전압-전류 순서쌍(si, Vi, Ii)가 이상 상태 j에 속할 가능도를 나타낼 수 있다. 또한, 상기 수학식 4에서의 분자는 동일한 순서쌍이 각 이상 상태에 속할 가능도를 각각 구하여 그 합을 구한 것이다. 따라서 상기 수학식 4에서의 Lc(i,j)는 주어진 충전 상태-전압-전류 순서쌍(si, Vi, Ii)이 복수의 배터리 상태들 중 특정한 상태 j에 속할 가능성을 수치화하는 하나의 방식을 제공하는 역할을 할 수 있다.
일 실시 예에 따르면, 상기 수학식 4에서의 분모 항 없이도 충전 상태-전압-전류 순서쌍(si, Vi, Ii)이 복수의 배터리 상태(예컨대, 정상 상태, 제1 이상 상태, … , 제 n-1 이상 상태) 중 어느 배터리 상태에 속할지에 대한 가능성을 수치화할 수 있다. 따라서 상기 수학식 4에서의 분모 항은 생략될 수 있으나, 상기 가능도 행렬은 학습 모델을 학습시키는 데 있어 학습 효율의 향상을 위해 이용될 수 있다는 점을 고려하여 상기 분모 부분이 추가된 것일 수 있다. 따라서 가능도 행렬을 구성하는 방법이 이에 한정되는 것은 아니며, 가능도 행렬의 각 구성 요소는 다양한 형태로 변형될 수 있다. 예를 들어, 부분 충전 곡선의 각 순서쌍과 확률 분포 함수족 {Fs,j} 0 ≤ s ≤ 100, 0 ≤ j ≤ n 을 이용하여 어떠한 배터리 상태에 해당하는지를 수치화할 수 있는 것이라면 가능도 행렬의 각 구성요소는 다양한 형태로 변형되는 것이 가능할 수 있다.
일 실시 예에 따르면, 다양한 배터리 상태에 대해 충전 상태별 전압-전류 분포를 나타내는 확률 분포 함수족 {Fs,j} 0 ≤ s ≤ 100, 0 ≤ j ≤ n 은 복수의 배터리 상태 각각에 대해 충전 상태별로 구성한 전압 및 전류와 관련된 데이터로서 미리 구성되어 메모리(230)에 저장된 것일 수 있다.
한편, 일 실시 예에 따른 학습 모듈(430)은 배터리 이상 상태를 식별하기 위한 학습 모델을 학습시킬 수 있다. 일 실시 예에 따르면, 학습 모듈(430)은 부분 충전 데이터 획득 모듈(410)로부터 획득되는 부분 충전 데이터(예: 부분 충전 곡선 C)를 학습을 위한 입력 데이터로 이용할 수 있다. 다른 실시 예에 따르면, 학습 모듈(430)은 가능도 행렬 변환 모듈(420)로부터 획득되는 가능도 행렬의 일부 또는 전체 데이터(예: Lc(i,j))를 기반으로 상기 학습 모델을 학습할 수 있다. 예를 들어, 학습 모듈(430)은 기계학습 모델로, 다층 퍼셉트론(MLP), 랜덤포레스트와 같은 학습 모델을 통해 딥러닝을 수행할 수 있다.
일 실시 예에 따른 배터리 상태 식별 모듈(440)은 다양한 배터리 상태에 대해 학습 모듈(430)에 의한 학습 결과에 기반하여 실제 충전 동안의 배터리에 대한 이상 상태 여부를 식별할 수 있다.
일 실시 예에 따른 배터리 상태 식별 모듈(440)은 학습 모듈(430)에서의 학습 모델을 이용하여 배터리 상태를 식별할 수 있는데, 상기 학습 모델은 사전에 학습된 것일 수 있다. 예를 들어, 배터리 상태 식별 모듈(440)은 하나의 배터리 또는 복수의 배터리에 대한 다양한 부분 충전 곡선에 기반하여 생성된 가능도 행렬에 의해 사전 학습된 기계학습 모형을 이용하여 배터리의 이상 상태에 대한 식별을 할 수 있다.
일 실시 예에 따르면, 가능도 행렬의 데이터가 학습 모듈(430)의 입력 데이터로 이용되는 경우, 배터리 상태 식별 모듈(440)은 배터리가 정상 상태에 있는지 또는 특정 상태의 이상이 발생하였는지를 학습 모듈(430)의 출력으로부터 제공받을 수 있다. 이에 따라 배터리 상태 식별 모듈(440)은 이러한 학습을 통해 일부 충전 상태 구간에서의 배터리 관련 데이터(예: 부분 충전 곡선 C)만으로도 충분히 전자 장치에 탑재된 배터리가 이상 상태에 놓여졌는지를 즉시 또는 사전에 식별할 수 있을 뿐만 아니라 어떠한 형태의 이상 상태인지도 구분할 수 있어, 빠르고 정확한 식별이 가능할 수 있다.
다른 실시 예에 따른 배터리 상태 식별 모듈(440)은 충전 시 배터리에 대한 가능도 행렬의 일부 또는 전체 데이터를 이용하여 배터리 건전 지표(health index)를 산출할 수 있다. 배터리 상태 식별 모듈(440)은 상기 가능도 행렬로부터 산출된 배터리 건전 지표를 이용하여 배터리 이상 여부를 식별할 수 있다. 예를 들어, 배터리 상태 식별 모듈(440)은 충전 도중에 배터리 건전 지표가 미리 설정된 임계치 이하에 도달할 경우 배터리에 이상이 있다고 식별할 수 있다. 일 실시 예에 따르면, 배터리 이상 상태가 발생하기 전 사용자가 이를 인지하거나 조치를 취할 수 있도록 상기 임계치가 미리 정해질 수 있다.
이하, 배터리 건전 지표를 이용한 배터리 이상 상태에 대한 식별 방법을 설명하기로 한다.
일 실시 예에 따르면, 다양한 배터리 상태에 대해 충전 상태별 전압-전류 분포를 나타내는 확률분포함수족 {Fs,j} 0 ≤ s ≤ 100, 0 ≤ j ≤ n 이 이미 구성되어 저장되어 있다고 가정해보면, 실제 충전에 대응하여 배터리에 대한 부분 충전 곡선 C가 획득되었을 때 가능도 행렬은 상기 수학식 4에 기반하여 획득될 수 있다. 따라서 가능도 행렬 변환 모듈(420)에서 부분 충전 곡선 C에 대해 가능도 행렬 LC를 구할 수 있다. 이에 대응하여, 배터리 상태 식별 모듈(440)은 가능도 행렬 변환 모듈(420)에 의해 산출된 가능도 행렬 LC를 이용하여 배터리 건전 지표를 결정할 수 있다. 예를 들어, 부분 충전 곡선 C가 배터리 상태 j 하에 있을 가능성을 배터리 건전 지표를 이용하여 나타낼 수 있다.
일 실시 예에 따르면, 배터리 상태 식별 모듈(440)은 하기 수학식 5에 기반하여 상기 가능도 행렬 LC를 배터리 건전 지표로 변환할 수 있다.
Figure PCTKR2021009321-appb-M000005
상기 수학식 5는, 배터리 상태 j에 대한 배터리 건전 지표 HIj 를 나타내며, 상기 HIj는 부분 충전 곡선 C가 배터리 상태 j에 속할 가능성을 나타내는 값일 수 있다. 상기 수학식 5에 따르면, 배터리 상태 식별 모듈(440)은 부분 충전 곡선 C에 대해 총 m개의 가능도 행렬 LC를 구할 수 있으며, 이를 그 개수 m개로 나누어 평균값을 구함으로써 배터리 정상 상태인지 이상 상태인지를 식별할 수 있다.
만일 상기 수학식 5를 통해 결정된 배터리 건전 지표가 이상상태 j에 대한 임계치 Tj 이하인 경우, 배터리 상태 식별 모듈(440)은 사용자에게 배터리가 이상 상태 j에 놓인 것을 알릴 수 있다. 여기서, 임계치 Tj는 실제 이상 상태 j에 놓인 배터리를 탑재한 전자 장치로부터 획득한 n 개의 부분 충전 곡선 데이터 {Ck}1 ≤ k ≤ N 들로부터 각각 계산된 배터리 건전 지표들의 평균 혹은 배터리 건전 지표들의 값들 중 하한값에서 정해질 수 있다.
한편, 배터리 상태 식별 모듈(440)은 충전 도중에 배터리 건전 지표가 미리 설정된 임계치 이하에 도달할 경우 배터리에 이상이 있다고 식별할 수 있다. 일 실시 예에서, 상기 수학식 5의 배터리 건전 지표는 배터리의 소손 징후를 사전에 감지하기 위하여 사용될 수 있으며, 이에 대한 구체적으로 설명은 도 7에서 후술하기로 한다.
도 5는 일 실시 예에 따른 충전 상태별 전압 및 전압에 대한 확률 밀도 함수를 예시한 도면(500)이다.
도 5를 참조하면, 제1 그래프(510)는 배터리에 대한 충전 상태에 따른 전압의 변화를 예시적으로 나타내고 있으며, 제2 그래프(520)는 배터리에 대한 충전 상태에 따른 전압의 변화를 예시적으로 나타내고 있다. 제1 그래프(510)에서 가로축은 전압을 나타내고, 세로축은 충전 상태(SOC)를 나타내고 있다. 여기서, 제1 그래프(510)에서는 0 ~ 100 %의 충전 상태들 중 충전 상태 5% 단위로 전압 데이터를 예시하고 있는데, 굵은 선(예: 560)은 이상 상태에 해당하는 배터리에 대한 충전 상태 5 % 마다의 전압의 변화를 예시하고 있는 것이며, 가는 선(예: 550)은 정상 상태에 해당하는 배터리에 대한 충전 상태 5 % 마다의 전압의 변화를 예시하고 있다.
또한 제2 그래프(520)에서 가로축은 전류를 나타내고, 세로축은 충전 상태(SOC)를 나타내고 있다. 제1 그래프(510)에서와 같은 방식으로, 제2 그래프(520)에서도 굵은 선은 이상 상태에 해당하는 배터리에 대한 충전 상태 5 % 마다의 전류의 변화를 예시하고 있는 것이며, 가는 선은 정상 상태에 해당하는 배터리에 대한 충전 상태 5 % 마다의 전류의 변화를 예시하고 있다.
제2 그래프(520)를 참조하면, 배터리에 대한 정상적인 충전 상태의 경우에는 배터리에 대한 전류는 대체적으로 예컨대, 3A(Ampere)에 가깝게 측정될 수 있다. 반면, 배터리 발열과 같은 이유로 발열을 낮추는 충전 상태의 경우에는 배터리에 대한 전류는 대체적으로 1.3A에 가깝게 측정될 수 있다.
도 5에 도시된 바와 같이 제1 그래프(510)는 정상 배터리와 특정 이상 상태 하에 놓인 배터리에 대해 커널 분포 추정법으로 얻어진 전압 분포 함수 fvoltage,s 와 전류 분포 함수 fcurrent,s 를 다양한 충전 상태 s(예: 충전 상태 5 % 단위로)에 대해 도시하고 있다.
도 5를 참조하면, 제2 그래프(520)에서와 같이 배터리 이상 상태와 배터리 정상 상태의 경우 전류 분포 특성의 차이가 거의 없으나, 전압의 경우에는 제1 그래프(510)에서와 같이 배터리 이상 상태의 전압 분포와 배터리 정상 상태의 전압 분포가 달라질 수 있다. 여기서, 도 5에서는 정상 상태와 1 개의 이상 상태의 배터리에 대한 전압 및 전류 변화를 예시하고 있으나, 예를 들어, 복수의 이상 상태 각각의 전압 분포는 정상 상태의 전압 분포와는 다를 수 있으며, 설명의 편의를 위해 도 5에서는 정상 상태와 1개의 이상 상태를 예로 들어 설명하였을 뿐, 이에 한정되는 것은 아닐 수 있다.
이와 같이 배터리 상태(예: 정상 상태, 이상 상태)는 충전 상태-전류 분포 특성-전압 분포 특성으로 이루어지는 한 쌍과 높은 상관 관계를 가짐을 알 수 있다. 따라서 일 실시 예에 따른 배터리 이상 상태를 식별하기 방법은, 충전이 진행됨에 따라 예컨대, 충전 상태가 0 %에서 100 %으로 증가할 경우 배터리의 상태에 대해 전류 분포는 일정한 특성을 가지는 반면 전압 분포는 배터리 상태별로 달라지는 특성을 이용할 수 있다. 따라서 전자 장치에서 배터리 이상 상태 식별을 위해 실제 충전 시 충전 상태, 충전 상태에 대한 전류 데이터 및 전압 데이터를 획득한 후, 상기 특성을 이용한다면 어떠한 배터리 상태에 속하는지를 식별할 수 있다.
도 5에 도시된 바와 같이 이상 상태 배터리의 분포 함수가 정상 상태 배터리의 분포 함수로부터 전압 혹은 전류 축에서 편이(shift)를 일으키는 것을 확인할 수 있으며, 이러한 특성은 분포함수 F를 이용한다면 배터리 이상 상태를 식별할 수 있는 근거가 될 수 있다.
도 6은 일 실시 예에 따른 전자 장치에서 배터리 이상 상태를 식별하기 위한 동작 흐름도이다.
도 6을 참조하면, 동작 방법은 610 내지 620 동작들을 포함할 수 있다. 동작 방법의 각 단계/동작은, 전자 장치(예: 도 1 및 도 2의 전자 장치(101 또는 201)), 전자 장치의 적어도 하나의 프로세서(예: 도 1 및 도 2의 프로세서(120, 220)) 중의 적어도 하나에 의해 수행될 수 있다. 일 실시 예에서, 610 내지 620 동작들 중 적어도 하나가 생략되거나, 일부 동작들의 순서가 바뀌거나, 다른 동작이 추가될 수 있다.
610 동작에서 전자 장치(예: 도 1 및 도 2의 전자 장치(101 또는 201), 또는 프로세서(220))는 배터리(예: 도 2의 배터리(289))의 충전 시의 충전 상태별 전압 및 전류 정보를 획득할 수 있다. 예를 들어, 전자 장치에 장착된 배터리에 대한 충전이 시작되면, 충전이 진행됨에 따라 실시간으로 또는 주기적으로 충전 상태별 전압 및 전류 정보를 획득할 수 있다. 예를 들어, 전자 장치는 충전 시 배터리에 대한 충전 상태 정보를 센서 모듈(예: 도 2의 센서 모듈(276)) 중 해당하는 센서(예: 전류 센서, 전압 센서), 또는 전력 관리 회로(예: 도 2의 전력 관리 회로(288))를 이용하여 측정함으로써 획득할 수 있다. 이와 마찬가지로 일 실시 예에서는 충전 시의 충전 상태별 전압 및 전류 정보를 획득하는 경우를 예로 들어 설명하나, 방전 시에는 배터리의 사용 상태 정보를 측정함으로써 방전 상태별 전압 및 전류 정보를 획득할 수 있으므로, 이하의 동작들은 방전 시에도 동일하게 적용될 수 있다.
615 동작에서 전자 장치는 복수의 배터리 상태들과 관련된 확률 참조 정보에 근거하여, 상기 전압 및 전류 정보에 대한 복수의 가능도 값들을 획득할 수 있다.
일 실시 예에 따르면, 상기 복수의 배터리 상태들과 관련된 확률 참조 정보는, 입력된 충전 상태, 전압 및 전류에 대하여 배터리 상태별 가능도 값들을 출력하는 복수의 확률 분포 함수들을 포함할 수 있다.
일 실시 예에 따르면, 상기 전압 및 전류 정보에 대한 복수의 가능도 값들을 획득하는 동작은, 상기 배터리의 충전 시의 충전 상태별 전압 및 전류 정보를 상기 복수의 확률 분포 함수들을 이용하여 가능도 행렬로 변환하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 전압 및 전류 정보에 대한 복수의 가능도 값들을 획득하는 동작은, 전체 충전 상태 중 상기 배터리의 충전 동안의 적어도 일부의 충전 상태별 전압 및 전류 정보에 대한 복수의 가능도 값들을 획득하는 동작을 포함할 수 있다.
620 동작에서 전자 장치는 상기 복수의 가능도 값들에 근거하여, 상기 배터리의 이상 유무 또는 배터리 상태를 식별할 수 있다.
일 실시 예에 따르면, 전자 장치는, 상기 복수의 가능도 값들 또는 이들로부터 유도되는 이차 변수들에 근거하여 상기 배터리의 이상 유무 또는 배터리 상태를 식별할 수 있다.
일 실시 예에 따르면, 상기 배터리의 이상 유무 또는 배터리 상태를 식별하는 동작은, 상기 적어도 일부의 충전 상태별 전압 및 전류 정보에 대한 복수의 가능도 값들을 이용하여 학습 모델에 의해 상기 배터리 상태를 식별하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 배터리의 이상 유무 또는 배터리 상태를 식별하는 동작은, 상기 배터리의 충전 시의 충전 상태별 전압 및 전류 정보를 상기 복수의 배터리 상태들과 관련된 확률 참조 정보에 적용한 결과를 이용하여 학습 모델에 의해 상기 배터리 상태를 식별하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 배터리의 이상 유무 또는 배터리 상태를 식별하는 동작은, 복수의 가능도 값들의 적어도 일부를 이용하여 배터리 건전 지표를 획득하는 동작 및 상기 획득된 배터리 건전 지표에 근거하여, 상기 배터리의 이상 유무를 식별하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 방법은, 상기 획득된 배터리 건전 지표를 미리 설정된 임계치와 비교하는 동작, 상기 임계치 이하인 경우 상기 배터리의 이상을 식별하는 동작 및 상기 배터리의 이상에 대한 사전 알림을 제공하는 동작을 더 포함할 수 있다.
일 실시 예에 따르면, 상기 복수의 배터리 상태들은, 정상 상태, 스웰링 상태, 고온 가속 상태, 벤딩 상태, 눌림 상태 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 전자 장치는 상기 배터리의 이상 유무 또는 배터리 상태를 식별한 경우, 배터리 이상 상태에 관련된 알림을 제공할 수 있다. 예를 들어, 전자 장치는 시각적 피드백, 청각적 피드백 및 촉각적 피드백 중 적어도 하나를 이용하여, 배터리 이상 상태가 발생하거나 발생할 수 있음을 나타내는 알림을 출력할 수 있다.
도 7은 일 실시 예에 따른 충전 패턴의 변화와 건전 지표 간의 관계를 나타낸 도면(700)이다.
도 7에서는 배터리 충전 동안에 가해지는 부하(load)에 대해 전압 및 전류가 불규칙한 패턴으로 나타나며, 이에 대응하여 변하는 건전 지표를 예시하고 있다. 예를 들어, 충전 패턴의 변화와 건전 지표 간의 관계를 살펴보기 위해 도 7을 참조할 수 있다. 도 7에서는 배터리에 대한 인위적인 압력 예컨대, 전자 장치의 배터리 셀의 상단 탭 영역에 환봉에 의한 점증 압력을 가하는 동안 출력되는 데이터들 간의 관계를 도시하고 있다.
배터리 충전 동안에 가해지는 압력(예: Load)이 점증적으로 증가하는 동안 전자 장치는 배터리에 대한 전류 및 전압의 불규칙한 패턴에 해당하는 부분 충전 데이터(또는 부분 충전 곡선)를 획득할 수 있으며, 부분 충전 데이터로부터 상기 수학식 5을 통해 건전 지표를 산출할 수 있다.
도 7에 도시된 바와 같이 점증적인 압력이 가해짐에 따라 도면번호 710에 의해 지시되는 부분 이후에는 발화가 발생할 수 있다. 예를 들어, 배터리 테스트 결과, 환봉에 의한 점증 압력에 의해 1000초간 최대 137N의 하중에 노출된 후 발화를 일으켜 배터리가 소손되었으며, 상기 도 7에 따르면 배터리의 소손은 1000초간의 점증 하중 노출 이후 발생하였으나 부분 충전 데이터로부터 계산된 건전지표(HI0)는 소손 발생 이전에 시작값(예: 1 값)부터 점차 감소하여 최소값(720)(예: 0.652 값)을 갖는 형태로 나타남을 알 수 있다.
따라서 전자 장치는 건전 지표를 이용한다면 배터리 이상 상태를 사전에 식별할 수 있으며, 건전 지표가 임계치 이하로 떨어지는 시점을 기준으로 배터리 이상 상태가 발생하기 전에 사용자에게 배터리 소손 가능성에 대한 알림을 제공할 수 있다. 예를 들어, 전자 장치는 충전 동안의 건전지표 HI0의 최소값(720)(예: 0.652 값)에 대응하여 임계치 T0(예: 0.8값)를 설정하여 미리 저장해놓을 수 있으며, 배터리 손상 상태에 대해 적어도 손상이 발생하기 전에 건전 지표의 임계치 이하 급락을 근거로 전자 장치용 배터리의 이상 상태에 대한 식별 정보를 사전에 제공할 수 있다.
도 8은 일 실시 예에 따른 배터리 이상 상태와 관련된 정보를 제공하기 위한 화면 예시도(800)이다.
도 8은 배터리 이상 상태를 배터리 건전 지표를 이용하여 나타낸 화면을 예시하고 있다. 도 8에서와 같이 전자 장치는 배터리 이상 상태를 사용자에게 통지할 수 있다. 예를 들어, 도 8에 도시된 바와 같이 전자 장치는 배터리의 충전 상황 정보와 함께 다양한 배터리 이상 상태와 관련한 정보를 화면에 표시할 수 있다. 예를 들어, 전자 장치는 사용자가 배터리 이상 상태를 인지하여 조치를 취할 수 있도록 내부 단락, 스웰링, 급방전과 같은 다양한 배터리 이상 상태에 대한 가이드(810)를 표시할 수 있다. 예를 들어, 전자 장치는 즉시 충전을 중단하도록 경고, 배터리 상태가 불안정한 상태임을 통지하는 경고와 같이 배터리 이상 상태를 복수의 단계로 구분하여 통지할 수도 있다.
예를 들어, 배터리 상태에 대한 건전 지표가 임계치 이하로 급락한 경우 실제 배터리 손상이 발생하기 미리 설정된 시간 전(예: 십분 전)에 사용자에게 배터리 소손 가능성에 대한 알림을 제공할 수 있다. 이와 같은 알림 방식으로 사용자에게 배터리 이상 상태에 대한 식별 정보를 사전에 제공할 수 있다.
도 9a 및 도 9b는 일 실시 예에 따른 부분 충전 상태에 대한 데이터 및 가능도 행렬을 나타낸 도면(900a. 900b)이다.
도 9a를 참조하면, 전자 장치(예: 도 1의 전자 장치(101), 도 2의 전자 장치(201) 또는 프로세서(220))는 실제 충전 시 제1 상태(예: 정상 상태)의 배터리에 대한 부분 충전 데이터(910)를 획득할 수 있다. 도 9a에서 예컨대, 일정 시간 충전 시 m 개의 충전 상태-전압-전류 쌍으로 이루어진 부분 충전 데이터(910)를 획득할 수 있다.
또한, 일 실시 예에 따르면 전자 장치는 상기 부분 충전 데이터를 기반으로 한 배터리 이상 상태를 식별하기 위해, 부분 충전 데이터(910)를 가능도 행렬(920)로 변환할 수 있다. 예를 들어, 전자 장치는 상기 부분 충전 데이터(910)를 전자 장치 내에 미리 저장되어 있는 확률 분포 함수족 {Fs,j}을 참조하여 가능도 행렬(920) LC로 변환할 수 있다. 이에 따라 전자 장치는 부분 충전 데이터(910)를 가능도 행렬(920)로 변환했을 때, 복수의 배터리 상태들과 관련된 확률 정보(921, 922, 923, 924, 925)에 기반하여 어느 배터리 상태에 속하는지를 식별할 수 있다. 예를 들어, 전자 장치는 부분 충전 데이터(910)를 기반으로 모든 가능한 배터리 상태들 중 정상 상태에 속할 가능도가 높게 나왔을 경우 충전 중인 배터리는 정상 상태라고 식별할 수 있다.
도 9b를 참조하면, 전자 장치는 실제 충전 시 제2 상태(예: 스웰링 상태)의 배터리에 대한 부분 충전 데이터(930)를 획득하면, 실제로 상기 배터리가 스웰링 상태인지를 식별하기 위해 상기 부분 충전 데이터(930)를 전자 장치 내에 미리 저장되어 있는 확률 분포 함수족 {Fs,j}을 참조하여 가능도 행렬(940) LC로 변환할 수 있으며, 복수의 배터리 상태들과 관련된 확률 정보(941, 942, 943, 944, 945)에 기반하여 어느 배터리 상태에 속하는지를 식별할 수 있다. 예를 들어, 전자 장치는 부분 충전 데이터(930)를 기반으로 모든 가능한 배터리 상태들 중 스웰링 상태에 속할 가능도가 높게 나왔을 경우 충전 중인 배터리는 스웰링 상태라고 식별할 수 있다.
도 10은 일 실시 예에 따른 배터리 이상 상태를 식별하는 학습 모듈을 설명하기 위한 도면(1000)이다.
도 10에서는 실제 부분충전 곡선에 대한 가능도 행렬 계산 결과와 신경망에 의한 이상 상태 판정 과정을 예시하고 있다.
도 10을 참조하면, 충전이 시작됨에 따라 전자 장치(예: 도 1의 전자 장치(101), 도 2의 전자 장치(201) 또는 프로세서(220))는 부분 충전 데이터(1010)(또는 부분 충전 곡선C)가 획득되었을 때 기계학습 모델을 이용하여 배터리 이상 상태를 식별할 수 있다. 예를 들어, 전자 장치는 기계학습 모델에 의해 배터리 정상 상태 또는 스웰링 상태와 같이 이상 상태로 구분하여 식별할 수 있다.
상기 기계학습 모델의 일 예로, 도 10에서는 다층 퍼셉트론 분류기를 예시하고 있으나, 이외에도 랜덤포레스트 분류기와 같이 다양한 학습 모델이 적용될 수 있다.
상기와 같은 기계학습 모델에 대한 학습은 제품 출시 이전에 배터리에 대한 사전 실험 결과에 기반하여 수행될 수 있다.
예를 들어, 전자 장치는 복수의 부분 충전 데이터(또는 부분 충전 곡선)와 배터리 상태의 순서쌍 {Ck, jk}1 ≤ k ≤ N 이 주어졌을 때, 이들로부터 획득된 가능도 행렬의 집합 {LC,k}1 ≤ k ≤ N 과 배터리 상태 레이블 벡터 {jk}1 ≤ k ≤ N를 이용하여 학습 모델(예: 기계학습 모델 M)에 대한 교사학습(supervised learning)을 수행할 수 있으며, 학습에 사용되지 않은 부분 충전 곡선 Cunknown이 주어졌을 때 입력 Cunknown에 대한 학습 모델의 출력을 이용함으로써 배터리 이상 상태를 식별할 수 있다.
예를 들어, 기계학습 모델 M은, 정상 상태의 배터리를 탑재한 전자 장치와 스웰링이 발생한 전자 장치로부터 획득한 부분충전곡선 집합 {Ck}1 ≤ k ≤ N (예: N = 118,000)을 정상 상태 배터리에 대한 충전 상태별 전압/전류 분포함수족 {Fs,0} 0 ≤ s ≤ 100과 스웰링 상태 배터리에 대한 충전 상태별 전압/전류 분포함수족 {Fs,1} 0 ≤ s ≤ 100을 이용하여 학습할 수 있다. 또한, 다층 퍼셉트론 분류기와 같은 기계학습 모델의 경우에는 각 배터리 상태에 대한 충전 상태별 전압/전압 분포함수족 예컨대, {Fs,0} 0 ≤ s ≤ 100과 {Fs,1} 0 ≤ s ≤ 100을 이용하여 변환한 가능도 행렬 집합 {LC,k}1 ≤ k ≤ N 을 벡터화한 후, 이를 입력 레이어(input layer)로 하고, 입력된 벡터가 3개의 은닉층(hidden layer)을 거쳐, 식별 결과를 출력할 수 있다. 예를 들어, 다층 퍼셉트론 분류기는 정상 상태 배터리인 경우 1, 스웰링 발생한 배터리인 경우 0을 출력할 수 있다. 이에 따라 전자 장치는 기계학습 모델에서의 출력 결과에 따라 배터리 이상 유무뿐만 아니라 어떠한 배터리 이상 상태인지를 구분할 수 있다.
만일 학습을 통해 트레이닝된 다층 퍼셉트론 분류기(1060)에 학습에 사용되지 않은 부분 충전 데이터(1010)가 입력(1040)으로 들어오게 되면, 상기 다층 퍼셉트론 분류기(1060)는 식별 결과를 출력할 수 있으며, 전자 장치는 식별 결과 기반하여 상기 입력된 부분 충전 데이터가 정상 상태에 속하는지 또는 이상 상태에 속하는지를 판단할 수 있다.
한편, 학습을 통해 다층 퍼셉트론 분류기(1060)를 트레이닝하는 동작을 살펴보면, 하기와 같을 수 있다. 참고로, 학습상의 편의를 위하여, 입력 벡터는, 벡터화된 가능도 행렬의 말단에, 부분 충전곡선 데이터의 충전 상태 열(column)을 전치(transpose)한 벡터를 덧붙인(append) 형태로 구성된 경우를 전제로 할 수 있다.
예를 들어, 부분 충전 데이터(예: 118,000개)로부터 얻어진 학습 케이스 벡터(예: 118,000개)와, 각 학습 케이스 벡터가 어떤 이상 상태에 놓인 배터리로부터 얻어졌는지를 나타내는 정답 레이블 집합(예: 118,000개)을 이용하여 다층 퍼셉트론 분류기(1060)를 트레이닝한 결과, 트레이닝에 이용된 부분 충전 데이터(예: 118,000개)에 대해서는 실험 결과 99.6% 판정 정확도를 얻을 수 있다. 예를 들어, 도 9a의 부분 충전 데이터(예: 215,000개)(910)에 대해서는 다층 퍼셉트론 분류기(1060)에 의해 208,804개를 정상 상태로 판정하여 실험 결과 97.12%의 판정 정확도를 얻을 수 있다. 또한 도 9b의 부분 충전 데이터(예: 40,000개)(930)에 다층 퍼셉트론 분류기(1060)에 의해 37,605개를 스웰링 상태로 판정하여 실험 결과 94.01%의 판정 정확도를 얻을 수 있다. 이와 같이 학습을 통해 트레이닝된 다층 퍼셉트론 분류기(1060)를 이용함으로써 매우 높은 판정 정확도를 얻을 수 있다.
도 11은 일 실시 예에 따른 부분 충전 상태에 대한 데이터를 이용한 학습 결과와 가능도 행렬을 이용한 학습 결과를 비교한 그래프(1100)이다.
도 11을 참조하면, 전자 장치로부터 획득한 배터리의 부분 충전 곡선 데이터 즉, 부분 충전 상태 구간에서의 전류 및 전압 분포도를 이용하여 배터리 상태를 판정하는 학습 모델을 학습시킬 수 있다. 예를 들어, 학습 모델은 기계학습 모델로, 다층 퍼셉트론(multilayer perceptron), 랜덤포레스트 (random forest)와 같은 교사 학습 모델일 수 있다.
일 실시 예에 따르면, 다층 퍼셉트론 분류기를 학습하는 데 있어, 배터리의 부분 충전 곡선 데이터를 직접 학습을 위한 입력 데이터로 사용하거나, 또는 부분 충전 곡선 데이터를 확률 밀도 함수(PDF)에 의하여 변환한 가능도 행렬을 학습을 위한 입력 데이터로 사용할 수 있다.
도 11에 도시된 바를 참조하면, 부분 충전 곡선 데이터를 직접 사용한 학습 진행 시 동일 학습 횟수(예: 70 회 반복(iteration)) 후에는 학습 정확도(validation score)(1120)가 약 70%에 도달하는 것을 나타내고 있으며, 가능도 행렬을 학습 데이터로 이용하는 경우 동일 학습 횟수에서 학습 정확도(1110)가 약 90%까지 향상되는 경우를 나타내고 있다. 여기서, 학습 손실(training loss)은 학습 모델과 학습 데이터간 오차 수치를 나타낼 수 있다. 이와 같이 학습 모델을 기반으로 배터리 이상 상태를 식별할 경우, 전자 장치는 실제 충전 또는 방전 시 더 빠르고 정확한 배터리 상태 식별이 가능할 수 있으며, 배터리에 대해 발생하는 다양한 이상 상태를 즉시 또는 사전에 식별할 수 있어, 배터리의 안전성을 확보할 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101))에 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
명령들을 저장하고 있는 저장 매체에 있어서, 상기 명령들은 적어도 하나의 프로세서에 의하여 실행될 때에 상기 적어도 하나의 프로세서로 하여금 적어도 하나의 동작을 수행하도록 설정된 것으로서, 상기 적어도 하나의 동작은, 배터리의 충전 시의 충전 상태별 전압 및 전류 정보를 획득하는 동작, 복수의 배터리 상태들과 관련된 확률 참조 정보에 근거하여, 상기 전압 및 전류 정보에 대한 복수의 가능도 값들을 획득하는 동작 및 상기 복수의 가능도 값들에 근거하여, 상기 배터리의 이상 유무 또는 배터리 상태를 식별하는 동작을 포함할 수 있다.
그리고 본 명세서와 도면에 발명된 본 발명의 실시 예들은 본 발명의 실시 예에 따른 기술 내용을 쉽게 설명하고 본 발명의 실시 예의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 실시 예의 범위를 한정하고자 하는 것은 아니다. 따라서 본 발명의 다양한 실시 예의 범위는 여기에 발명된 실시 예들 이외에도 본 발명의 다양한 실시 예의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 다양한 실시 예의 범위에 포함되는 것으로 해석되어야 한다.

Claims (15)

  1. 전자 장치에 있어서,
    배터리;
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서와 작동적으로 연결된 메모리를 포함하며,
    상기 메모리는, 실행 시에, 상기 적어도 하나의 프로세서가,
    상기 배터리의 충전 시의 충전 상태별 전압 및 전류 정보를 획득하고,
    복수의 배터리 상태들과 관련된 확률 참조 정보에 근거하여, 상기 전압 및 전류 정보에 대한 복수의 가능도 값들을 획득하고,
    상기 복수의 가능도 값들에 근거하여, 상기 배터리의 이상 유무 또는 배터리 상태를 식별하도록 하는 인스트럭션들을 저장하는 전자 장치.
  2. 제1항에 있어서, 상기 복수의 배터리 상태들과 관련된 확률 참조 정보는,
    입력된 충전 상태, 전압 및 전류에 대하여 배터리 상태별 가능도 값들을 출력하는 복수의 확률 분포 함수들을 포함하는, 전자 장치.
  3. 제2항에 있어서, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서가,
    상기 배터리의 충전 시의 충전 상태별 전압 및 전류 정보를 상기 복수의 확률 분포 함수들을 이용하여 가능도 행렬로 변환하도록 설정된, 전자 장치.
  4. 제1항에 있어서, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서가,
    전체 충전 상태 중 상기 배터리의 충전 동안의 적어도 일부의 충전 상태별 전압 및 전류 정보에 대한 복수의 가능도 값들을 획득하고,
    상기 적어도 일부의 충전 상태별 전압 및 전류 정보에 대한 복수의 가능도 값들을 이용하여 학습 모델에 의해 상기 배터리 상태를 식별하도록 설정된, 전자 장치.
  5. 제1항에 있어서, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서가,
    상기 배터리의 충전 시의 충전 상태별 전압 및 전류 정보를 상기 복수의 배터리 상태들과 관련된 확률 참조 정보에 적용한 결과를 이용하여 학습 모델에 의해 상기 배터리 상태를 식별하도록 설정된, 전자 장치.
  6. 제1항에 있어서, 상기 복수의 배터리 상태들은,
    정상 상태, 스웰링 상태, 고온 가속 상태, 벤딩 상태, 눌림 상태 중 적어도 하나를 포함하는, 전자 장치.
  7. 제1항에 있어서, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서가,
    상기 복수의 가능도 값들의 적어도 일부를 이용하여 배터리 건전 지표를 획득하고, 상기 획득된 배터리 건전 지표에 근거하여, 상기 배터리의 이상 유무를 식별하고,
    상기 획득된 배터리 건전 지표를 미리 설정된 임계치와 비교하여, 상기 임계치 이하인 경우 상기 배터리의 이상을 식별하며,
    상기 배터리의 이상에 대한 사전 알림을 제공하도록 설정된, 전자 장치.
  8. 전자 장치에서 배터리 상태를 식별하기 위한 방법에 있어서,
    배터리의 충전 시의 충전 상태별 전압 및 전류 정보를 획득하는 동작;
    복수의 배터리 상태들과 관련된 확률 참조 정보에 근거하여, 상기 전압 및 전류 정보에 대한 복수의 가능도 값들을 획득하는 동작; 및
    상기 복수의 가능도 값들에 근거하여, 상기 배터리의 이상 유무 또는 배터리 상태를 식별하는 동작을 포함하는, 배터리 이상 상태를 식별하기 위한 방법.
  9. 제8항에 있어서, 상기 복수의 배터리 상태들과 관련된 확률 참조 정보는,
    입력된 충전 상태, 전압 및 전류에 대하여 배터리 상태별 가능도 값들을 출력하는 복수의 확률 분포 함수들을 포함하는, 배터리 이상 상태를 식별하기 위한 방법.
  10. 제9항에 있어서, 상기 전압 및 전류 정보에 대한 복수의 가능도 값들을 획득하는 동작은,
    상기 배터리의 충전 시의 충전 상태별 전압 및 전류 정보를 상기 복수의 확률 분포 함수들을 이용하여 가능도 행렬로 변환하는 동작을 포함하는, 배터리 이상 상태를 식별하기 위한 방법.
  11. 제8항에 있어서, 상기 배터리의 이상 유무 또는 배터리 상태를 식별하는 동작은,
    전체 충전 상태 중 상기 배터리의 충전 동안의 적어도 일부의 충전 상태별 전압 및 전류 정보에 대한 복수의 가능도 값들을 획득하는 동작; 및
    상기 적어도 일부의 충전 상태별 전압 및 전류 정보에 대한 복수의 가능도 값들을 이용하여 학습 모델에 의해 상기 배터리 상태를 식별하는 동작을 포함하는, 배터리 이상 상태를 식별하기 위한 방법.
  12. 제8항에 있어서, 상기 배터리의 이상 유무 또는 배터리 상태를 식별하는 동작은,
    상기 배터리의 충전 시의 충전 상태별 전압 및 전류 정보를 상기 복수의 배터리 상태들과 관련된 확률 참조 정보에 적용한 결과를 이용하여 학습 모델에 의해 상기 배터리 상태를 식별하는 동작을 포함하는, 배터리 이상 상태를 식별하기 위한 방법.
  13. 제8항에 있어서, 상기 복수의 배터리 상태들은,
    정상 상태, 스웰링 상태, 고온 가속 상태, 벤딩 상태, 눌림 상태 중 적어도 하나를 포함하는, 배터리 이상 상태를 식별하기 위한 방법.
  14. 제8항에 있어서,
    복수의 가능도 값들의 적어도 일부를 이용하여 배터리 건전 지표를 획득하는 동작;
    상기 획득된 배터리 건전 지표를 미리 설정된 임계치와 비교하는 동작;
    상기 임계치 이하인 경우 상기 배터리의 이상을 식별하는 동작; 및
    상기 배터리의 이상에 대한 사전 알림을 제공하는 동작을 더 포함하는, 배터리 이상 상태를 식별하기 위한 방법.
  15. 명령들을 저장하고 있는 저장 매체에 있어서, 상기 명령들은 적어도 하나의 프로세서에 의하여 실행될 때에 상기 적어도 하나의 프로세서로 하여금 적어도 하나의 동작을 수행하도록 설정된 것으로서, 상기 적어도 하나의 동작은,
    배터리의 충전 시의 충전 상태별 전압 및 전류 정보를 획득하는 동작;
    복수의 배터리 상태들과 관련된 확률 참조 정보에 근거하여, 상기 전압 및 전류 정보에 대한 복수의 가능도 값들을 획득하는 동작; 및
    상기 복수의 가능도 값들에 근거하여, 상기 배터리의 이상 유무 또는 배터리 상태를 식별하는 동작을 포함하는, 저장 매체.
PCT/KR2021/009321 2020-07-21 2021-07-20 배터리 상태를 식별하기 위한 방법, 이를 위한 전자 장치 및 저장 매체 WO2022019607A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200090466A KR20220011487A (ko) 2020-07-21 2020-07-21 배터리 상태를 식별하기 위한 방법, 이를 위한 전자 장치 및 저장 매체
KR10-2020-0090466 2020-07-21

Publications (1)

Publication Number Publication Date
WO2022019607A1 true WO2022019607A1 (ko) 2022-01-27

Family

ID=79729891

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/009321 WO2022019607A1 (ko) 2020-07-21 2021-07-20 배터리 상태를 식별하기 위한 방법, 이를 위한 전자 장치 및 저장 매체

Country Status (2)

Country Link
KR (1) KR20220011487A (ko)
WO (1) WO2022019607A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115219902A (zh) * 2022-07-06 2022-10-21 山东大学 一种动力电池寿命快速测试方法及系统
WO2024053870A1 (ko) * 2022-09-06 2024-03-14 주식회사 엘지에너지솔루션 배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023167498A1 (ko) * 2022-03-02 2023-09-07 주식회사 엘지에너지솔루션 배터리 불량 검출 장치, 방법 및 시스템
KR20230174911A (ko) 2022-06-22 2023-12-29 주식회사 로보볼트 비지도 학습 기반의 배터리 이상 예측 방법 및 시스템
KR20240034052A (ko) * 2022-09-06 2024-03-13 주식회사 엘지에너지솔루션 배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015135286A (ja) * 2014-01-17 2015-07-27 株式会社豊田中央研究所 二次電池の特性推定装置
US20190086478A1 (en) * 2017-09-20 2019-03-21 Samsung Electronics Co., Ltd. Apparatus and method for estimating state of battery
US20190120908A1 (en) * 2017-10-25 2019-04-25 Samsung Electronics Co., Ltd. Apparatus and methods for identifying anomaly(ies) in re-chargeable battery of equipment and connected component(s)
CN109934294A (zh) * 2019-03-18 2019-06-25 常伟 一种基于大数据机器学习进行电动汽车电池soh预测的方法
KR20190140268A (ko) * 2018-06-11 2019-12-19 삼성전자주식회사 충전 중 배터리의 전압 변화량에 기반하여 배터리의 상태에 대한 정보를 획득하기 위한 방법 및 이를 지원하는 전자 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015135286A (ja) * 2014-01-17 2015-07-27 株式会社豊田中央研究所 二次電池の特性推定装置
US20190086478A1 (en) * 2017-09-20 2019-03-21 Samsung Electronics Co., Ltd. Apparatus and method for estimating state of battery
US20190120908A1 (en) * 2017-10-25 2019-04-25 Samsung Electronics Co., Ltd. Apparatus and methods for identifying anomaly(ies) in re-chargeable battery of equipment and connected component(s)
KR20190140268A (ko) * 2018-06-11 2019-12-19 삼성전자주식회사 충전 중 배터리의 전압 변화량에 기반하여 배터리의 상태에 대한 정보를 획득하기 위한 방법 및 이를 지원하는 전자 장치
CN109934294A (zh) * 2019-03-18 2019-06-25 常伟 一种基于大数据机器学习进行电动汽车电池soh预测的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115219902A (zh) * 2022-07-06 2022-10-21 山东大学 一种动力电池寿命快速测试方法及系统
WO2024053870A1 (ko) * 2022-09-06 2024-03-14 주식회사 엘지에너지솔루션 배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법

Also Published As

Publication number Publication date
KR20220011487A (ko) 2022-01-28

Similar Documents

Publication Publication Date Title
WO2022019607A1 (ko) 배터리 상태를 식별하기 위한 방법, 이를 위한 전자 장치 및 저장 매체
WO2021049800A1 (ko) 배터리 이상 상태를 진단하기 위한 방법, 이를 위한 전자 장치 및 저장 매체
WO2022030912A1 (ko) 배터리를 포함하는 전자 장치 및 그의 배터리 충전 방법
WO2022019503A1 (ko) 배터리를 포함하는 전자 장치
WO2022114615A1 (ko) 전력 송신 장치, 및 그 전력 송신 장치 및 전력 수신 장치를 포함하는 시스템의 최대 효율 동작 점 추적 방법
WO2023096421A1 (ko) 병렬 연결된 복수 개의 배터리 셀들의 전류비 제어 방법 및 그 제어 시스템
WO2021118120A1 (en) Electronic device with structure for harvesting energy
KR20230016363A (ko) 배터리에 대한 사용 상태 정보의 처리 주기를 제어하는 전자 장치 및 그의 동작 방법
WO2024071826A1 (ko) 배터리를 충전하는 방법 및 전자 장치
WO2022186544A1 (ko) 전자 장치 및 전자 장치의 충전 제어 방법
WO2022215896A1 (ko) 배터리 보호 회로를 포함하는 전자 장치 및 배터리 보호 회로의 동작 방법
WO2022005224A1 (ko) 배터리 충전 방법 및 이를 지원하는 전자 장치
WO2023080525A1 (ko) 보호회로를 포함하는 배터리 및 이를 포함하는 전자 장치
WO2023080414A1 (ko) 복수의 배터리들을 포함하는 전자 장치 및 이의 동작 방법
WO2022019602A1 (ko) 전자 장치 및 전자 장치에서 배터리의 전압 측정 방법
WO2022169215A1 (ko) 전력 공급 방법 및 이를 지원하는 전자 장치
WO2022186576A1 (ko) 배터리를 고속 충전하는 전자 장치
WO2023080582A1 (ko) 전력 제어 방법 및 상기 방법을 수행하는 전자 장치
WO2023014091A1 (ko) 전자 장치 및 전자 장치의 운영 제어 방법
WO2023017959A1 (ko) 내부 온도에 기초한 배터리 충전을 위한 전자 장치
WO2023018204A1 (ko) 이물질 감지 방법 및 전자 장치
WO2022177235A1 (ko) 충전 가능한 배터리의 상태를 식별할 수 있는 전자 장치
WO2024090837A1 (ko) 배터리를 충전하는 방법 및 전자 장치
WO2022119250A1 (ko) 복수의 배터리들을 충전하는 방법 및 그 방법을 적용한 전자 장치
WO2022216054A1 (ko) 복수의 배터리들을 충전하기 위한 전자 장치

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21846955

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21846955

Country of ref document: EP

Kind code of ref document: A1