WO2022103185A1

WO2022103185A1 - 전지의 용량 측정 장치 및 방법, 및 상기 장치를 포함하는 전지 제어 시스템

Info

Publication number: WO2022103185A1
Application number: PCT/KR2021/016484
Authority: WO
Inventors: 공창선; 김선민; 이규황; 강병권
Original assignee: 주식회사 엘지화학
Priority date: 2020-11-13
Filing date: 2021-11-12
Publication date: 2022-05-19
Also published as: EP4141460A4; KR102707889B1; EP4141460A1; US20230213586A1; CN115698737A; KR20220065709A; JP2023525240A; JP7408843B2

Abstract

본 출원은 전지의 용량 측정 장치 및 방법에 관한 것이다. 상기 전지의 용량 측정 장치는 학습 대상으로 선택된 개별 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 측정된 전지의 용량 인자 학습 데이터를 입력 받는 학습 데이터 입력부; 예측 대상으로 선택된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 선택된 전지의 용량 인자 측정 데이터를 입력 받는 측정 데이터 입력부; 상기 학습 데이터 입력부에 입력된 전지의 용량 인자 학습 데이터로부터 전지의 용량 산포를 도출하고, 상기 학습 데이터로부터 도출된 전지의 용량 산포의 전지 용량 범위별로 복수 개의 서로 상이한 기계 학습을 각각 진행하는 데이터 학습부; 및 상기 입력된 전지의 용량 인자 측정 데이터로부터 상기 복수 개의 서로 상이한 기계 학습의 결과를 통해 상기 예측 대상으로 선택된 전지의 용량 예측 데이터를 산출하고, 상기 학습 데이터로부터 도출된 전지의 용량 산포의 전지 용량 범위별로 각각 산출된 전지 용량 예측 데이터를 출력하는 출력부를 포함한다.

Description

전지의 용량 측정 장치 및 방법, 및 상기 장치를 포함하는 전지 제어 시스템

본 출원은 2020년 11월 13일에 한국특허청에 제출된 한국 특허 출원 제 10-2020-0151880호의 출원일의 이익을 주장하며, 그 내용 전부는 본 명세서에 포함된다.

본 출원은 전지의 용량 측정 장치 및 방법에 관한 것이다.

본 출원은 상기 전지의 용량 측정 장치를 포함하는 전지 제어 시스템 장치에 관한 것이다.

본 출원은 상기 전지 제어 시스템 장치를 포함하는 이동 장치에 관한 것이다.

본 출원은 전지의 용량 측정 방법을 실행시키는 기록 매체에 저장된 컴퓨터 프로그램에 관한 것이다.

전기자동차, 모바일 기기 등 이차전지의 수요는 급격히 확대되고 있으며, 이차전지의 상태 진단 및 품질 안정성에 대한 요구가 커지고 있다.

이차전지의 용량은 사이클 충방전 공정에서 생산된 배터리 트레이(tray)에서 일정한 수의 전지를 샘플링하고 샘플링한 전지를 연속적으로 충방전하여 미리 정해진 기준인 정격 용량을 충족시킬 경우 합격 판정을 내린다.

이러한 이차전지의 용량은 정격 용량의 상한 및 하한의 범위 내에서 일정 이상의 편차를 가지는 산포 형태로 나타나며, 전지의 제조 방법 및 제조 조건과 측정되는 온도, 습도, 충전 속도 및 방전 속도와 같은 측정되는 조건에 따라서 그 결과에 있어서 편차가 발생하게 된다.

이렇게 측정되는 조건에 따라서 편차가 발생함에도 불구하고, 충전 또는 방전 중에 측정되는 용량 값은 전지 사양(Specification)에서 명시하는 운전조건과 다른 조건 하에서 측정되는 경우가 많다.

또한, 용량 측정 결과 전지가 양품으로 판정되었어도, 이 후, 양품에 해당하는 복수 개의 전지들로 구성된 모듈(module) 또는 팩(pack)을 실제로 운전 또는 사용(충전과 방전)하면서 여러 상황이 발생할 수 있다.

즉, 모듈 또는 팩을 실제로 운전 또는 사용하는 경우에도 지속적인 전지의 용량 측정과 상태 진단이 필요하다.

다만, 생산 공정과 마찬가지로 모듈 또는 팩에 사용되는 전지의 용량 측정과 상태 진단 시에도 측정되는 온도, 습도, 충전 속도 및 방전 속도와 같은 측정되는 조건에 따라서 그 결과에 있어서 편차가 발생하게 된다.

따라서, 전지의 생산 공정 및 복수 개의 전지로 구성된 모듈 또는 팩의 실제 운전 과정에서, 전지의 상태를 실시간으로 모니터링하고, 측정조건의 상이함에 기인한 용량 측정값 간의 편차를 보정한 후에 이차전지의 용량을 측정하여 전지의 품질을 판정하고 전지 상태를 진단할 수 있는 방법과 해당 방법을 구현할 수 있는 장치가 필요한 상황이다.

<특허문헌>

한국 특허 출원 공개 제10-2004-0051195호

본 출원은 전지의 사용 조건의 영향을 보정하여 전지 용량을 측정할 수 있는 장치 및 방법을 제공하자고 한다.

본 발명의 일 실시상태는, 학습 대상으로 선택된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 전지의 용량 인자 학습 데이터를 입력 받는 학습 데이터 입력부; 예측 대상으로 선택된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 선택된 전지의 용량 인자 측정 데이터를 입력 받는 측정 데이터 입력부; 상기 학습 데이터 입력부에 입력된 전지의 용량 인자 학습 데이터로부터 전지의 용량 산포를 도출하고, 상기 학습 데이터로부터 도출된 전지의 용량 산포의 전지 용량 범위 별로 복수 개의 서로 상이한 기계 학습(Machine Learning)을 각각 진행하는 데이터 학습부; 및 상기 입력된 전지의 용량 인자 측정 데이터로부터 전지의 용량 예측 데이터를 산출하고, 상기 복수 개의 서로 상이한 기계 학습의 결과를 상기 학습 데이터로부터 도출된 전지의 용량 산포의 전지 용량 범위 별로 각각 산출된 전지 용량 예측 데이터를 출력하는 출력부를 포함하는 것인 전지의 용량 측정 장치를 제공한다.

다른 본 발명의 일 실시상태는, 학습 대상으로 선택된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 전지의 용량 인자 학습 데이터를 입력하는 단계; 상기 입력된 전지의 용량 인자 학습 데이터로부터 전지의 용량 산포를 도출하는 단계; 상기 학습 데이터로부터 도출된 전지의 용량 산포의 전지 용량 범위 별로 복수 개의 상이한 기계 학습(Machine Learning)을 각각 진행하는 단계; 예측 대상으로 선택된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 선택된 전지의 용량 인자 측정 데이터를 입력하는 단계; 상기 입력된 전지의 용량 인자 측정 데이터로부터 전지의 용량 예측 데이터를 산출하는 단계; 및 상기 복수 개의 기계 학습의 결과를 상기 학습 데이터로부터 도출된 전지의 용량 산포의 전지의 용량 범위 별로 각각 산출된 전지 용량 예측 데이터를 출력하는 단계를 포함하는 것인 전지의 용량 측정 방법을 제공한다.

본 발명의 일 실시상태는 상술한 전지의 용량 측정 장치를 포함하는 전지 제어 시스템 장치를 제공한다.

본 발명의 일 실시상태는 상기 전지 제어 시스템 장치를 포함하는 이동 장치에 관한 것이다.

마지막으로, 본 발명의 일 실시상태는 상기 전지의 용량 측정 방법을 실행시키는 기록 매체에 저장된 컴퓨터 프로그램에 관한 것이다.

본 출원의 실시상태에 따른 전지 용량 측정 장치 및 방법은 전지의 사용 조건의 영향을 보정하여 전지 용량의 측정에 대한 정확도를 향상시킬 수 있으며, 공정상 전지 제조 및 용량 측정 비용을 감소시킬 수 있다.

본 출원의 실시상태에 따른 전지 용량 측정 장치 및 방법은 전지 용량의 측정에 대한 정확도를 향상시킴으로써, 전지의 상태에 대한 진단, 전지의 수명 예측의 정확도를 향상시킬 수 있다.

본 출원의 실시상태에 따른 전지 용량 측정 장치 및 방법은 비용 효율적이고 정확한 용량 측정 방법을 제공하고, 전지 용량의 측정에 대한 정확도를 향상시킴으로써, 전지 제품의 품질 관리의 효율성 및 전지의 활성화 공정의 효율성을 향상시킬 수 있다.

본 출원의 실시상태에 따른 전지 용량 측정 장치 및 방법은 모듈, 팩, 트레이 형태의 복수 개의 전지들이 전기 자동차, 모바일 기기 등에 탑재되어 동력원으로 사용될 때, 용량 매칭(Matching)과 셀 밸런싱(Cell Balancing)을 할 때 개별 전지의 측정된 용량에 대한 정확도를 향상시킬 수 있으며 그 결과로서 모듈, 팩, 트레이 형태의 전지 수명을 향상시킬 수 있다.

도 1은 본 출원의 전지 용량 측정 장치 및 방법을 적용하는 과정을 나타낸 도이다.

도 2는 본 출원의 전지 용량 측정 장치의 구성을 대략적으로 나타낸 도이다.

도 3 및 도4는 각각 실시예 및 비교예에 따른 도출 결과를 나타내는 용량 산포 비교 및 상자 그림(Box plot)이다.

이하, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명에 대하여 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 구성에만 한정되지 않는다.

본 명세서에서 어떤 부분이 어떤 구성 요소를 '포함'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있다는 것을 의미한다.

본 명세서에서 '적어도 하나'의 의미는 1 이상, 전부 이하를 의미하는 것으로, 예를 들어, 'A, B 및 C 중 적어도 하나'의 의미는 A, B, C와 같이 1개인 경우, A 및 B, A 및 C, B 및 C와 같이 2개인 경우 및 A 내지 C와 같이 3개(전부)를 를 모두 포함하는 것을 의미한다.

즉, 본 명세서에 있어서, "학습 데이터"는 기계 학습을 시키기 위한 데이터를 의미한다.

또한, 본 명세서에 있어서, "측정 데이터"는 "예측 데이터"를 산출하기 위하여 입력되는 데이터를 의미하며, 상기 예측 데이터는 입력된 측정 데이터에 기계 학습을 반영한 결과 출력되는 데이터를 의미한다.

또한, 본 명세서에 있어서, "용량 인자 학습 데이터"는 기계 학습을 이용해 정확한 용량 측정 결과를 만들기 위한 학습 데이터로서, 개별 전지의 정격 용량에 대한 용량 측정값에 대응하여 전지의 충전과 방전, 휴지(Rest) 상태에서 측정, 수집 및 저장되는 전지의 충전 전압, 전지의 방전 전압, 전지의 충전 전류, 전지의 방전 전류, 전지의 충전 용량, 전지의 방전 용량, 전지의 저항 (Impedance) 전지의 온도 등을 포함하는 데이터를 의미한다. 그러나, 상기와 같은 인자들을 포함하는 것으로 용량 인자 학습 데이터를 한정하는 것은 아니며, 배터리 용량에 영향을 주고 측정 및 수집 가능한 모든 인자들을 포함할 수 있다.

또한, 본 명세서에 있어서, "용량 인자 측정 데이터"는 기계 학습을 이용해 정확한 용량 측정 결과를 만들기 위한 측정 데이터로서, 전지의 충전과 방전, 휴지(Rest) 상태에서 측정, 수집 및 저장되는 전지의 충전 전압, 전지의 방전 전압, 전지의 충전 전류, 전지의 방전 전류, 전지의 충전 용량, 전지의 방전 용량, 전지의 저항(Impedance), 전지의 온도 등을 포함하는 데이터를 의미한다. 상기 용량 측정 데이터도 상기와 같은 인자들을 포함하는 것으로 용량 인자 측정 데이터를 한정하는 것은 아니며, 배터리 용량에 영향을 주고 측정 및 수집 가능한 모든 인자들을 포함할 수 있다.

전지의 용량 산포는 다음과 같이 구해진다. 전체 용량 범위를 일정한 구간 간격 또는 변하는 구간 간격으로 나눈 다음 각 구간별로 해당하는 용량을 가진 전지의 개수를 측정하여 막대 그림(Bar chart) 형태로 표시한다.

본 발명의 일 실시상태에 있어서, 학습 대상으로 선택된 전지 및 예측 대상으로 선택된 전지는 각각 독립적으로 모듈(Module), 팩(Pack), 트레이(Tray) 상에 배치된 개별 전지를 의미할 수 있다.

여기서, 기계 학습이란 인공 지능의 한 분야로 컴퓨터 프로그램이 데이터와 처리 경험을 이용한 학습을 통해 정보 처리 능력을 향상시키는 것 또는 이와 관련된 기술을 의미한다. 상기 기계 학습과 관련된 기술은 본 발명이 속한 기술분야에서 널리 알려져 있다. 즉, 기계 학습에 대한 구체적인 학습 알고리즘에 대해서는 상세한 설명을 생략하기로 한다.

본 명세서에 있어서, "학습 데이터로부터 도출된 전지의 용량 산포의 전지 용량 범위 별로 복수 개의 서로 상이한 기계 학습(Machine Learning)을 각각 진행"이란 전지의 용량 산포에서 일정 기준으로 전지 용량 범위를 지정하고, 그 범위에 따라서 각각 상이한 기계학습을 진행한다는 것을 의미한다.

본 발명의 일 실시상태에 있어서, 상기 전지는 이차전지일 수 있으나 이에 한정되는 것은 아니다.

본 명세서에 있어서, "특정 시간"이란 임의로 정한 전지의 충전 및 방전 공정을 진행한 시간을 의미한다. 예를 들어 1 시간 동안 전지의 충전 및 방전 공정을 진행하기로 한 경우의 특정 시간이란 1 시간을 의미한다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 장치의 상기 전지의 용량 인자 학습 데이터는 상기 학습 대상으로 선택된 개별 전지의 정격 용량에 대한 용량 측정값에 대응하여 충전, 방전, 휴지(Rest) 중에 측정되는 전지의 충전 용량 및 전지의 방전 용량을 포함하고, 전지의 충전 전압, 전지의 방전 전압, 전지의 개회로 전압(OCV), 전지의 충전 전류, 전지의 방전 전류, 전지의 저항(Impedance) 및 전지의 온도 중에서 1 이상을 더 포함하는 것일 수 있으나, 이에 한정되는 것은 아니고, 전지의 용량에 영향을 줄 수 있는 요소라면 이에 포함될 수 있다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 장치의 상기 전지의 용량 인자 학습 데이터는 상기 학습 대상으로 선택된 개별 전지의 정격 용량에 대한 용량 측정값에 대응하여 충전, 방전, 휴지(Rest) 중에 측정되는 전지의 충전 전압, 전지의 방전 전압, 전지의 개회로 전압(OCV), 전지의 충전 전류, 전지의 방전 전류, 전지의 충전 용량, 전지의 방전 용량, 전지의 저항(Impedance) 및 전지의 온도를 포함하는 것일 수 있다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 장치의 상기 전지의 용량 인자 측정 데이터는 상기 예측 대상으로 선택된 전지의 충전, 방전, 휴지(Rest) 중에 측정되는 전지의 충전 전압, 전지의 방전 전압, 전지의 개회로 전압(OCV), 전지의 충전 전류, 전지의 방전 전류, 전지의 충전 용량, 전지의 방전 용량, 전지의 저항(Impedance) 및 전지의 온도 중에서 1 이상을 포함하는 것일 수 있으나, 이에 한정되는 것은 아니다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 장치의 상기 전지의 용량 인자 측정 데이터는 상기 예측 대상으로 선택된 전지의 충전, 방전, 휴지(Rest) 중에 측정되는 전지의 충전 전압, 전지의 방전 전압, 전지의 개회로 전압(OCV), 전지의 충전 전류, 전지의 방전 전류, 전지의 충전 용량, 전지의 방전 용량, 전지의 저항(Impedance) 및 전지의 온도를 포함하는 것일 수 있다.

즉, 정격 용량에 대한 용량 측정값이 종속 변수값에 해당하고, 상기 종속 변수값을 추정하기 위한 독립 변수를 용량 인자라고 할 수 있다.

본 명세서에 있어서. 기계 학습 모델이 서로 상이하다는 것은 서로 다른 기계 학습 알고리즘, 예를 들어 디시전 트리(Decision Tree)와 서포트 벡터 머신(Support Vector Machine, SVM)을 의미하기도 하지만, 동일한 디시전 트리(Decision Tree) 알고리즘을 사용하더라도 디시전 트리 구조를 나타내는 특성(Hyperparameters), 예를 들어 나무의 깊이(Depth)와 잎(Leaf node)의 개수 등이 다르거나 심층 신경망(Deep Neural Networks)의 구조, 예를 들어 입력층(Input layer), 은닉층(Hidden layer), 출력층(Output layer), 각 노드(Node)별 가중치 등이 서로 다른 경우 서로 상이한 기계 학습 모델인 것으로 간주한다.

본 발명의 일 실시상태에 있어서, 상기 데이터 학습부의 복수 개의 서로 상이한 기계 학습은 각각 상이한 회귀모형 알고리즘(Algorithm)을 선택하여 진행하는 것일 수 있으나, 기계 학습의 종류는 이에 한정되는 것은 아니다.

보다 구체적으로, 본 발명의 일 실시상태에 있어서, 회귀모형 알고리즘은 디시전 트리(Decision Tree), 서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest), 부분 최소제곱 회귀법(Partial Least Square Regression), 분위회귀분석(Quantile Regression), 그래디언트 부스팅 머신 (Gradient Boosting Machine), 심층 신경망(Deep Neural Networks) 및 일반화된 선형/비선형 회귀모형(Generalized Linear/Nonlinear Regression) 중에서 1 이상 선택되는 것일 수 있으나, 이에 한정되는 것은 아니다.

상기 기계 학습과 관련된 기술은 본 발명이 속한 기술분야에서 널리 알려져 있으므로, 구체적인 학습 알고리즘에 대해서는 상세한 설명을 생략하기로 한다.

본 명세서에서, 전지의 용량(Y)은 기계 학습을 통해 용량 인자들(X_1,X₂,.., X_n)과의 상관관계를 수식(Equations) 또는 규칙(Rules)의 형태로 도출된다. 상기 용량 인자는 전지의 용량에 영향을 미치는 전지의 충전, 방전, 휴지(Rest) 시에 측정, 수집 및 저장되는 전압, 전류, 용량, 저항, 온도 등을 포함하는 값을 의미한다.

구체적으로, 기계 학습을 통해 얻어진 도출된 전지의 용량(Y)의 한 실시예는 Y = f(X₁, X₂,…,X_n)의 수식으로 표현될 수 있다. 여기서 f(X₁, X₂,…,X_n)는 용량 인자들(X_1,X₂,.., X_n)의 함수 형태를 의미하며, 전지의 용량(Y)와 같거나 근사적으로 같은 값을 도출하는 모든 수학적 함수의 조합을 포함한다. 여기서, 전지의 용량(Y)을 가장 정확히 예측하는 용량 인자들(X_1,X₂,.., X_n)의 수학적 함수의 조합은 전지의 용량과 용량 인자가 측정, 수집 및 저장되어 있는 데이터에 대한 기계 학습의 결과로서 구해진다. 즉, 기계 학습이 진행되는 과정에서 용량(Y)의 실제 값과의 편차를 최소화하는 용량 인자들의 수학적 함수 조합이 구해진다.

또 다른 실시예로, 기계 학습을 통해 얻어진 결과는 IF-THEN 규칙으로 표현될 수 있다. 여기서 IF-THEN 규칙은 용량 인자들이 복수 개의 어떤 특정 조건들 IF{(X₁, X₂,…,X_n)}을 만족하면, 전지의 용량(Y)는 어떤 특정 값 또는 특정 범위의 값을 가진다는 것(THEN Y = y_i)을 의미한다. 여기서 복수 개의 특정 조건들 IF{(X₁, X₂,…,X_n)}은 용량 인자들(X₁, X₂,…,X_n)이 각각 개별적으로 또는 몇 개의 용량 인자들로 구성된 함수 조합이 특정 값 또는 특정 범위의 값을 가지는 경우들의 집합을 의미한다. 용량 인자 각각 개별적으로 또는 몇 개의 용량 인자들로 구성된 함수 조합의 특정 값 또는 특정 범위의 값을 나타내는 복수 개의 특정 조건들 IF{(X₁, X₂,…,X_n)}은 조건들 간에 계층적 (Hierarchical) 관계 구조를 가질 수 있다. 즉, 일부 특정 조건들은 다른 일부 특정 조건들이 먼저 적용된 다음에 적용될 수 있다.

또한, 전지 용량과 용량 인자에 대해 측정, 수집 및 저장되는 데이터를 복수의 기계 학습 알고리즘들을 적용해 학습할 때 일부 기계 학습 방법에 대해 전체 데이터를 분할하지 않고 학습을 진행할 수도 있고, 전체 데이터를 여러 부분으로 분할하여 학습을 진행할 수도 있다.

전체 데이터를 여러 부분으로 분할하여 학습을 진행할 경우, 상기 전체 데이터를 기계 학습 알고리즘으로부터 수학적 상관식 또는 IF-THEN 규칙을 도출하기 위한 학습용 데이터셋(Training dataset)과 해당 수학적 상관식 또는 IF-THEN 규칙을 평가하기 위한 평가용 데이터셋(Test dataset)으로 나누어 진행할 수 있다.

구체적으로, 기계 학습을 위해 전지 용량과 용량 인자로 구성된 전체 학습 데이터를 여러 부분으로 1차 분할한 다음, 분할된 각각의 데이터셋을 이용해 복수 개의 기계 학습 알고리즘 각각에 대해 학습하여 학습 알고리즘의 개수와 동일 개수의 전지 용량 예측 모델을 만든 다음, 새로 입력된 용량 인자 데이터로부터 용량을 예측할 때 복수 개의 전지 용량 예측 모델을 적용해서 도출된 용량 예측값들을 통계적으로 합산하여 평균한 값을 최종 전지 용량으로 정하는 방법을 해당 전지의 일부 또는 전체 용량 범위에 적용할 수 있다.

또한, 모듈, 팩 또는 트레이 상에 배치된 전지들의 용량 또는 동일한 정격 용량을 가지도록 설계되어 동일한 제조 조건에서 만들어진 전지들의 용량 값은 분산(Variance), 표준편차(Standard deviation), 상한값과 하한값을 가지는 산포를 나타낸다. 용량 산포의 중심(평균값 또는 중앙값)을 기준으로 복수 개의 기계 학습 모델을 대칭적 또는 비대칭적으로 적용한다. 예를 들어, 도 1에 나타난 바와 같이 용량 산포의 중심(평균값 또는 중앙값)에서부터 용량 값이 낮아지는 쪽과 용량 값이 높아지는 쪽으로 표준편차의 정수배 또는 실수배의 용량 구간에 따라 제 1 내지 제3의 기계 학습 모델을 동일하게 적용할 수도 있고 용량 값이 낮아지는 쪽과 용량 값이 높아지는 쪽으로 서로 상이한 기계 학습 모델을 적용할 수 있다.

구체적으로, 우선 모듈(Module), 팩(Pack) 또는 트레이(Tray) 상에 배치된 복수 개의 전체 용량 구간에 대해 복수 개의 기계 학습 알고리즘을 이용하여 데이터를 학습시키고 용량 예측 모델을 만든 다음, 데이터의 학습과정에서 기계 학습 알고리즘 별로 예측된 용량 값의 정확도와 오차 감소율을 평가하여 용량 구간별로 성능(즉, 정확도와 오차 감소율)이 가장 높은 예측모델을 해당 용량 구간에서의 최적의 기계 학습 모델로 선정하는 방식으로 예측 모델간의 우선 순위를 결정한다.

그 다음으로, 모듈, 팩 또는 트레이 상에 배치된 개별 전지로부터 새롭게 측정되고, 수집된 용량 인자 측정 데이터와 복수 개의 기계 학습으로부터 도출된 용량 예측 모델을 이용하여, 상기 예측 모델 별로 각 전지의 용량 값을 예측한다. 이 후, 그 예측값이 해당되는 용량 구간에 따라 앞에서 미리 결정된 우선 순위의 기계 학습 예측모델이 반환하는 용량 값을 해당 전지의 최종 용량 값으로 결정한다.

이에 대한 한 실시예를 들면, 도 1에 나타난 바와 같이 우선 용량 산포의 중심(평균값 또는 중앙값)에서부터 용량 값이 낮아지는 쪽과 용량 값이 높아지는 쪽으로 표준편차의 a배 이하의 용량 구간에는 제1 기계 학습 모델을 적용하여 도출된 용량 예측값을 해당 전지의 용량값으로 할당한다. 또한, 도 1에 나타난 바와 같이 제1 기계 학습 모델에 의해 도출된 전지의 용량 범위를 벗어나는 용량 산포의 중심(평균값 또는 중앙값)에서부터 용량 값이 낮아지는 쪽과 용량 값이 높아지는 쪽으로 표준편차의 a배 초과, b배 이하의 용량 구간에는, 제 2 기계 학습 모델을 적용하여 도출된 용량 예측값을 해당 전지의 용량 값으로 할당한다.

마찬가지로, 도 1에 나타난 바와 같이 각각 제 1 및 제2 기계 학습 모델로 도출된 전지의 용량 범위의 바깥 용량 범위, 용량 산포의 중심(평균값 또는 중앙값)에서부터 용량 값이 낮아지는 쪽과 용량 값이 높아지는 쪽으로 표준편차의 b 배 초과 c 배 이하의 용량 구간에 대해서는 제3의 기계 학습 모델을 적용하여 도출된 용량 예측값을 해당 전지의 용량 값으로 할당하는 방식으로 진행할 수 있다.

도 1에 나타난 실시예에서 제 1 내지 제3 기계 학습 방법으로 각각 랜덤 포레스트(Random Forest), 그래디언트 부스팅 머신(Gradient Boosting Machine) 및 분위회귀분석(Quantile Regression)을 적용할 수 있으나, 이는 상기 제 1 내지 제3 기계 학습 방법의 알고리즘들을 예시하는 것으로, 이외에도 다른 기계 학습 알고리즘을 적용하여 동일한 방법으로 수행할 수 있다.

도 1에 표시된 기호의 정의는 하기와 같다.

D_i = Input Data(입력 데이터)

D_o = Output Data(용량 출력 데이터)

σ = 용량 표준편차, a, b, c = 정수 또는 실수

D_aσ = 용량 산포 중심(Mean 또는 Median)에서 표준편차의 a배 범위 (aσ)에 있는 용량 값 데이터

D_bσ = 용량 산포 중심(Mean 또는 Median)에서 표준편차의 b배 범위 (bσ)에 있는 용량 값 데이터

D_cσ = 용량 산포 중심(Mean 또는 Median)에서 표준편차의 c배 범위 (cσ)에 있는 용량 값 데이터

즉. 용량 예측값에 대한 가장 좋은 성능(정확도와 오차 감소율)을 나타내는 기계 학습 알고리즘의 조합은 전지의 종류, 전지의 제조방법, 모듈, 팩 또는 트레이 상에 배치된 전지의 구성과 운전 조건 등 여러가지 조건에 따라 다르며 위의 실시예에 제시한 경우에만 한정되지는 않는다.

기계 학습 모델로부터 구해진 예측 용량 값의 적용 기준은 미리 학습 과정에서 결정된 기계 학습 모델의 우선 순위와 용량 구간을 따른다. 한 실시예로, 결정계수(R squared, Coefficient of Determination, R²), 평균절대오차(Mean Absolute Error, MAE), 평균제곱근오차(Root Mean Square Error, RMSE), 평균절대비오차(Mean Absolute Percentage Error, MAPE) 등을 용량 구간별로 계산하여 최적화된 값을 가지는 용량 구간의 범위를 결정한다. 예를 들어, 결정계수의 값이 최대가 되거나, 평균절대오차, 평균제곱근오차, 평균절대비오차가 최소가 되는 용량 범위, 즉 용량 산포의 표준편차의 정수배 또는 실수배를 구하고 각 용량 구간에서 가장 높은 정확도와 오차 감소율을 나타내는 기계 학습 알고리즘을 우선적으로 적용한다.

기계 학습 모델로부터 예측된 용량 값이 정격 용량 상한과 하한 기준을 벗어나는 용량 구간에 대해서는 전지의 불량이 발생한 것으로 진단한다.

본 명세서에 있어서, 상기 "입력부"는 필요한 각종 데이터를 입력 받기 위한 인터페이스이다. 구체적으로, 본 명세서에 있어서, 상기 입력부는 학습 데이터를 입력 받는 학습 데이터 입력부 및 측정 데이터를 입력 받는 측정 데이터 입력부로 구분할 수 있다. 보다 구체적으로, 상기 "입력부"는 정격 용량 조건에서 측정 또는 수집된 용량 인자를 측정 또는 수집하고, 상기 측정 또는 수집된 용량 인자 측정 데이터를 기준값 저장부 또는 데이터 학습부에 전달하는 인터페이스이다. 상기 학습부가 데이터를 입력 받는 방식 및 전달하는 방법은 특별히 제한되지 아니한다.

본 명세서에 있어서, 상기 "데이터 학습부"는 상기 학습 데이터 입력부에 입력된 학습 데이터를 이용하여 기계 학습을 진행하기 위한 인터페이스이다.

본 명세서에 있어서, 상기 "출력부"는 기계 학습의 결과를 반영하여 예측 데이터를 산출하기 위한 인터페이스이다. 상기 출력부가 데이터를 산출하는 방식은 특별히 제한되지 아니한다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 장치는 전지의 정격 용량(Rated Capacity) 조건에서 측정된 데이터를 저장하는 기준값 저장부; 및 상기 출력된 전지 용량 예측 데이터 및 상기 전지의 정격 용량 조건에서 측정된 데이터의 결과를 비교하여, 예측 데이터의 신뢰성을 판정하고, 전지의 용량 및 상태를 진단하고, 상기 진단 결과에 따라서 전지의 공정을 제어하는 용량 상태 진단부를 더 포함할 수 있다.

본 명세서에 있어서, 상기 "기준값 저장부"는 정격 용량 조건에서 측정 또는 수집된 용량 인자 측정 데이터를 저장하고, 상기 용량 인자 측정 데이터를 이용하여 용량 기준값(reference)을 산출하고, 상기 용량 기준값을 용량 상태 진단부에 전달하는 인터페이스이다. 상기 기준값 저장부가 데이터를 저장하고, 특정 값을 전달하는 방식은 특별히 제한되지 아니한다.

본 발명에 따른 측정 장치의 인터페이스에 입력, 전달 또는 산출된 모든 데이터들은 통합적으로 관리될 수 있다. 여기서 통합적으로 관리된다는 것은 예를 들어 특정 메인 컴퓨터 또는 서버에 의해 본 발명에 따른 측정 장치의 인터페이스에 입력, 전달 또는 산출된 모든 데이터를 관리하고, 관리된 데이터로부터 새로운 값을 산출하거나, 이를 다시 입력부에 데이터로서 입력하는 것과 같은 행위를 모두 포함할 수 있다.

본 명세서에 있어서, "용량 상태 진단부"는 기준값 저장부로부터 전달받은 용량 기준값과 데이터 학습부로부터 도출된 용량 예측값을 비교하여 예측 데이터의 신뢰성을 판정하고, 전지의 용량 및 상태를 진단하여, 상기 진단 결과에 따라서 전지의 공정을 제어하기 위한 인터페이스이다.

이러한 구조는 하기 도 2에 나타난 바와 같으며, 출력부와 같이 하기 도 2에 나타난 것 이외에 필요한 인터페이스를 추가로 가질 수 있다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 장치는 상기 출력된 전지 용량 예측 데이터 및 상기 전지의 실제 용량 데이터의 결과를 비교하는 것은 상자 그림(Box plot)을 이용하는 것일 수 있다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 장치에서 상기 전지 용량 예측 데이터의 신뢰성을 판정하는 것은 기준값 저장부에 저장된 전지의 실제 규격 용량 산포, 결정계수(R squared, Coefficient of Determination, R²), 평균절대오차(Mean Absolute Error, MAE), 평균제곱근오차(Root Mean Square Error, RMSE), 또는 평균절대비오차(Mean Absolute Percentage Error, MAPE)를 이용하는 것일 수 있으나, 이에 한정되는 것은 아니다.

상기 데이터 비교 및 신뢰성 판정하는 방법과 관련된 기술은 본 발명이 속한 기술분야에서 널리 알려져 있으므로, 상세한 설명을 생략하기로 한다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 장치에서 상기 전지의 용량 산포의 전지의 용량 범위는 상기 용량 산포의 중심을 기준으로 표준편차 (Standard deviation, σ)의 정수배 또는 실수배로 결정하는 것일 수 있다.

상기 용량 산포의 중심은 용량 산포의 평균(Mean) 또는 중심값(Median)을 의미할 수 있다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 장치에서 상기 전지의 용량 산포의 전지의 용량 범위는 상기 용량 산포의 평균(Mean) 또는 중심값(Median)을 기준으로 표준편차 (Standard deviation, σ)의 정수배 또는 실수배로 결정하는 것일 수 있다.

예를 들어, 본 실시 예에서 용량 산포의 중심으로부터 표준편차의 1.5배가 되는 용량 구간에서는 앙상블(Ensemble) 회귀 방법을 사용하고, 표준편차의 1.5 배가 넘는 용량 구간에서는 분위 회귀(Quantile Regression) 방법을 사용할 때 예측 용량의 정확도가 최대가 될 수 있다.

본 발명의 일 실시상태에 있어서, 본 발명에 따른 상기 전지의 용량 측정 장치를 포함하는 전지 제어 시스템(Battery Management System, BMS)를 제공할 수 있다. 다시 말해서, 본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 장치는 전지 제어 시스템(Battery Management System, BMS) 장치에 사용되는 것일 수 있다.

본 발명의 일 실시상태에 있어서, 상기 학습 데이터 입력부; 측정 데이터 입력부; 데이터 학습부; 및 출력부를 포함하는 용량 측정 장치를 포함하는 전지 제어 시스템 장치를 제공할 수 있다.

본 명세서에 있어서, “전지 제어 시스템(Battery Management System, BMS) 장치”는 전지 제어 시스템을 포함하는 모든 형태의 인터페이스를 의미한다.

본 발명의 일 실시상태에 있어서, 본 출원에 따른 제어 시스템 장치를 포함하는 이동 장치를 제공할 수 있다.

본 명세서에 있어서, 상기 “이동 장치”의 의미는 장치 자체가 움직일 수 있거나, 사용자에 의해 쉽게 운반될 수 있는 장치를 의미하는 것으로서, 전기 자동차, 모바일 기기 등을 그 예로 할 수 있다.

본 발명의 일 실시상태에 있어서, 상기 학습 데이터 입력부; 측정 데이터 입력부; 데이터 학습부; 기준값 저장부; 및 용량 상태 진단부 중 적어도 하나는 원격 제어되는 것인 전지 제어 시스템 장치를 제공할 수 있다.

본 발명의 일 실시상태에 있어서, 상기 학습 데이터 입력부; 측정 데이터 입력부; 데이터 학습부; 기준값 저장부; 및 용량 상태 진단부 중 2 이상이 원격 제어되는 것인 전지 제어 시스템 장치를 제공할 수 있다.

본 발명의 일 실시상태에 있어서, 상기 학습 데이터 입력부; 측정 데이터 입력부; 데이터 학습부; 기준값 저장부; 및 용량 상태 진단부 전부가 원격 제어되는 것인 전지 제어 시스템 장치를 제공할 수 있다.

본 명세서에 있어서, 상기 “원격 제어되는 것”의 의미는 상기 입력부, 학습부 및 출력부 등의 인터페이스가 상기 전지 제어 시스템 장치의 외부에 위치하여 통신을 통하여 인터페이스들 사이에서 데이터와 신호를 송신 또는 수신하면서 그 기능을 수행하는 것을 의미한다. 상기 원격 제어의 방법으로, 상기 인터페이스들 중 일부를 클라우드 서버(Cloud Server)에 두고 통신을 통하여 인터페이스들 사이에서 데이터와 신호를 송신 또는 수신하면서 그 기능을 수행하는 것을 관리하는 방법을 예로 들 수 있으나, 이에 한정되는 것은 아니고, 상기 전지 제어 시스템 장치의 외부에서 그 기능을 수행할 수 있는 방법이라면 본 발명의 구성에 적용할 수 있다.

상기 장치의 일부 또는 전부의 인터페이스가 원격 제어되는 경우, 전지 제어 시스템 장치의 무게를 감소시킬 수 있어 이동 장치에 적용하기 용이하고, 특정 메인 컴퓨터 또는 클라우드 서버를 이용하는 것이므로 상기 장치를 사용하는 과정에서 발생한 데이터 등을 통합적으로 관리하기 용이하다.

또한, 상기 장치의 일부 인터페이스가 원격 제어되는 경우, 컴퓨터 하드웨어(hardware, H/W)와 관련하여 데이터 저장을 위한 메모리, 연산(Computation), 정보처리 등을 위해 요구되는 사양(Specification)을 낮추고 구성을 단순화시킬 수 있어서 이동 장치에 설치되는 컴퓨터 하드웨어 관련 비용을 절감할 수 있다.

또한, 본 발명의 일 실시상태에 있어서, 상기 전지 제어 시스템 장치의 학습 데이터 입력부; 측정 데이터 입력부; 데이터 학습부; 출력부; 기준값 저장부; 및 용량 상태 진단부 중 적어도 하나는 이동 장치에 내장되는 것일 수 있다.

또한, 본 발명의 일 실시상태에 있어서, 상기 전지 제어 시스템 장치의 학습 데이터 입력부; 측정 데이터 입력부; 데이터 학습부; 출력부; 기준값 저장부; 및 용량 상태 진단부 중 2 이상은 이동 장치에 내장되는 것일 수 있다.

또한, 본 발명의 일 실시상태에 있어서, 상기 전지 제어 시스템 장치의 학습 데이터 입력부; 측정 데이터 입력부; 데이터 학습부; 출력부; 기준값 저장부; 및 용량 상태 진단부 전부가 이동 장치에 내장되는 것일 수 있다.

본 발명의 일 실시상태에 있어서, 상기 학습 데이터 입력부; 측정 데이터 입력부; 데이터 학습부; 출력부; 기준값 저장부; 및 용량 상태 진단부 중 적어도 하나는 이동 장치에 내장되는 것인 이동 장치를 제공할 수 있다.

본 발명의 일 실시상태에 있어서, 상기 전지 제어 시스템 장치의 학습 데이터 입력부; 측정 데이터 입력부; 데이터 학습부; 출력부; 기준값 저장부; 및 용량 판정 진단부 중 2 이상은 이동 장치에 내장되는 것인 이동 장치를 제공할 수 있다.

본 발명의 일 실시상태에 있어서, 상기 학습 데이터 입력부; 측정 데이터 입력부; 데이터 학습부; 기준값 저장부; 및 용량 상태 진단부 전부가 이동 장치에 내장되는 것인 이동 장치를 제공할 수 있다.

본 명세서에 있어서, 상기 “이동 장치에 내장되는 것”의 의미는 기 입력부, 학습부 및 출력부 등의 인터페이스가 상기 이동 장치의 구성 요소 중 하나에 해당함을 의미한다.

상기 장치의 일부 또는 전부가 이동 장치에 내장 되는 경우, 통신상의 문제에 따른 안전상의 문제가 발생하지 않는 장점이 있다.

본 발명의 일 실시상태에 있어서, 상기 전지 제어 시스템 장치를 구성하는 전지의 용량 측정 장치는 상술한 기준값 저장부; 및 용량 상태 진단부를 더 포함할 수 있으며, 상기 기준값 저장부 및 용량 상태 진단부 중 일부는 원격 제어 또는 이동 장치에 내장되는 것일 수 있다. 그 외 추가 가능한 인터페이스들이 있다면 각각의 인터페이스는 원격 제어 또는 이동 장치에 내장될 수 있다.

보다 구체적으로, 상기 전지 제어 시스템은 전기 자동차, 모바일 기기 등에 탑재되어 동력원으로 사용될 때, 용량 매칭(Matching)과 셀 밸런싱(Cell Balancing)을 진행하고, 전지의 충전 또는 방전을 제어하고, 전지의 잔량, 전지의 고장 등 전지의 전반적인 상태를 제어 및 관리해주는 시스템을 의미한다. 상기 전지 제어 시스템(Battery Management System, BMS)은 1 이상의 전지에 적용될 수 있다. 즉, 일반적으로 복수 개의 전지에 적용되나, 1개의 전지에 적용될 수 있으며, 각각의 전지에 개별적으로 전지 제어 시스템이 적용될 수 있다.

상기 전지 제어 시스템 장치에 의해 발생한 데이터도 상술한 바와 같이 통합적으로 관리될 수 있다.

본 발명에 따른 전지 용량 측정 장치를 전지 제어 시스템 장치에 적용할 경우, 전지 용량의 측정에 대한 정확도를 향상시킬 수 있고, 이를 통해 전지의 상태에 대한 진단, 전지의 수명 예측의 정확도를 향상시킬 수 있다. 즉, 1 이상의 전지가 전기 자동차, 모바일 기기 등에 탑재되어 동력원으로 사용되면서, 전지 제어 시스템에 의한 용량 매칭(Matching)과 셀 밸런싱(Cell Balancing) 등 전지의 전반적인 관리를 진행할 때 더욱 정확하고 효율적으로 전지를 제어할 수 있다.

본 발명의 일 실시상태에 있어서, 학습 대상으로 선택된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 전지의 용량 인자 학습 데이터를 입력하는 단계; 상기 입력된 전지의 용량 인자 학습 데이터로부터 전지의 용량 산포를 도출하는 단계; 상기 학습 데이터로부터 도출된 전지의 용량 산포의 전지 용량 범위 별로 복수 개의 상이한 기계 학습(Machine Learning)을 각각 진행하는 단계; 예측 대상으로 선택된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 선택된 전지의 용량 인자 측정 데이터를 입력하는 단계; 상기 입력된 전지의 용량 인자 측정 데이터로부터 전지의 용량 예측 데이터를 산출하는 단계; 및 상기 복수 개의 기계 학습의 결과를 상기 학습 데이터로부터 도출된 전지의 용량 산포의 전지의 용량 범위 별로 각각 산출된 전지 용량 예측 데이터를 출력하는 단계를 포함하는 것인 전지의 용량 측정 방법을 제공한다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 방법의 상기 전지의 용량 인자 학습 데이터는 상기 학습 대상으로 선택된 개별 전지의 정격 용량에 대한 용량 측정값에 대응하여 충전, 방전, 휴지(Rest) 중에 측정되는 전지의 충전 용량 및 전지의 방전 용량을 포함하고, 전지의 충전 전압, 전지의 방전 전압, 전지의 개회로 전압(OCV), 전지의 충전 전류, 전지의 방전 전류, 전지의 저항(Impedance) 및 전지의 온도 중에서 1 이상을 더 포함하는 것일 수 있으나, 이에 한정되는 것은 아니고, 전지의 용량에 영향을 줄 수 있는 요소라면 이에 포함될 수 있다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 방법의 상기 전지의 용량 인자 학습 데이터는 상기 학습 대상으로 선택된 개별 전지의 정격 용량에 대한 용량 측정값에 대응하여 충전, 방전, 휴지(Rest) 중에 측정되는 전지의 충전 전압, 전지의 방전 전압, 전지의 개회로 전압(OCV), 전지의 충전 전류, 전지의 방전 전류, 전지의 충전 용량, 전지의 방전 용량, 전지의 저항(Impedance) 및 전지의 온도를 포함하는 것일 수 있다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 방법의 상기 전지의 용량 인자 측정 데이터는 상기 예측 대상으로 선택된 전지의 충전, 방전, 휴지(Rest) 중에 측정되는 전지의 충전 전압, 전지의 방전 전압, 전지의 개회로 전압(OCV), 전지의 충전 전류, 전지의 방전 전류, 전지의 충전 용량, 전지의 방전 용량, 전지의 저항(Impedance) 및 전지의 온도 중에서 1 이상을 포함하는 것일 수 있으나, 이에 한정되는 것은 아니다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 방법의 상기 전지의 용량 인자 측정 데이터는 상기 예측 대상으로 선택된 전지의 충전, 방전, 휴지(Rest) 중에 측정되는 전지의 충전 전압, 전지의 방전 전압, 전지의 개회로 전압(OCV), 전지의 충전 전류, 전지의 방전 전류, 전지의 충전 용량, 전지의 방전 용량, 전지의 저항(Impedance) 및 전지의 온도를 포함하는 것일 수 있다.

본 발명의 일 실시상태에 있어서, 상기 입력된 학습 데이터에 기계 학습(Machine Learning)을 진행하는 단계는 디시전 트리(Decision Tree), 서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest), 부분최소제곱 회귀법(Partial Least Square Regression), 분위회귀분석(Quantile Regression), 그래디언트 부스팅 머신 (Gradient Boosting Machine), 심층 신경망(Deep Neural Networks) 및 일반화된 선형/비선형 회귀모형(Generalized Linear/Nonlinear Regression) 중에서 1 이상 선택하여 진행하는 것일 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 본 실시 예에서 용량 산포의 중심으로부터 표준편차의 1.5배가 되는 용량 구간에서는 앙상블(Ensemble) 회귀 방법을 사용하고, 표준편차의 1.5배가 넘는 용량 구간에서는 분위 회귀(Quantile Regression) 방법을 사용할 때 예측 용량의 정확도가 최대가 될 수 있다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 방법은 전지의 실제 용량 데이터를 저장하는 단계; 및 상기 출력된 전지 용량 예측 데이터 및 상기 전지의 실제 용량 데이터의 결과를 비교하여, 전지 용량 예측 데이터의 신뢰성을 판정하는 단계를 더 포함하는 하는 것일 수 있다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 방법의 상기 출력된 전지 용량 예측 데이터 및 상기 전지의 실제 용량 데이터의 결과를 비교하는 것은 상자 그림(Box plot)을 이용하는 것일 수 있으나, 이에 한정되는 것은 아니다.

본 발명의 일 실시상태에 있어서, 상기 전지 용량 예측 데이터의 신뢰성을 판정하는 단계는 기준값 저장부에 저장된 전지의 실제 규격 용량 산포, 결정계수(R squared, Coefficient of Determination, R²), 평균절대오차(Mean Absolute Error, MAE), 평균제곱근오차(Root Mean Square Error, RMSE), 또는 평균절대비오차(Mean Absolute Percentage Error, MAPE)를 이용하는 것일 수 있으나 이에 한정되는 것은 아니다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 방법의 상기 전지의 용량 산포의 전지의 용량 범위는 상기 용량 산포의 중심을 기준으로 표준편차 (Standard deviation, σ)의 정수배 또는 실수배로 결정하는 것일 수 있다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 방법의 상기 전지의 용량 산포의 전지의 용량 범위는 상기 용량 산포의 평균(Mean) 또는 중심값(Median)을 기준으로 표준편차 (Standard deviation, σ)의 정수배 또는 실수배로 결정하는 것일 수 있다.

본 발명의 일 실시상태에 있어서, 상기 복수 개의 기계 학습은 병렬적으로 연결된 것일 수 있다.

본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 방법은 상기 전지 제어 시스템(Battery Management System, BMS)에서 사용되는 방법일 수 있다. 즉, 본 발명의 일 실시상태에 있어서, 전지 제어 시스템은 본 발명에 따른 전지의 용량 측정 방법을 활용하여 상술한 전지 제어 시스템의 기능을 수행 할 수 있다.

이 경우에도 상술한 바와 같이, 1 이상의 전지가 전기 자동차, 모바일 기기 등에 탑재되어 동력원으로 사용되면서, 전지 제어 시스템에 의한 용량 매칭(Matching)과 셀 밸런싱(Cell Balancing) 등 전지의 전반적인 관리를 진행할 때 더욱 정확하고 효율적으로 전지를 제어할 수 있다.

본 명세서에 있어서, 본 발명의 실시상태에 따른 전지의 용량 측정 장치에 적용되는 설명은 본 발명의 실시상태에 따른 전지의 용량 측정 방법에도 적용될 수 있다.

본 출원에 따른 전지의 용량 측정 장치 및 방법은 전지의 용량 인자 학습 데이터에 복수 개의 기계 학습(Machine Learning) 방법 중에서 정확도를 극대화시킬 수 있는 방법을 용량 구간별로 적용함으로써, 전지 용량 예측의 정확도와 정밀도를 향상시킬 수 있다. 이를 통해, 전지의 상태 진단 및 품질 관리의 효율성을 향상시킬 수 있으며, 최종적으로 공정의 최적화 및 생산 효율성을 높일 수 있다.

본 발명의 일 실시상태는, 본 발명에 따른 전지의 용량 측정 방법을 실행시키는 기록 매체에 저장된 컴퓨터 프로그램을 제공한다. 상기 전지의 용량 측정 방법의 각 단계가 컴퓨터 프로그램의 형태로 기록 매체에 저장되어 있는 것을 제외하고, 상술한 전지의 용량 측정 방법에 대한 설명이 동일하게 적용될 수 있다.

보다 구체적으로 전지의 용량 측정 방법의 과정을 설명하면 하기와 같다.

<실시예>

모듈(Module), 팩(Pack), 트레이(tray)상에 학습하고자하는 1개 이상의 전지를 배치하고, 정격 용량에 대한 용량 측정값에 대응하여 전지의 충전 및 방전 공정을 실시하면서, 배치되어 있는 전지의 충전 전압, 전지의 방전 전압, 전지의 개회로 전압(OCV), 전지의 충전 전류, 전지의 방전 전류, 전지의 충전 용량, 전지의 방전 용량, 전지의 저항(Impedance) 및 전지의 온도와 같은 전지의 용량 인자들을 측정, 수집하고 그 값들을 용량 인자 학습 데이터로 저장매체에 저장하였다.

이 후, 상기 측정 및 수집된 용량 인자 학습 데이터로부터 용량 산포를 도출하고, 상기 학습 데이터로부터 도출된 용량 산포의 전지 용량 범위 별로, 제1 내지 제3의 기계 학습 모델을 이용하여 기계 학습을 진행하였고, 이를 통해 3 개의 전지 용량 예측 모델을 도출하였다.

구체적으로, 용량 산포의 중심을 기준으로 표준편차의 1.5 배 범위 내에는 제1 기계 학습 모델을 적용하여 도출된 용량 예측값을 해당 전지의 용량값으로 할당하고, 제1 기계 학습 모델에 의해 도출된 전지의 용량 범위, 즉 용량 산포의 중심을 기준으로 표준편차의 1.5 배 범위 내를 벗어나는 경우에 대해서는 제2 기계 학습 모델을 적용하여 도출된 용량 예측값을 해당 전지의 용량값으로 할당하였다. 보다 구체적으로, 상기 제2기계 학습 모델이 적용되는 전지의 용량 범위는 표준편차의 1.5배 내지 2배의 범위를 의미한다.

마찬가지로, 제1 및 제2 기계 학습 모델을 적용하여 도출된 전지의 용량 범위를 벗어나는 경우, 즉 표준편차의 2배를 벗어나는 경우에 대해서는 제3 기계 학습 모델을 적용하여 도출된 용량 예측값을 해당 전지의 용량값으로 할당하였다.

보다 구체적으로, 용량 산포의 중심을 기준으로 표준편차의 1.5 배 범위 내에는 랜덤 포레스트(제1 기계 학습 모델)을 적용하였고, 용량 산포의 중심을 기준으로 표준편차의 1.5 배 내지 2배의 범위에는 그래디언트 부스팅 머신(제2 기계 학습 모델) 알고리즘을 적용하였다.

마지막으로, 용량 산포의 중심을 기준으로 표준편차의 2배를 벗어나는 범위에 대해서는 분위회귀분석(Quantile Regression, 제3 기계 학습 모델) 알고리즘을 적용하였다.

또한, 이 과정에서, 배깅(Bagging) 알고리즘과 부스팅(Boosting) 알고리즘의 두 가지 앙상블(Ensemble) 방법을 이용하였다.

이 때, 산포의 중심에서부터 표준편차의 1.5 배 내지 2배의 용량 구간까지에서는 배깅(Bagging)과 부스팅(Boosting) 알고리즘을 적용할 때 정확도가 최대가 되었으며 그 바깥 용량 구간에서는 분위회귀분석(Quantile Regression) 방법을 적용할 때 정확도가 최대가 되었다.

이 후, 모듈(Module), 팩(Pack), 트레이(tray)상에 용량을 예측하고자하는 1개 이상의 전지를 배치하고, 전지의 충전 및 방전 공정을 실시하면서, 배치되어 있는 전지의 충전 전압, 전지의 방전 전압, 전지의 개회로 전압(OCV), 전지의 충전 전류, 전지의 방전 전류, 전지의 충전 용량, 전지의 방전 용량, 전지의 저항(Impedance) 및 전지의 온도와 같은 전지의 용량 인자들을 측정, 수집하고 그 값들을 용량 인자 측정 데이터로 저장매체에 저장하였다.

이 후, 상기 용량 인자 측정 데이터에 상기 도출된 3개의 상기 전지 용량 측정 모델을 적용하여 전지 용량 예측 데이터를 산출하였다.

다음으로, 산출된 전지 용량 예측 데이터를 상기 용량 인자 학습 데이터로부터 도출된 용량 산포의 용량 범위 별로 출력하여 예측하고자 전지의 용량 산포를 도출하였다.

<비교예>

또한, 선형 회귀식을 단일 기계 학습 알고리즘으로 적용한 것을 제외하고, 동일한 방법으로 전지 용량 예측 데이터를 도출(비교예)하였다.

실시예 및 비교예에 따른 도출 결과는 도 3의 용량 산포 비교 및 도 4의 상자 그림(Box plot)을 통해 나타내었다.

도 3 및 도 4에서 (a) 내지 (d)가 의미하는 것은 하기와 같다.

(a) 정격용량

(b) 단일 머신러닝(ML) 방법에 의해 산출된 용량

(c) 복수의 머신러닝(ML) 방법에 의해 산출된 용량(본 발명의 실시예)

(d) 선형 회귀식에 의해 산출된 용량

도 3 및 도 4의 결과로부터 본 출원의 실시상태에 따른 전지 용량 측정 장치 및 방법의 경우 측정 데이터와 예측 데이터의 차이가 크지 않고, 정확도가 우수함을 가시적으로 확인할 수 있었다.

마지막으로, 전지의 실제 용량 데이터와 상기 출력된 전지 용량 예측 데이터를 비교하여, 전지 용량 예측 데이터의 신뢰성을 R²을 도출하여 판정하였다.

또한, 단일 기계 학습 알고리즘을 적용한 것을 제외하고, 동일한 방법으로 전지 용량 예측 데이터를 도출하고 그 신뢰성을 R²을 도출하여 판정하였다.

그 결과 본 출원의 실시상태에 따른 전지 용량 측정 장치 및 방법은 단일 기계 학습 알고리즘을 적용한 것을 제외하고, 동일한 방법으로 전지 용량 측정한 경우보다 R² 는 20% 이상 향상되었음을 확인하였다.

Claims

학습 대상으로 선택된 개별 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 측정된 전지의 용량 인자 학습 데이터를 입력 받는 학습 데이터 입력부;

예측 대상으로 선택된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 선택된 전지의 용량 인자 측정 데이터를 입력 받는 측정 데이터 입력부;

상기 학습 데이터 입력부에 입력된 전지의 용량 인자 학습 데이터로부터 전지의 용량 산포를 도출하고, 상기 학습 데이터로부터 도출된 전지의 용량 산포의 전지 용량 범위 별로 복수 개의 서로 상이한 기계 학습(Machine Learning)을 각각 진행하는 데이터 학습부; 및

상기 입력된 전지의 용량 인자 측정 데이터로부터 상기 복수 개의 서로 상이한 기계 학습의 결과를 통해 상기 예측 대상으로 선택된 전지의 용량 예측 데이터를 산출하고, 상기 학습 데이터로부터 도출된 전지의 용량 산포의 전지 용량 범위 별로 각각 산출된 전지 용량 예측 데이터를 출력하는 출력부를 포함하는 것인 전지의 용량 측정 장치.
제1항에 있어서,

상기 전지의 용량 인자 학습 데이터는 상기 학습 대상으로 선택된 개별 전지의 정격 용량에 대한 용량 측정값에 대응하여 충전, 방전, 휴지(Rest) 중에 측정되는 전지의 충전 량 및 전지의 방전 용량을 포함하고, 전지의 충전 전압, 전지의 방전 전압, 전지의 개회로 전압(OCV), 전지의 충전 전류, 전지의 방전 전류, 전지의 저항(Impedance) 및 전지의 온도 중에서 1 이상을 더 포함하는 것인 전지의 용량 측정 장치.
제1항에 있어서,

상기 전지의 용량 인자 측정 데이터는 상기 예측 대상으로 선택된 전지의 충전, 방전, 휴지(Rest) 중에 측정되는 전지의 충전 전압, 전지의 방전 전압, 전지의 개회로 전압(OCV), 전지의 충전 전류, 전지의 방전 전류, 전지의 충전 용량, 전지의 방전 용량, 전지의 저항(Impedance) 및 전지의 온도 중에서 1 이상을 포함하는 것인 전지의 용량 측정 장치.
제1항에 있어서,

상기 데이터 학습부의 복수 개의 서로 상이한 기계 학습은 각각 상이한 회귀모형 알고리즘(Algorithm)을 선택하여 진행하는 것인 전지의 용량 측정 장치.
제4항에 있어서,

상기 회귀모형 알고리즘(Algorithm)은 디시전 트리(Decision Tree), 서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest), 부분최소제곱 회귀법(Partial Least Square Regression), 분위 회귀모형(Quantile Regression), 그래디언트 부스팅 머신 (Gradient Boosting Machine), 심층 신경망(Deep Neural Networks) 및 일반화된 선형/비선형 회귀모형(Generalized Linear/Nonlinear Regression) 중에서 1 이상 선택되는 것인 전지의 용량 측정 장치.
제1항에 있어서,

전지의 정격 용량(Rated Capacity) 조건에서 측정된 데이터를 저장하는 기준값 저장부; 및

상기 출력된 전지 용량 예측 데이터 및 상기 전지의 정격 용량 조건에서 측정된 데이터의 결과를 비교하여, 전지 용량 예측 데이터의 신뢰성을 판정하고, 전지의 용량 및 상태를 진단하고, 상기 진단 결과에 따라서 전지의 공정을 제어하는 용량 상태 진단부를 더 포함하는 것인 전지의 용량 측정 장치.
제6항에 있어서,

상기 전지 용량 예측 데이터의 신뢰성을 판정하는 것은 기준값 저장부에 저장된 전지의 정격 용량 조건에서 측정된 용량 산포, 결정계수(R squared 또는 Coefficient of Determination, R²), 평균절대오차(Mean Absolute Error, MAE), 평균제곱근오차(Root Mean Square Error, RMSE), 또는 평균절대비오차(Mean Absolute Percentage Error, MAPE)를 이용하는 것인 전지의 용량 측정 장치.
제1항에 있어서,

상기 전지의 용량 산포의 전지 용량 범위는 상기 용량 산포 평균(Mean) 또는 중심값(Median)을 기준으로 표준편차 (Standard deviation, σ)의 정수배 또는 실수배로 결정하는 것인 전지의 용량 측정 장치.
학습 대상으로 선택된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 전지의 용량 인자 학습 데이터를 입력하는 단계;

상기 입력된 전지의 용량 인자 학습 데이터로부터 전지의 용량 산포를 도출하는 단계;

상기 학습 데이터로부터 도출된 전지의 용량 산포의 전지 용량 범위 별로 복수 개의 상이한 기계 학습(Machine Learning)을 각각 진행하는 단계;

예측 대상으로 선택된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 선택된 전지의 용량 인자 측정 데이터를 입력하는 단계;

상기 입력된 전지의 용량 인자 측정 데이터로부터 상기 복수 개의 기계 학습의 결과를 통해 상기 예측 대상으로 선택된 전지의 용량 예측 데이터를 산출하는 단계; 및

상기 학습 데이터로부터 도출된 전지의 용량 산포의 전지의 용량 범위 별로 각각 산출된 전지 용량 예측 데이터를 출력하는 단계를 포함하는 것인 전지의 용량 측정 방법.
제9항에 있어서,

상기 전지의 용량 인자 학습 데이터는 상기 학습 대상으로 선택된 개별 전지의 정격 용량에 대한 용량 측정값에 대응하여 충전, 방전, 휴지(Rest) 중에 측정되는 전지의 충전 용량 및 전지의 방전 용량을 포함하고, 전지의 충전 전압, 전지의 방전 전압, 전지의 개회로 전압(OCV), 전지의 충전 전류, 전지의 방전 전류, 전지의 저항(Impedance) 및 전지의 온도 중에서 1 이상을 더 포함하는 것인 전지의 용량 측정 방법.
제9항에 있어서,

상기 전지의 용량 인자 측정 데이터는 상기 예측 대상으로 선택된 전지의 충전, 방전, 휴지(Rest) 중에 측정되는 전지의 충전 전압, 전지의 방전 전압, 전지의 개회로 전압(OCV), 전지의 충전 전류, 전지의 방전 전류, 전지의 충전 용량, 전지의 방전 용량, 전지의 저항(Impedance) 및 전지의 온도 중에서 1 이상을 포함하는 것인 전지의 용량 측정 방법.
제9항에 있어서,

상기 입력된 학습 데이터에 복수 개의 상이한 기계 학습을 진행하는 단계는 각각 상이한 회귀모형 알고리즘(Algorithm)을 선택하여 진행하는 것인 전지의 용량 측정 방법.
제12항에 있어서,

상기 상이한 회귀모형 알고리즘(Algorithm)은 디시전 트리(Decision Tree), 서포트 벡터 머신(Support Vector Machine, SVM), 랜덤 포레스트(Random Forest), 부분 최소제곱 회귀법(Partial Least Square Regression), 분위회귀분석(Quantile Regression), 그래디언트 부스팅 머신 (Gradient Boosting Machine), 심층 신경망(Deep Neural Networks) 및 일반화된 선형/비선형 회귀모형(Generalized Linear/Nonlinear Regression) 중에서 1 이상 선택되는 것인 전지의 용량 측정 방법.
제9항에 있어서,

전지의 정격 용량 조건에서 측정된 전지 용량 데이터를 저장하고 업데이트 하는 단계; 및

상기 출력된 전지 용량 예측 데이터 및 상기 전지의 정격 용량 조건에서 측정된 전지 용량 데이터의 결과를 비교하여, 전지 용량 예측 데이터의 신뢰성을 판정하는 단계를 더 포함하는 것인 전지의 용량 측정 방법.
제14항에 있어서,

상기 전지 용량 예측 데이터의 신뢰성을 판정하는 단계는 기준값 저장부에 저장된 전지의 정격 용량 조건에서 측정된 용량 산포, 결정계수(R squared, 또는 Coefficient of Determination, R²), 평균절대오차(Mean Absolute Error, MAE), 평균제곱근오차(Root Mean Square Error, RMSE), 또는 평균절대비오차(Mean Absolute Percentage Error, MAPE)를 이용하는 것인 전지의 용량 측정 방법.
제9항에 있어서,

상기 전지의 용량 산포의 전지의 용량 범위는 상기 용량 산포 평균(Mean) 또는 중심값(Median)을 기준으로 표준편차 (Standard deviation, σ)의 정수배 또는 실수배로 결정하는 것인 전지의 용량 측정 방법.
제1항 내지 제8항 중 어느 한 항에 따른 전지의 용량 측정 장치를 포함하는 전지 제어 시스템(Battery Management System, BMS) 장치.
제17항에 있어서,

상기 학습 데이터 입력부; 측정 데이터 입력부; 데이터 학습부; 출력부; 기준값 저장부; 및 용량 상태 진단부 중 적어도 하나는 원격 제어되는 것인 전지 제어 시스템 장치.
제17항에 따른 전지 제어 시스템 장치를 포함하는 이동 장치.
제19항에 있어서,

상기 전지 제어 시스템 장치의 학습 데이터 입력부; 측정 데이터 입력부; 데이터 학습부; 출력부; 기준값 저장부; 및 용량 상태 진단부 중 적어도 하나는 이동 장치에 내장되는 것인 이동 장치.
제9항 내지 제16항 중 어느 한 항에 따른 전지의 용량 측정 방법을 실행시키는 기록 매체에 저장된 컴퓨터 프로그램.