WO2023018070A1 - 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템 - Google Patents

배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템 Download PDF

Info

Publication number
WO2023018070A1
WO2023018070A1 PCT/KR2022/011061 KR2022011061W WO2023018070A1 WO 2023018070 A1 WO2023018070 A1 WO 2023018070A1 KR 2022011061 W KR2022011061 W KR 2022011061W WO 2023018070 A1 WO2023018070 A1 WO 2023018070A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery
state
management device
data
state data
Prior art date
Application number
PCT/KR2022/011061
Other languages
English (en)
French (fr)
Inventor
이정훈
Original Assignee
주식회사 엘지에너지솔루션
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 주식회사 엘지에너지솔루션 filed Critical 주식회사 엘지에너지솔루션
Priority to US18/290,263 priority Critical patent/US20240241180A1/en
Priority to EP22856069.4A priority patent/EP4386401A1/en
Priority to JP2023569629A priority patent/JP2024519755A/ja
Priority to CN202280036595.9A priority patent/CN117396767A/zh
Publication of WO2023018070A1 publication Critical patent/WO2023018070A1/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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • 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]
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

  • Embodiments disclosed in this document relate to a battery management device and a battery inspection system including the same.
  • Electric vehicles receive power from the outside to charge the battery, and then drive the motor with the voltage charged in the battery to obtain power.
  • Electric vehicle batteries can generate heat due to chemical reactions that occur during the process of charging and discharging electricity, and this heat can damage the performance and lifespan of the battery. Therefore, a battery management system (BMS) that monitors the temperature, voltage, and current of the battery is driven to diagnose the state of the battery.
  • BMS battery management system
  • One object of the embodiments disclosed in this document is a battery management device that can improve the efficiency of the battery management device and reduce infrastructure installation costs and communication costs by precisely analyzing only battery data determined to be abnormal, and a battery including the same It is to provide inspection system.
  • An apparatus for managing a battery includes a first controller that obtains state data including a measured value of a state of a battery, and applies at least a part of the state data to machine learning to determine the state of the battery.
  • a second controller that generates predicted prediction data and compares the predicted data with state data of the battery to determine the state of the battery, and a communication unit that transmits the state data to a server based on a result of determining the state of the battery can include
  • the second controller may compress the state data acquired during a predetermined period of time before and after the time when the battery is determined to be in an abnormal state.
  • the communication unit may transmit state data of the compressed battery to the server.
  • the measured value includes the cumulatively measured voltage, current, and temperature of the battery
  • the state data includes the measured value and the SOH (State of the battery) calculated based on the measured value. health) may be included.
  • the prediction data includes the voltage of the battery
  • the second controller determines past data included in the state data and current and temperature of the battery measured at a present time included in the state data.
  • the voltage of the battery may be predicted by applying the machine learning model.
  • the second controller may predict the voltage of the battery by applying the state data to a Long Short Term Memory (LSTM) algorithm.
  • LSTM Long Short Term Memory
  • the second controller may generate an anomaly score by applying the state data and the predicted data to an anomaly detection algorithm.
  • the second controller may determine that the battery is in an abnormal state when a ratio of abnormal values that are equal to or greater than a threshold value among the abnormal values generated for a predetermined time period is equal to or greater than a predetermined rate.
  • a battery inspection system applies at least a part of state data including a measurement value of a state of a battery to machine learning to generate prediction data that predicts the state of the battery, and generates prediction data that predicts the state of the battery.
  • a battery management device that compares data and state data of the battery to determine the state of the battery and transmits the state data to a server based on the determination result, and whether or not the battery is in an abnormal state based on the state data of the battery It may include a server that determines.
  • the battery management device may compress the state data acquired during a predetermined time before and after the time when the battery is determined to be in an abnormal state and transmit the compressed state data to the server.
  • the measured value includes the cumulatively measured voltage, current, and temperature of the battery
  • the state data includes the measured value and the SOH (State of the battery) calculated based on the measured value. health) may be included.
  • the battery management device determines the past data included in the state data and the current and temperature of the battery measured at the present time included in the state data by using the Long Short Term Memory (LSTM) algorithm
  • the voltage of the battery can be predicted by applying to .
  • LSTM Long Short Term Memory
  • the battery management device generates an anomaly score by applying the state data and the prediction data to an anomaly detection algorithm, and an outlier value that is greater than or equal to a threshold value among the anomaly scores generated for a predetermined period of time.
  • the ratio of is greater than a certain ratio, the battery may be determined to be in an abnormal state.
  • the server may extract a false alarm, which is a case where the battery management device determines that the battery is in an abnormal state even though the battery is not actually in an abnormal state.
  • the server may measure the SOH value of the battery and the threshold value of the outlier detection algorithm and transmit the measured value to the battery management device.
  • the battery management device may update the long and short term memory algorithm and the outlier detection algorithm based on the SOH value and the threshold value received from the server.
  • FIG. 1 is a diagram showing the configuration of a battery pack according to an embodiment disclosed in this document.
  • FIG. 2 is a block diagram showing the configuration of a battery management device according to an embodiment disclosed in this document.
  • FIG. 3 is a diagram for generally describing a battery management device according to an exemplary embodiment disclosed in this document.
  • FIG. 4 is a block diagram showing the configuration of a battery inspection system according to an embodiment disclosed in this document.
  • FIG. 5 is a flowchart illustrating an operating method of a battery test system according to an embodiment disclosed in this document.
  • FIG. 1 is a diagram showing a battery pack according to an embodiment disclosed in this document.
  • a battery pack 100 may include a battery module 110 , a battery management device 120 and a relay 130 .
  • the battery module 110 may include a first battery cell 111 , a second battery cell 112 , a third battery cell 113 , and a fourth battery cell 114 . Although the number of battery cells is illustrated in FIG. 1 as four, it is not limited thereto, and the battery module 110 may include n (n is a natural number equal to or greater than 2) battery cells.
  • the battery module 110 may supply power to a target device (not shown). To this end, the battery module 110 may be electrically connected to the target device.
  • the target device may include an electrical, electronic, or mechanical device operating by receiving power from the battery pack 100 including the plurality of battery cells 111, 112, 113, and 114, for example , the target device may be an electric vehicle (EV), but is not limited thereto.
  • EV electric vehicle
  • the plurality of battery cells 111, 112, 113, and 114 include a lithium ion (Li-iOn) battery, a lithium ion polymer (Li-iOn polymer) battery, a nickel cadmium (Ni-Cd) battery, a nickel hydrogen (Ni-MH) It may be a battery or the like, but is not limited thereto. Meanwhile, although FIG. 1 shows a case in which one battery module 110 is provided, a plurality of battery modules 110 may be configured according to embodiments.
  • the battery management system (BMS) 120 may manage and/or control the state and/or operation of the battery module 110 .
  • the battery management device 120 may manage and/or control states and/or operations of the plurality of battery cells 111, 112, 113, and 114 included in the battery module 110.
  • the battery management device 120 may manage charging and/or discharging of the battery module 110 .
  • the battery management device 120 may monitor the battery module 110 and/or the voltage, current, temperature, etc. of each of the plurality of battery cells 111, 112, 113, and 114 included in the battery module 110. there is.
  • sensors or various measuring modules may be additionally installed in the battery module 110, a charge/discharge path, or an arbitrary position such as the battery module 110.
  • the battery management device 120 determines a parameter indicating the state of the battery module 110, for example, SOC (State of Charge) or SOH (State of Health), based on measured values such as monitored voltage, current, and temperature. can be calculated
  • the battery management device 120 may control the operation of the relay 130 .
  • the battery management device 120 may short the relay 130 to supply power to the target device.
  • the battery management device 120 may short-circuit the relay 130 when a charging device is connected to the battery pack 100 .
  • the battery management device 120 may calculate the cell balancing time of each of the plurality of battery cells 111 , 112 , 113 , and 114 .
  • the cell balancing time may be defined as a time required for balancing battery cells.
  • the battery management device 120 may calculate a cell balancing time based on a state of charge (SOC), battery capacity, and balancing efficiency of each of the plurality of battery cells 111, 112, 113, and 114.
  • SOC state of charge
  • FIG. 2 is a block diagram showing the configuration of a battery management device according to an embodiment disclosed in this document.
  • 3 is a diagram for generally describing a battery management device according to an exemplary embodiment disclosed in this document.
  • the battery management device 120 may include a first controller 121 , a second controller 122 and a communication unit 123 .
  • the battery module 100 may include a plurality of battery cells 111 , 112 , 113 , and 114 , but hereinafter, the first battery cell 110 will be described as an example.
  • the first controller 121 may obtain state data including a measurement value obtained by measuring the state of the first battery cell 111 .
  • the measured value may include cumulatively measured voltage, current, and temperature of the first battery cell 111 .
  • the state data includes a measured value including the measured voltage, current, and temperature of the first battery cell 111 and a state of health (SOH) of the first battery cell 111 calculated based on the measured value.
  • SOH state of health
  • the first controller 121 may obtain measurement values obtained by measuring voltage, current, and temperature of the first battery cell 111 from time (t-N) to time (t-1), and may obtain the measured values. Based on this, the SOH from (t-N) time to (t-1) time of the first battery cell 111 may be obtained.
  • N can be defined as an arbitrary constant value representing the amount of change in the variable t, which means time.
  • the first controller 121 determines the voltage of the first battery cell 111 at time (tN) ( ), current ( ), temperature( ) to obtain the SOH value of the first battery cell 111 at time (tN), and the voltage of the first battery cell 111 at time (t-(N-1)) ( ), current ( ), temperature( ), the SOH value of the first battery cell 111 at time (t ⁇ (N ⁇ 1)) may be obtained. That is, the first controller 121 may obtain past state data of the first battery cell 111 from time (tN) to time (t ⁇ 1).
  • the first controller 121 determines the current (current) of the first battery cell 111 measured at the current time point (t). ) and temperature ( ) can be obtained.
  • the second controller 122 may generate prediction data that predicts the state of the first battery cell 111 by applying at least a portion of the state data to machine learning.
  • the predicted data is the voltage of the first battery cell 111 ( ) may be included.
  • the second controller 122 applies the past data included in the state data and the current and temperature of the first battery cell 111 measured at the present time included in the state data to a machine learning model of a time series analysis structure
  • the voltage of the first battery cell 111 may be predicted.
  • a time series can be defined as a sequence arranged at regular time intervals according to the passage of time.
  • the machine learning model of the time series analysis structure may include a Long Short Term Memory (LSTM) algorithm.
  • the long-term short-term memory algorithm is one of artificial neural networks, and can be defined as an improved structure of a recurrent neural network (RNN) to reflect long-term characteristics.
  • RNN recurrent neural network
  • the long-short-term memory algorithm is mainly applied to problems of time-series data representing phenomena that change with time.
  • the long and short term memory algorithm can predict what the n+1th data will be for the measurement time series data of an object having a length of n.
  • the second controller 122 measures the voltage, current, temperature and SOH data of the first battery cell 111 from time (tN) to time (t-1) and the first battery cell ( Voltage ( ) can be predicted. That is, the second controller 122 applies the state data of the first battery cell 111 from time (tN) to time (t-1) to the long and short-term memory algorithm to apply the first battery cell ( 111) may generate prediction data predicting the voltage.
  • the second controller 122 may determine the state of the first battery cell 111 by comparing prediction data with state data. Specifically, the second controller 122 calculates the predicted voltage of the first battery cell 111 at (t) time ( ) and the measured voltage at (t) time of the first battery cell 111 ( ) can be applied to the anomaly detection algorithm to generate an anomaly score to analyze whether the battery is in an abnormal state.
  • the outlier detection algorithm may be defined as an artificial intelligence model that analyzes the anomaly score of an object showing patterns and characteristics different from normal data.
  • the second controller 122 calculates the predicted voltage of the first battery cell 111 at time (t) ( ) and the measured voltage at (t) time of the first battery cell 111 ( ) can create an outlier that is the difference.
  • the second controller 122 may determine that the first battery cell 111 is in an abnormal state when a ratio of abnormal values greater than or equal to a threshold value among abnormal values generated for a predetermined period of time is equal to or greater than a predetermined rate. That is, the second controller 122 controls the predicted voltage of the first battery cell 111 generated for a predetermined time ( ) of the measured voltage of the first battery cell 111 ( ), the first battery cell 111 may be determined to be in an abnormal state when the ratio of the outlier values exceeding the threshold value is maintained for several seconds to several tens of seconds.
  • the second controller 122 may compress state data acquired during a predetermined time before and after the point in time when the first battery cell 111 is determined to be in an abnormal state.
  • the communication unit 123 may transmit state data to the server 200 based on a result of determining the state of the first battery cell 111 of the second controller 122 . That is, when the first battery cell 111 is determined to be in an abnormal state, the communication unit 123 transmits compressed state data of the first battery cell 111 to the server 200 using Over The Air (OTA) technology.
  • OTA Over The Air
  • the OTA technology is a firmware update method, and can be defined as a technology that wirelessly updates the firmware using Wi-Fi without connecting to a computer.
  • the battery management device 120 and the battery inspection system 1000 transmit battery data to the server so that the battery management device 120 It is possible to increase diagnosis efficiency and prevent unnecessary power supply to the battery management device 120 .
  • the battery management device 120 and the battery inspection system 1000 pre-analyze the battery data using a voltage prediction model designed in the battery management device, and transmit the battery data to a server having abundant computing resources when an anomaly is detected.
  • a voltage prediction model designed in the battery management device By performing precise analysis, it is possible to reduce communication resources and lighten the storage and computing power of the cloud computer included in the server by drastically reducing the data transmitted to the server while precisely analyzing the anomaly of the battery.
  • the battery management device 120 and the battery inspection system 1000 may transmit minimum necessary battery data to the server without data loss, thereby reducing server infrastructure investment costs and network costs.
  • FIG. 4 is a block diagram showing the configuration of a battery inspection system according to an embodiment disclosed in this document.
  • 5 is a flowchart illustrating an operating method of a battery test system according to an embodiment disclosed in this document.
  • a battery inspection system 1000 may include a battery management device 120 and a server 200 .
  • the battery management device 120 may be substantially the same as the battery management device 120 described with reference to FIGS. 1 to 3 , it will be briefly described below to avoid duplication of description.
  • the operating method of the battery test system includes obtaining, by the battery management device 120, state data including a measurement value obtained by measuring the state of the first battery cell 111 (S101), the battery management device ( 120) generating prediction data by applying the state data to the long-term and short-term memory algorithm (S102), and the battery management device 120 inputs the prediction data and state data to the outlier detection algorithm to determine the state of the first battery cell 111 (S103), the battery management device 120 determining whether the first battery cell 111 is in an abnormal state (S104), the battery management device when the first battery cell 111 is in an abnormal state (120) transmitting the state data of the first battery cell 111 to the server 200 (S105), the server 200 extracting false alarms (S106), the server 200 frequency of false alarms Determining whether is greater than or equal to a threshold frequency (S107).
  • state data including a measurement value obtained by measuring the state of the first battery cell 111 (S101)
  • the battery management device ( 120) generating prediction data by applying the state data to the long
  • the server 200 measures the SOH value of the first battery cell 111 and the threshold value of the outlier detection algorithm to manage the battery. It may include transmitting to the device 120 (S108) and applying the SOH value and the threshold value received from the server 200 by the battery management device 120 to a short-term memory algorithm and an outlier detection algorithm (S109). there is.
  • the battery management device 120 may obtain state data including a measurement value obtained by measuring the state of the first battery cell 111 .
  • the state data may include a measured value including the measured voltage, current, and temperature of the first battery cell 111 and a State of Health (SOH) of the first battery cell 111 calculated based on the measured value.
  • SOH State of Health
  • the battery management device 120 may obtain past state data of the first battery cell 111 from time (t-N) to time (t-1).
  • the battery management device 120 may obtain current and temperature measurement values of the first battery cell 111 measured at the current point in time t.
  • the battery management device 120 may generate prediction data that predicts the state of the first battery cell 111 by applying at least a portion of the state data of the first battery cell 111 to machine learning.
  • step S101 the battery management device 120 determines the voltage, current, temperature, and SOH data of the first battery cell 111 from time (tN) to time (t-1) and the current time point (t).
  • the voltage ( ) can be predicted.
  • the battery management device 120 may determine the state of the first battery cell 111 by comparing prediction data with state data. In detail, the battery management device 120 calculates the predicted voltage of the first battery cell 111 at time (t) ( ) and the measured voltage at (t) time of the first battery cell 111 ( ) can be applied to the anomaly detection algorithm to generate an anomaly score to analyze whether the battery is in an abnormal state.
  • the battery management device 120 may determine that the first battery cell 111 is in an abnormal state when the ratio of outliers that are equal to or greater than a threshold among the outliers generated for a predetermined period of time is equal to or greater than a predetermined ratio.
  • step S105 when the first battery cell 111 is determined to be in an abnormal state, the battery management device 120 compresses state data acquired for a predetermined time before and after the point in time when the first battery cell 111 is determined to be in an abnormal state. and can be transmitted to the server 200.
  • the server 200 may be defined as a determination device that receives state data of the first battery cell 111 and determines whether the first battery cell 111 is defective.
  • the server 200 may include, for example, cloud computing technology.
  • the server 200 provides a false alarm when the first battery cell 111 is determined to be in an abnormal state even though it is not actually in an abnormal state based on the state data of the first battery cell 111 determined by the battery management device 120 ( It can include an artificial intelligence model that extracts false alarms.
  • step S106 when the battery management device 120 compresses the state data of the first battery cell 111 obtained during a predetermined time before and after the time when the abnormal state is determined and transmits the compressed data to the server 200, the server 200 Compressed state data transmitted by the battery management device 120 may be received.
  • step S106 the server 200 analyzes the compressed data received from the battery management device 120, state data obtained for a predetermined time before and after the time when the abnormal state is determined, so that the first battery cell 111 is actually It is possible to extract a false alarm, which is a case where it is judged to be an abnormal state even though it is not an abnormal state.
  • step S107 the server 200 may determine whether the frequency of false alarms is greater than or equal to a threshold frequency.
  • step S108 when the frequency of false alarms is greater than or equal to the threshold frequency, the server 200 recalculates the SOH value of the first battery cell 111 included in the battery management device 120 and resets the threshold value of the outlier detection algorithm. and can be transmitted to the battery management device 120.
  • step S108 the server 200 identifies the cause of the false alarm of the first battery cell 111 as the SOH value of the first battery cell 111 input to the short-term memory algorithm of the battery management device 120 and the abnormal value. It can be analyzed as the threshold of the detection algorithm.
  • the long-term and short-term memory algorithm of the battery management device 120 is based on measured values of the voltage, current, and temperature of the first battery cell 111 as past data included in the state data of the first battery cell 111 and the measured values.
  • the SOH value of the first battery cell 111 is input as . Therefore, when an error occurs in the process of the battery management device 120 calculating the SOH value of the first battery cell 111 based on the voltage, current, and temperature of the first battery cell 111, an error occurs in the short-term memory algorithm. may occur, and such an error may create a false alarm of the battery test system 1000. Accordingly, the server 200 may recalculate the SOH value of the first battery cell 111 input to the battery management device 120 and transmit it to the battery management device 120 .
  • the server 200 may analyze the cause of the false alarm of the first battery cell 111 as a threshold value of the outlier detection algorithm of the battery management device 120 .
  • the battery management device 120 uses the outlier detection algorithm to predict the voltage of the first battery cell 111 at time (t) ( ) and the measured voltage at (t) time of the first battery cell 111 ( ), and if the ratio of the outliers that are equal to or greater than the threshold value is greater than or equal to a predetermined ratio, the first battery cell 111 may be determined to be in an abnormal state. Therefore, when the battery management device 120 classifies an abnormal value as an abnormal value, an error may occur in determining the abnormal state of the first battery cell 111 of the battery management device 120, and this error may occur in the battery management device 120. The inspection system 1000 may generate false alarms. Therefore, the server 200 may reset the threshold value of the anomaly detection algorithm input to the battery management device 120 and transmit it to the battery management device 120 .
  • step S109 when receiving the SOH value of the first battery cell 111 and the threshold value of the outlier detection algorithm from the server 200, the battery management device 120 may update the long and short term memory algorithm and the outlier detection algorithm. .

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Sustainable Energy (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Sustainable Development (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

본 문서에 개시된 일 실시예에 따른 배터리 관리 장치는 배터리의 상태를 측정한 측정값을 포함하는 상태 데이터를 획득하는 제1 컨트롤러, 상기 상태 데이터의 적어도 일부를 기계 학습에 적용하여 상기 배터리의 상태를 예측한 예측 데이터를 생성하고, 상기 예측 데이터와 상기 배터리의 상태 데이터를 비교하여 상기 배터리의 상태를 판단하는 제2 컨트롤러 및 상기 배터리의 상태를 판단한 결과에 기초하여 상기 상태 데이터를 서버에 전송하는 통신부를 포함할 수 있다.

Description

배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템
관련출원과의 상호인용
본 문서에 개시된 실시예들은 2021.08.13.에 출원된 한국 특허 출원 제10-2021-0107250호에 기초한 우선권의 이익을 주장하며, 해당 한국 특허 출원의 문헌에 개시된 모든 내용을 본 명세서의 일부로서 포함한다.
기술분야
본 문서에 개시된 실시예들은 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템에 관한 것이다.
전기차는 외부로부터 전기를 공급받아 배터리를 충전한 후, 배터리에 충전된 전압으로 모터를 구동시켜 동력을 얻는다. 전기차의 배터리는 전기를 충전 및 방전하는 과정에서 발생하는 화학적 반응으로 열이 발생할 수 있고, 이러한 열은 배터리 의 성능 및 수명을 손상시킬 수 있다. 따라서 배터리의 온도, 전압 및 전류를 모니터링하는 배터리 관리 장치(BMS, Battery Management System)가 구동되어 배터리의 상태를 진단한다.
그러나 배터리 관리 장치에서 배터리의 상태를 실시간으로 정밀 분석하기 위해 배터리 관리 장치에 고성능의 GPU나 NPU를 탑재하는 경우 배터리 관리 장치의 효율을 저하시키고 원가가 상승하는 문제점이 있다. 또한, 배터리 관리 장치가 측정한 배터리 데이터를 전부 클라우드 서버로 전송하여 분석하는 경우는 인프라 설치 비용 및 통신 비용이 발생하고 많은 양의 데이터를 관리 및 분석하는 과정에서 효율이 저하되는 문제점이 있다.
본 문서에 개시되는 실시예들의 일 목적은 이상 상황으로 판단되는 배터리의데이터만을 정밀 분석하여 배터리 관리 장치의 효율성을 향상시키고 인프라 설치 비용 및 통신 비용을 절감시킬 수 있는 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템을 제공하는 데 있다.
본 문서에 개시된 실시예들의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 문서에 개시된 일 실시예에 따른 배터리 관리 장치는 배터리의 상태를 측정한 측정값을 포함하는 상태 데이터를 획득하는 제1 컨트롤러, 상기 상태 데이터의 적어도 일부를 기계 학습에 적용하여 상기 배터리의 상태를 예측한 예측 데이터를 생성하고, 상기 예측 데이터와 상기 배터리의 상태 데이터를 비교하여 상기 배터리의 상태를 판단하는 제2 컨트롤러 및 상기 배터리의 상태를 판단한 결과에 기초하여 상기 상태 데이터를 서버에 전송하는 통신부를 포함할 수 있다.
일 실시예에 따라, 상기 제2 컨트롤러는 상기 배터리가 이상 상태로 판단되는 경우 상기 배터리가 이상 상태로 판단되는 시점 전후의 소정 시간 동안에 획득된 상기 상태 데이터를 압축할 수 있다.
일 실시예에 따라, 상기 통신부는 상기 압축된 배터리의 상태 데이터를 상기 서버에 전송할 수 있다.
일 실시예에 따라, 상기 측정값은 누적적으로 측정된 상기 배터리의 전압, 전류 및 온도를 포함하고, 상기 상태 데이터는 상기 측정값 및 상기 측정값을 기초로 산출된 상기 배터리의 SOH(State of Health)를 포함할 수 있다.
일 실시예에 따라, 상기 예측 데이터는 상기 배터리의 전압을 포함하고, 상기 제2 컨트롤러는 상기 상태 데이터에 포함된 과거 데이터 및 상기 상태 데이터에 포함된 현 시점에 측정된 상기 배터리의 전류 및 온도를 상기 기계 학습 모델에 적용하여 상기 배터리의 전압을 예측할 수 있다.
일 실시예에 따라, 상기 제2 컨트롤러는 상기 상태 데이터를 장단기 메모리(LSTM, Long Short Term Memory) 알고리즘에 적용하여 상기 배터리의 전압을 예측할 수 있다.
일 실시예에 따라, 상기 제2 컨트롤러는 상기 상태 데이터와 상기 예측 데이터를 이상치 탐지(Anomaly Detection) 알고리즘에 적용하여 이상치(Anomaly Score)를 생성할 수 있다.
일 실시예에 따라, 상기 제2 컨트롤러는 소정의 시간 동안 생성된 상기 이상치 중 임계값 이상인 이상치의 비율이 일정 비율 이상인 경우 상기 배터리를 이상 상태로 판단할 수 있다.
본 문서에 개시된 일 실시예에 따른 배터리 검사 시스템은 배터리의 상태를 측정한 측정값을 포함하는 상태 데이터의 적어도 일부를 기계 학습에 적용하여 상기 배터리의 상태를 예측한 예측 데이터를 생성하고, 상기 예측 데이터와 상기 배터리의 상태 데이터를 비교하여 상기 배터리의 상태를 판단하고, 상기 판단 결과에 기초하여 상기 상태 데이터를 서버에 전송하는 배터리 관리 장치 및 상기 배터리의 상태 데이터를 기초로 상기 배터리의 이상 상태 여부를 판단하는 서버를 포함할 수 있다.
일 실시예에 따라, 상기 배터리 관리 장치는 상기 배터리가 이상 상태로 판단되는 경우 상기 배터리가 이상 상태로 판단되는 시점 전후의 소정 시간 동안에 획득된 상기 상태 데이터를 압축하여 상기 서버에 전송할 수 있다.
일 실시예에 따라, 상기 측정값은 누적적으로 측정된 상기 배터리의 전압, 전류 및 온도를 포함하고, 상기 상태 데이터는 상기 측정값 및 상기 측정값을 기초로 산출된 상기 배터리의 SOH(State of Health)를 포함할 수 있다.
일 실시예에 따라, 상기 배터리 관리 장치는 상기 상태 데이터에 포함된 과거 데이터 및 상기 상태 데이터에 포함된 현 시점에 측정된 상기 배터리의 전류 및 온도를 상기 장단기 메모리(LSTM, Long Short Term Memory) 알고리즘에 적용하여 상기 배터리의 전압을 예측할 수 있다.
일 실시예에 따라, 상기 배터리 관리 장치는 상기 상태 데이터와 상기 예측 데이터를 이상치 탐지(Anomaly Detection) 알고리즘에 적용하여 이상치(Anomaly Score)를 생성하고, 소정 시간 동안 생성된 상기 이상치 중 임계값 이상인 이상치의 비율이 일정 비율 이상인 경우 상기 배터리를 이상 상태로 판단할 수 있다.
일 실시예에 따라, 상기 서버는 상기 배터리 관리 장치에서 상기 배터리가 실제 이상 상태가 아님에도 이상 상태로 판단된 경우인 거짓 경보(False Alarm)를 추출할 수 있다.
일 실시예에 따라, 상기 서버는 상기 거짓 경보의 빈도가 임계 빈도 이상인 경우, 상기 배터리의 상기 SOH 값 및 상기 이상치 탐지 알고리즘의 상기 임계값을 측정하여 상기 배터리 관리 장치로 전송할 수 있다.
일 실시예에 따라, 상기 배터리 관리 장치는 상기 서버로부터 수신한 상기 SOH 값 및 상기 임계값을 기초로 장단기 메모리 알고리즘 및 상기 이상치 탐지 알고리즘을 업데이트 할 수 있다.
본 문서에 개시되는 일 실시예에 따른 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템에 따르면 이상 상황으로 판단되는 배터리의 데이터만을 정밀 분석하여 배터리 관리 장치의 효율성을 향상시키고 인프라 설치 비용 및 통신 비용을 절감시킬 수 있다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 팩의 구성을 보여주는 도면이다.
도 2는 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치의 구성을 보여주는 블록도이다.
도 3은 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치에 대해 전반적으로 설명하기 위한 도면이다.
도 4는 본 문서에 개시된 일 실시예에 따른 배터리 검사 시스템의 구성을 보여주는 블록도 이다.
도 5는 본 문서에 개시된 일 실시예에 따른 배터리 검사 시스템의 동작 방법을 보여주는 흐름도이다.
이하, 본 문서에 개시된 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 문서에 개시된 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 문서에 개시된 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 문서에 개시된 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 문서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 팩을 보여주는 도면이다.
도 1을 참조하면, 본 문서에 개시된 일 실시예에 따른 배터리 팩(100)은 배터리 모듈(110) 배터리 관리 장치(120) 및 릴레이(130)를 포함할 수 있다.
배터리 모듈(110)은 제1 배터리 셀(111), 제2 배터리 셀(112), 제3 배터리 셀(113) 및 제4 배터리 셀(114)을 포함할 수 있다. 도 1에서는 복수의 배터리 셀들이 4개인 것으로 도시되었지만, 이에 한정되는 것은 아니며, 배터리 모듈(110)은 n(n은 2이상의 자연수)개의 배터리 셀들을 포함하여 구성될 수 있다.
배터리 모듈(110)은 대상 장치(미도시)에 전원을 공급할 수 있다. 이를 위해, 배터리 모듈(110)은 대상 장치와 전기적으로 연결될 수 있다. 여기서, 대상 장치는 복수의 배터리 셀들(111, 112, 113, 114)을 포함하는 배터리 팩(100)으로부터 전원을 공급받아 동작하는 전기적, 전자적, 또는 기계적인 장치를 포함할 수 있으며, 예를 들어, 대상 장치는 전기 자동차(EV)일 수 있으나 이에 한정되는 것은 아니다.
복수의 배터리 셀들(111, 112, 113, 114)은 리튬이온(Li-iOn) 전지, 리튬이온 폴리머(Li-iOn polymer) 전지, 니켈 카드뮴(Ni-Cd) 전지, 니켈 수소(Ni-MH) 전지 등일 수 있으며, 이에 한정되지 않는다. 한편, 도 1에서는 배터리 모듈(110)이 한 개인 경우로 도시되나, 실시예에 따라 배터리 모듈(110)은 복수개로 구성될 수도 있다.
배터리 관리 장치 (BMS, Battery Management System)(120)는 배터리 모듈(110)의 상태 및/또는 동작을 관리 및/또는 제어할 수 있다. 예를 들어, 배터리 관리 장치(120)는 배터리 모듈(110)에 포함된 복수의 배터리 셀들(111, 112, 113, 114)의 상태 및/또는 동작을 관리 및/또는 제어할 수 있다. 배터리 관리 장치(120)는 배터리 모듈(110)의 충전 및/또는 방전을 관리할 수 있다.
또한, 배터리 관리 장치(120)는 배터리 모듈(110) 및/또는 배터리 모듈(110)에 포함된 복수의 배터리 셀들(111, 112, 113, 114) 각각의 전압, 전류, 온도 등을 모니터링 할 수 있다. 그리고 배터리 관리 장치(120)에 의한 모니터링을 위해 도시하지 않은 센서나 각종 측정 모듈이 배터리 모듈(110)이나 충방전 경로, 또는 배터리 모듈(110) 등의 임의의 위치에 추가로 설치될 수 있다. 배터리 관리 장치(120)는 모니터링 한 전압, 전류, 온도 등의 측정값에 기초하여 배터리 모듈(110)의 상태를 나타내는 파라미터, 예를 들어 SOC(State of Charge)나 SOH(State of Health) 등을 산출할 수 있다.
배터리 관리 장치(120)는 릴레이(130)의 동작을 제어할 수 있다. 예를 들어, 배터리 관리 장치(120)는 대상 장치에 전원을 공급하기 위해 릴레이(130)를 단락시킬 수 있다. 또한, 배터리 관리 장치(120)는 배터리 팩(100)에 충전 장치가 연결되는 경우 릴레이(130)를 단락시킬 수 있다.
배터리 관리 장치(120)는 복수의 배터리 셀들(111, 112, 113, 114) 각각의 셀 밸런싱 타임을 산출할 수 있다. 여기서, 셀 밸런싱 타임은 배터리 셀의 밸런싱에 소요되는 시간으로 정의될 수 있다. 예를 들어, 배터리 관리 장치(120)는 복수의 배터리 셀들(111, 112, 113, 114) 각각의 SOC(State of Charge), 배터리 용량 및 밸런싱 효율에 기초하여 셀 밸런싱 타임을 산출할 수 있다.
이하에서는 도 2 및 도 3을 참조하여 상술한 배터리 관리 장치(120)의 구성 및 작동 방법에 대해 구체적으로 설명한다.
도 2는 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치의 구성을 보여주는 블록도이다. 도 3은 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치에 대해 전반적으로 설명하기 위한 도면이다.
도 2를 참조하면, 배터리 관리 장치(120)는 제1 컨트롤러(121), 제2 컨트롤러(122) 및 통신부(123)를 포함할 수 있다.
도 2에서 배터리 모듈(100)은 복수의 배터리 셀들(111, 112, 113, 114)을 포함할 수 있으나 이하에서는 제1 배터리 셀(110)을 예로 들어 설명한다.
도 3을 참조하면, 제1 컨트롤러(121)는 제1 배터리 셀(111)의 상태를 측정한 측정값을 포함하는 상태 데이터를 획득할 수 있다. 여기서 측정값은 누적적으로 측정된 제1 배터리 셀(111)의 전압, 전류 및 온도를 포함할 수 있다. 예를 들어, 상태 데이터는 측정된 제1 배터리 셀(111)의 전압, 전류 및 온도를 포함하는 측정값 및 측정값을 기초로 산출된 제1 배터리 셀(111)의 SOH(State of Health)를 포함할 수 있다.
예를 들어 제1 컨트롤러(121)는 (t-N)시간부터 (t-1)시간까지의 제1 배터리 셀(111)의 전압, 전류 및 온도를 측정한 측정값을 획득할 수 있고, 측정값을 기초로 제1 배터리 셀(111)의 (t-N)시간부터 (t-1)시간까지의 SOH를 획득할 수 있다. 여기서 N은 시간을 의미하는 변수 t의 변화량을 나타내는 임의의 상수값으로 정의할 수 있다.
예를 들어, 제1 컨트롤러(121)는 (t-N) 시간의 제1 배터리 셀(111)의 전압(
Figure PCTKR2022011061-appb-img-000001
), 전류(
Figure PCTKR2022011061-appb-img-000002
), 온도(
Figure PCTKR2022011061-appb-img-000003
)를 획득하여, (t-N) 시간의 제1 배터리 셀(111)의 SOH 값을 획득 할 수 있고, (t-(N-1)) 시간의 제1 배터리 셀(111)의 전압(
Figure PCTKR2022011061-appb-img-000004
), 전류(
Figure PCTKR2022011061-appb-img-000005
), 온도(
Figure PCTKR2022011061-appb-img-000006
)를 획득하여, (t-(N-1)) 시간의 제1 배터리 셀(111)의 SOH 값을 획득할 수 있다. 즉, 제1 컨트롤러(121)는 (t-N)시간부터 (t-1)시간까지의 제1 배터리 셀(111)의 과거의 상태 데이터를 획득할 수 있다.
또한, 제1 컨트롤러(121)는 현 시점(t)에 측정된 제1 배터리 셀(111)의 전류(
Figure PCTKR2022011061-appb-img-000007
)및 온도(
Figure PCTKR2022011061-appb-img-000008
)측정값을 획득할 수 있다.
제2 컨트롤러(122)는 상태 데이터의 적어도 일부를 기계 학습에 적용하여 제1 배터리 셀(111)의 상태를 예측한 예측 데이터를 생성할 수 있다. 여기서 예측 데이터는 제1 배터리 셀(111)의 전압(
Figure PCTKR2022011061-appb-img-000009
)을 포함할 수 있다.
구체적으로, 제2 컨트롤러(122)는 상태 데이터에 포함된 과거 데이터 및 상태 데이터에 포함된 현 시점에 측정된 제1 배터리 셀(111)의 전류 및 온도를 시계열 분석 구조의 기계 학습 모델에 적용하여 제1 배터리 셀(111)의 전압을 예측할 수 있다. 시계열(Time series)은 시간의 흐름에 따라 일정한 시간 간격으로 배치된 순서로 정의할 수 있다. 시계열 분석 구조의 기계 학습 모델은 장단기 메모리(LSTM, Long Short Term Memory) 알고리즘을 포함할 수 있다. 장단기 메모리 알고리즘은 인공 신경망의 하나로서, 순환 신경망(RNN, Recurrent Neural Network)이 장기간(Long Term) 특징을 반영할 수 있도록 개선한 구조로 정의할 수 있다. 장단기 메모리 알고리즘은 시간에 따라 변하는 현상을 나타내는 시계열 데이터의 문제들에 대하여 주로 적용된다. 장단기 메모리 알고리즘은 n의 길이를 가지는 물체의 측정 시계열 데이터에 대해 n+1번째 데이터가 무엇일지를 예측할 수 있다.
제2 컨트롤러(122)는 (t-N)시간부터 (t-1)시간까지의 제1 배터리 셀(111)의 전압, 전류, 온도 및 SOH 데이터와 현 시점(t)에 측정된 제1 배터리 셀(111)의 전류 및 온도 데이터를 장단기 메모리 알고리즘에 적용하여 제1 배터리 셀(111)의 현시점(t)에서의 전압(
Figure PCTKR2022011061-appb-img-000010
)을 예측할 수 있다. 즉, 제2 컨트롤러(122)는 (t-N)시간부터 (t-1)시간까지의 제1 배터리 셀(111)의 상태 데이터를 장단기 메모리 알고리즘에 적용하여 현시점(t)에서의 제1 배터리 셀(111)의 전압을 예측한 예측 데이터를 생성할 수 있다.
제2 컨트롤러(122)는 예측 데이터와 상태 데이터를 비교하여 제1 배터리 셀(111)의 상태를 판단할 수 있다. 구체적으로 제2 컨트롤러(122)는 예측된 제1 배터리 셀(111)의 (t)시간에서의 전압(
Figure PCTKR2022011061-appb-img-000011
)과 측정된 제1 배터리 셀(111)의 (t)시간에서의 전압(
Figure PCTKR2022011061-appb-img-000012
)을 이상치 탐지(Anomaly Detection) 알고리즘에 적용하여 이상치(Anomaly Score)를 생성하여 배터리의 이상 상태 여부를 분석할 수 있다. 여기서 이상치 탐지 알고리즘은 정상으로 규정된 데이터와 다른 패턴과 특징을 보이는 개체의 이상치(Anomaly Score)를 분석하는 인공 지능 모델로 정의할 수 있다.
즉, 제2 컨트롤러(122)는 예측된 제1 배터리 셀(111)의 (t)시간에서의 전압(
Figure PCTKR2022011061-appb-img-000013
)과 측정된 제1 배터리 셀(111)의 (t)시간에서의 전압(
Figure PCTKR2022011061-appb-img-000014
)의 차이인 이상치를 생성할 수 있다.
제2 컨트롤러(122)는 소정의 시간 동안 생성된 이상치 중 임계값 이상인 이상치의 비율이 일정 비율 이상인 경우 제1 배터리 셀(111)을 이상 상태로 판단할 수 있다. 즉, 제2 컨트롤러(122)는 소정의 시간 동안 생성된 예측된 제1 배터리 셀(111)의 전압(
Figure PCTKR2022011061-appb-img-000015
) 중 측정된 제1 배터리 셀(111)의 전압(
Figure PCTKR2022011061-appb-img-000016
)과의 차이인 이상치 중 임계값을 초과하는 이상치의 비율이 수 초 내지 수십 초 동안 유지되는 경우, 제1 배터리 셀(111)을 이상 상태로 판단할 수 있다.
제2 컨트롤러(122)는 제1 배터리 셀(111)가 이상 상태로 판단되는 경우 제1 배터리 셀(111)가 이상 상태로 판단되는 시점 전후의 소정 시간 동안에 획득된 상태 데이터를 압축할 수 있다.
통신부(123)는 제2 컨트롤러(122)의 제1 배터리 셀(111)의 상태를 판단한 결과에 기초하여 상태 데이터를 서버(200)에 전송할 수 있다. 즉, 통신부(123)는 제1 배터리 셀(111)가 이상 상태로 판단되는 경우 압축된 제1 배터리 셀(111)의 상태 데이터를 OTA(Over The Air) 기술을 이용하여 서버(200)에 전송할 수 있다.　여기서 OTA 기술은 펌웨어 업데이트의 방식으로써, 컴퓨터에 연결하지 않고 Wi-Fi 등을 사용하여 무선으로 펌웨어를 업데이트 하는 기술로 정의할 수 있다.
상술한 바와 같이, 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치(120) 및 배터리 검사 시스템(1000)은 배터리가 이상 상태로 판단되는 경우, 배터리 데이터를 서버에 전송하여 배터리 관리 장치(120)의 진단 효율을 높이고, 배터리 관리 장치(120)의 불필요한 전원 공급을 방지할 수 있다.
또한, 배터리 관리 장치(120) 및 배터리 검사 시스템(1000)은 배터리 관리 장치에 설계된 전압 예측 모델을 이용하여 배터리 데이터를 선 분석 후, 이상 현상이 탐지될 경우 배터리 데이터를 컴퓨팅 자원이 풍부한 서버로 전송하여 정밀 분석을 함으로써 배터리의 이상 현상을 정밀 분석하면서도 서버로 전송되는 데이터를 획기적으로 줄임으로써 통신 리소스를 줄이고 서버에 포함된 클라우드 컴퓨터의 저장 및 연산 능력을 가볍게 할 수 있다.
그리고 배터리 관리 장치(120) 및 배터리 검사 시스템(1000)은 필요한 최소한의 배터리 데이터를 데이터 손실없이 서버로 전송하여 서버의 인프라 투자비 및 네트워크 비용을 절감시킬 수 있다.
도 4는 본 문서에 개시된 일 실시예에 따른 배터리 검사 시스템의 구성을 보여주는 블록도이다. 도 5는 본 문서에 개시된 일 실시예에 따른 배터리 검사 시스템의 동작 방법을 보여주는 흐름도이다.
이하에서는 도 4 내지 도 5를 참조하여 배터리 검사 시스템(1000)의 구성 및 동작에 대해 설명한다.
도 4를 참조하면 본 문서에 개시된 일 실시예에 따른 배터리 검사 시스템(1000)은 배터리 관리 장치(120) 및 서버(200)를 포함할 수 있다.
배터리 관리 장치(120)는 도 1 내지 도 3을 참조하여 설명한 배터리 관리 장치(120)와 실질적으로 동일할 수 있으므로, 이하에서는 설명의 중복을 피하기 위하여 간략히 설명한다.
도 5를 참조하면 배터리 검사 시스템의 동작 방법은 배터리 관리 장치(120)가 제1 배터리 셀(111)의 상태를 측정한 측정값을 포함하는 상태 데이터를 획득하는 단계(S101), 배터리 관리 장치(120)가 상태 데이터를 장단기 메모리 알고리즘에 적용하여 예측 데이터를 생성하는 단계(S102), 배터리 관리 장치(120)가 예측 데이터와 상태 데이터를 이상치 탐지 알고리즘에 입력하여 제1 배터리 셀(111)의 상태를 판단하는 단계(S103), 배터리 관리 장치(120)가 제1 배터리 셀(111)가 이상 상태인지 여부를 판단하는 단계(S104), 제1 배터리 셀(111)가 이상 상태인 경우 배터리 관리 장치(120)가 제1 배터리 셀(111)의 상태 데이터를 서버(200)에 전송하는 단계(S105), 서버(200)가 거짓 경보 추출하는 단계(S106), 서버(200)가 거짓 경보의 빈도가 임계 빈도 이상인지 여부를 판단하는 단계(S107), 거짓 경보의 빈도가 임계 빈도 이상인 경우 서버(200)가 제1 배터리 셀(111)의 SOH 값 및 이상치 탐지 알고리즘의 임계값을 측정하여 배터리 관리 장치(120)로 전송하는 단계(S108) 및 배터리 관리 장치(120)가 서버(200)로부터 수신한 SOH 값 및 임계값을 장단기 메모리 알고리즘 및 이상치 탐지 알고리즘에 적용하는 단계(S109)를 포함할 수 있다.
이하에서는 S101 단계 내지 S109 단계에 대해 구체적으로 설명한다.
S101 단계에서, 배터리 관리 장치(120)는 제1 배터리 셀(111)의 상태를 측정한 측정값을 포함하는 상태 데이터를 획득할 수 있다. 여기서 상태 데이터는 측정된 제1 배터리 셀(111)의 전압, 전류 및 온도를 포함하는 측정값 및 측정값을 기초로 산출된 제1 배터리 셀(111)의 SOH(State of Health)를 포함할 수 있다. 즉, 배터리 관리 장치(120)는 (t-N)시간부터 (t-1)시간까지의 제1 배터리 셀(111)의 과거의 상태 데이터를 획득할 수 있다. 또한 배터리 관리 장치(120)는 현 시점(t)에 측정된 제1 배터리 셀(111)의 전류 및 온도 측정값을 획득할 수 있다.
S101 단계에서, 배터리 관리 장치(120)는 제1 배터리 셀(111)의 상태 데이터의 적어도 일부를 기계 학습에 적용하여 제1 배터리 셀(111)의 상태를 예측한 예측 데이터를 생성할 수 있다.
예를 들어, S101 단계에서, 배터리 관리 장치(120)는 (t-N)시간부터 (t-1)시간까지의 제1 배터리 셀(111)의 전압, 전류, 온도 및 SOH 데이터와 현 시점(t)에 측정된 제1 배터리 셀(111)의 전류 및 온도 데이터를 장단기 메모리 알고리즘에 적용하여 제1 배터리 셀(111)의 현시점(t)에서의 전압(
Figure PCTKR2022011061-appb-img-000017
)을 예측할 수 있다.
S103 단계에서, 배터리 관리 장치(120)는 예측 데이터와 상태 데이터를 비교하여 제1 배터리 셀(111)의 상태를 판단할 수 있다. 구체적으로 배터리 관리 장치(120)는 예측된 제1 배터리 셀(111)의 (t)시간에서의 전압(
Figure PCTKR2022011061-appb-img-000018
)과 측정된 제1 배터리 셀(111)의 (t)시간에서의 전압(
Figure PCTKR2022011061-appb-img-000019
)을 이상치 탐지(Anomaly Detection) 알고리즘에 적용하여 이상치(Anomaly Score)를 생성하여 배터리의 이상 상태 여부를 분석할 수 있다.
S104 단계에서, 배터리 관리 장치(120)는 소정의 시간 동안 생성된 이상치 중 임계값 이상인 이상치의 비율이 일정 비율 이상인 경우 제1 배터리 셀(111)을 이상 상태로 판단할 수 있다.
S105 단계에서, 배터리 관리 장치(120)는 제1 배터리 셀(111)가 이상 상태로 판단되는 경우 제1 배터리 셀(111)가 이상 상태로 판단되는 시점 전후의 소정 시간 동안에 획득된 상태 데이터를 압축하여 서버(200)에 전송할 수 있다.　
서버(200)는 제1 배터리 셀(111)의 상태 데이터를 전송 받아 제1 배터리 셀(111)의 불량 여부를 판단하는 판단 장치로 정의할 수 있다. 서버(200)는 예를 들어 클라우드 컴퓨팅(Cloud Computing) 기술을 포함할 수 있다.
서버(200)는 배터리 관리 장치(120)가 판단한 제1 배터리 셀(111)의 상태 데이터를 기반으로 제1 배터리 셀(111)가 실제 이상 상태가 아님에도 이상 상태로 판단된 경우인 거짓 경보(False Alarm)를 추출하는 인공지능 모델을 포함할 수 있다.
S106 단계에서, 배터리 관리 장치(120)가 이상 상태로 판단되는 시점 전후의 소정 시간 동안에 획득된 제1 배터리 셀(111)상태 데이터를 압축하여 서버(200)에 전송하는 경우, 서버(200)는 배터리 관리 장치(120)가 전송한 압축된 상태 데이터를 수신할 수 있다.
S106 단계에서, 서버(200)는 배터리 관리 장치(120)로부터 수신한 압축된 데이터인, 이상 상태로 판단되는 시점 전후의 소정 시간 동안에 획득된 상태 데이터를 분석하여 제1 배터리 셀(111)가 실제 이상 상태가 아님에도 이상 상태로 판단된 경우인 거짓 경보(False Alarm)를 추출할 수 있다.
S107 단계에서, 서버(200)는 거짓 경보의 빈도가 임계 빈도 이상인지 여부를 판단할 수 있다.
S108 단계에서, 서버(200)는 거짓 경보의 빈도가 임계 빈도 이상인 경우, 배터리 관리 장치(120)에 포함된 제1 배터리 셀(111)의 SOH 값을 재산출하고 이상치 탐지 알고리즘의 임계값을 재설정하여 배터리 관리 장치(120)로 전송할 수 있다.
즉, S108 단계에서, 서버(200)는 제1 배터리 셀(111)의 거짓 경보가 발생한 원인을 배터리 관리 장치(120)의 장단기 메모리 알고리즘에 입력되는 제1 배터리 셀(111)의 SOH 값과 이상치 탐지 알고리즘의 임계값으로 분석할 수 있다.
배터리 관리 장치(120)의 장단기 메모리 알고리즘은 제1 배터리 셀(111)의 상태 데이터에 포함된 과거 데이터로써 제1 배터리 셀(111)의 전압, 전류 및 온도를 측정한 측정값과 측정값을 기초로 제1 배터리 셀(111)의 SOH 값을 입력 받는다. 따라서, 배터리 관리 장치(120)가 제1 배터리 셀(111)의 전압, 전류 및 온도를 기초로 제1 배터리 셀(111)의 SOH 값을 산출하는 과정에서 오류가 발생한 경우, 장단기 메모리 알고리즘에 오류가 발생할 수 있고, 이러한 오류는 배터리 검사 시스템(1000)의 거짓 경보를 생성할 수 있다. 따라서, 서버(200)는 배터리 관리 장치(120)에 입력되는 제1 배터리 셀(111)의 SOH 값을 재산출하여 배터리 관리 장치(120)로 전송할 수 있다.
또한, S108 단계에서, 서버(200)는 제1 배터리 셀(111)의 거짓 경보가 발생한 원인을 배터리 관리 장치(120)의 이상치 탐지 알고리즘의 임계값으로 분석할 수 있다.
배터리 관리 장치(120)는 이상치 탐지 알고리즘을 이용하여 예측된 제1 배터리 셀(111)의 (t)시간에서의 전압(
Figure PCTKR2022011061-appb-img-000020
)과 측정된 제1 배터리 셀(111)의 (t)시간에서의 전압(
Figure PCTKR2022011061-appb-img-000021
)의 차이인 이상치를 생성하고, 이상치 중 임계값 이상인 이상치의 비율이 일정 비율 이상인 경우 제1 배터리 셀(111)을 이상 상태로 판단할 수 있다. 따라서, 배터리 관리 장치(120)가 이상치를 비정상적인 값으로 구분하는 임계값이 부적합한 경우 배터리 관리 장치(120)의 제1 배터리 셀(111)의 이상 상태 판단에 오류가 발생할 수 있고, 이러한 오류는 배터리 검사 시스템(1000)의 거짓 경보를 생성할 수 있다. 따라서, 서버(200)는 배터리 관리 장치(120)에 입력되는 이상치 탐지 알고리즘의 임계값을 재설정하여 배터리 관리 장치(120)로 전송할 수 있다.
S109 단계에서, 배터리 관리 장치(120)는 서버(200)로부터 제1 배터리 셀(111)의 SOH 값 및 이상치 탐지 알고리즘의 임계값을 수신한 경우, 장단기 메모리 알고리즘 및 이상치 탐지 알고리즘을 업데이트 할 수 있다.
이상의 설명은 본 개시의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 개시에 개시된 실시예들은 본 개시의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 개시의 기술 사상의 범위가 한정되는 것은 아니다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (16)

  1. 배터리의 상태를 측정한 측정값을 포함하는 상태 데이터를 획득하는 제1 컨트롤러;
    상기 상태 데이터의 적어도 일부를 기계 학습에 적용하여 상기 배터리의 상태를 예측한 예측 데이터를 생성하고, 상기 예측 데이터와 상기 배터리의 상태 데이터를 비교하여 상기 배터리의 상태를 판단하는 제2 컨트롤러; 및
    상기 배터리의 상태를 판단한 결과에 기초하여 상기 상태 데이터를 서버에 전송하는 통신부를 포함하는 배터리 관리 장치.
  2. 제 1 항에 있어서,
    상기 제2 컨트롤러는 상기 배터리가 이상 상태로 판단되는 경우 상기 배터리가 이상 상태로 판단되는 시점 전후의 소정 시간 동안에 획득된 상기 상태 데이터를 압축하는 것을 특징으로 하는 배터리 관리 장치.
  3. 제2 항에 있어서,
    상기 통신부는 상기 압축된 배터리의 상태 데이터를 상기 서버에 전송하는 것을 특징으로 하는 배터리 관리 장치.
  4. 제1 항에 있어서,
    상기 측정값은 누적적으로 측정된 상기 배터리의 전압, 전류 및 온도를 포함하고, 상기 상태 데이터는 상기 측정값 및 상기 측정값을 기초로 산출된 상기 배터리의 SOH(State of Health)를 포함하는 것을 특징으로 하는 배터리 관리 장치.
  5. 제4 항에 있어서,
    상기 예측 데이터는 상기 배터리의 전압을 포함하고,
    상기 제2 컨트롤러는 상기 상태 데이터에 포함된 과거 데이터 및 상기 상태 데이터에 포함된 현 시점에 측정된 상기 배터리의 전류 및 온도를 상기 기계 학습 모델에 적용하여 상기 배터리의 전압을 예측하는 것을 특징으로 하는 배터리 관리 장치.
  6. 제5 항에 있어서,
    상기 제2 컨트롤러는 상기 상태 데이터를 장단기 메모리(LSTM, Long Short Term Memory) 알고리즘에 적용하여 상기 배터리의 전압을 예측하는 것을 특징으로 하는 배터리 관리 장치.
  7. 제4 항에 있어서,
    상기 제2 컨트롤러는 상기 상태 데이터와 상기 예측 데이터를 이상치 탐지(Anomaly Detection) 알고리즘에 적용하여 이상치(Anomaly Score)를 생성하는 것을 특징으로 하는 배터리 관리 장치.
  8. 제7 항에 있어서,
    상기 제2 컨트롤러는 소정의 시간 동안 생성된 상기 이상치 중 임계값 이상인 이상치의 비율이 일정 비율 이상인 경우 상기 배터리를 이상 상태로 판단하는 것을 특징으로 하는 배터리 관리 장치.
  9. 배터리의 상태를 측정한 측정값을 포함하는 상태 데이터의 적어도 일부를 기계 학습에 적용하여 상기 배터리의 상태를 예측한 예측 데이터를 생성하고, 상기 예측 데이터와 상기 배터리의 상태 데이터를 비교하여 상기 배터리의 상태를 판단하고, 상기 판단 결과에 기초하여 상기 상태 데이터를 서버에 전송하는 배터리 관리 장치; 및
    상기 배터리의 상태 데이터를 기초로 상기 배터리의 이상 상태 여부를 판단하는 서버를 포함하는 배터리 검사 시스템.
  10. 제9 항에 있어서,
    상기 배터리 관리 장치는 상기 배터리가 이상 상태로 판단되는 경우 상기 배터리가 이상 상태로 판단되는 시점 전후의 소정 시간 동안에 획득된 상기 상태 데이터를 압축하여 상기 서버에 전송하는 것을 특징으로 하는 배터리 검사 시스템.
  11. 제9 항에 있어서,
    상기 측정값은 누적적으로 측정된 상기 배터리의 전압, 전류 및 온도를 포함하고, 상기 상태 데이터는 상기 측정값 및 상기 측정값을 기초로 산출된 상기 배터리의 SOH(State of Health)를 포함하는 것을 특징으로 하는 배터리 검사 시스템.
  12. 제11 항에 있어서,
    상기 배터리 관리 장치는 상기 상태 데이터에 포함된 과거 데이터 및 상기 상태 데이터에 포함된 현 시점에 측정된 상기 배터리의 전류 및 온도를 상기 장단기 메모리(LSTM, Long Short Term Memory) 알고리즘에 적용하여 상기 배터리의 전압을 예측하는 것을 특징으로 하는 배터리 검사 시스템.
  13. 제11 항에 있어서,
    상기 배터리 관리 장치는 상기 상태 데이터와 상기 예측 데이터를 이상치 탐지(Anomaly Detection) 알고리즘에 적용하여 이상치(Anomaly Score)를 생성하고, 소정 시간 동안 생성된 상기 이상치 중 임계값 이상인 이상치의 비율이 일정 비율 이상인 경우 상기 배터리를 이상 상태로 판단하는 것을 특징으로 하는 배터리 검사 시스템.
  14. 제13 항에 있어서,
    상기 서버는 상기 배터리 관리 장치에서 상기 배터리가 실제 이상 상태가 아님에도 이상 상태로 판단된 경우인 거짓 경보(False Alarm)를 추출하는 것을 특징으로 하는 배터리 검사 시스템.
  15. 제14 항에 있어서,
    상기 서버는 상기 거짓 경보의 빈도가 임계 빈도 이상인 경우, 상기 배터리의 상기 SOH 값 및 상기 이상치 탐지 알고리즘의 상기 임계값을 측정하여 상기 배터리 관리 장치로 전송하는 것을 특징으로 하는 배터리 검사 시스템.
  16. 제15 항에 있어서,
    상기 배터리 관리 장치는 상기 서버로부터 수신한 상기 SOH 값 및 상기 임계값을 기초로 장단기 메모리 알고리즘 및 상기 이상치 탐지 알고리즘을 업데이트 하는 것을 특징으로 하는 배터리 검사 시스템.
PCT/KR2022/011061 2021-08-13 2022-07-27 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템 WO2023018070A1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
US18/290,263 US20240241180A1 (en) 2021-08-13 2022-07-27 Battery management apparatus and battery testing system including the same
EP22856069.4A EP4386401A1 (en) 2021-08-13 2022-07-27 Battery management apparatus and battery inspection system including same
JP2023569629A JP2024519755A (ja) 2021-08-13 2022-07-27 電池管理装置およびそれを含む電池検査システム
CN202280036595.9A CN117396767A (zh) 2021-08-13 2022-07-27 电池管理装置和包括该电池管理装置的电池测试系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210107250A KR20230025130A (ko) 2021-08-13 2021-08-13 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템
KR10-2021-0107250 2021-08-13

Publications (1)

Publication Number Publication Date
WO2023018070A1 true WO2023018070A1 (ko) 2023-02-16

Family

ID=85200252

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/011061 WO2023018070A1 (ko) 2021-08-13 2022-07-27 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템

Country Status (6)

Country Link
US (1) US20240241180A1 (ko)
EP (1) EP4386401A1 (ko)
JP (1) JP2024519755A (ko)
KR (1) KR20230025130A (ko)
CN (1) CN117396767A (ko)
WO (1) WO2023018070A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018530982A (ja) * 2015-10-15 2018-10-18 ジョンソン コントロールズ テクノロジー カンパニーＪｏｈｎｓｏｎ Ｃｏｎｔｒｏｌｓ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｍｐａｎｙ バッテリテスト結果を予測するためのバッテリテストシステム
KR20200023672A (ko) * 2018-08-14 2020-03-06 오토시맨틱스 주식회사 딥러닝을 이용한 전지 진단 방법
KR20200058998A (ko) * 2018-11-20 2020-05-28 주식회사 엘지화학 배터리의 고장을 진단하기 위한 장치 및 방법과, 상기 장치를 포함하는 배터리팩
KR20200119383A (ko) * 2019-03-26 2020-10-20 서강대학교산학협력단 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법
KR20210024962A (ko) * 2019-08-26 2021-03-08 오토시맨틱스 주식회사 Ess 배터리의 상태진단 및 수명예측을 위한 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018530982A (ja) * 2015-10-15 2018-10-18 ジョンソン コントロールズ テクノロジー カンパニーＪｏｈｎｓｏｎ Ｃｏｎｔｒｏｌｓ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｍｐａｎｙ バッテリテスト結果を予測するためのバッテリテストシステム
KR20200023672A (ko) * 2018-08-14 2020-03-06 오토시맨틱스 주식회사 딥러닝을 이용한 전지 진단 방법
KR20200058998A (ko) * 2018-11-20 2020-05-28 주식회사 엘지화학 배터리의 고장을 진단하기 위한 장치 및 방법과, 상기 장치를 포함하는 배터리팩
KR20200119383A (ko) * 2019-03-26 2020-10-20 서강대학교산학협력단 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법
KR20210024962A (ko) * 2019-08-26 2021-03-08 오토시맨틱스 주식회사 Ess 배터리의 상태진단 및 수명예측을 위한 장치 및 방법

Also Published As

Publication number Publication date
CN117396767A (zh) 2024-01-12
KR20230025130A (ko) 2023-02-21
JP2024519755A (ja) 2024-05-21
EP4386401A1 (en) 2024-06-19
US20240241180A1 (en) 2024-07-18

Similar Documents

Publication Publication Date Title
WO2018190508A1 (ko) 노이즈를 반영한 배터리 잔존 용량 산출 장치 및 방법
WO2021125676A1 (ko) 배터리 진단 장치 및 방법
WO2021049753A1 (ko) 배터리 진단 장치 및 방법
WO2021006566A1 (ko) 배터리 셀 진단 장치 및 방법
WO2019083300A1 (en) APPARATUS AND METHODS FOR IDENTIFYING ONE OR MORE ANOMALIES IN A RECHARGEABLE EQUIPMENT BATTERY AND CONNECTED COMPONENT (S)
WO2020262787A1 (ko) 내부 단락 셀 검출 방법
WO2021230533A1 (ko) 배터리를 진단하기 위한 장치 및 그 방법
WO2022019481A1 (ko) 통신 오류의 원인을 진단하기 위한 슬레이브 bms, 마스터 bms 및 배터리 팩
WO2021015501A1 (ko) 배터리 저항 진단 장치 및 방법
WO2022035153A1 (ko) 배터리 용량 추정 장치 및 방법
WO2022035149A1 (ko) 배터리 이상 진단 장치 및 방법
WO2022149824A1 (ko) 배터리 관리 장치 및 방법
WO2023287180A1 (ko) 배터리 진단 장치, 배터리 팩, 전기 차량 및 배터리 진단 방법
WO2023136512A1 (ko) 배터리 충전 심도 산출 장치 및 그것의 동작 방법
WO2023018070A1 (ko) 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템
WO2023013961A1 (ko) 배터리 검사 장치 및 배터리 검사 시스템
WO2022149822A1 (ko) 배터리 관리 장치 및 방법
WO2022035151A1 (ko) 배터리 이상 진단 장치 및 방법
WO2022265277A1 (ko) 배터리 관리 장치 및 방법
WO2022019703A1 (ko) 배터리를 진단하기 위한 장치 및 그 방법
WO2021125678A1 (ko) 병렬 배터리 릴레이 진단 장치 및 방법
WO2021149973A1 (ko) 배터리 진단 시스템, 전력 시스템 및 배터리 진단 방법
WO2021125674A1 (ko) 배터리 진단 장치 및 방법
WO2023132520A1 (ko) 배터리 용량 예측 장치 및 그것의 동작 방법
WO2023153765A1 (ko) 배터리 관리 장치 및 그것의 동작 방법

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: 22856069

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023569629

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 18290263

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 202317077656

Country of ref document: IN

WWE Wipo information: entry into national phase

Ref document number: 202280036595.9

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022856069

Country of ref document: EP

Effective date: 20240313