WO2023068899A1 - 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법 - Google Patents

배터리 팩 내의 이상 징후 셀 검출 장치 및 방법 Download PDF

Info

Publication number
WO2023068899A1
WO2023068899A1 PCT/KR2022/016209 KR2022016209W WO2023068899A1 WO 2023068899 A1 WO2023068899 A1 WO 2023068899A1 KR 2022016209 W KR2022016209 W KR 2022016209W WO 2023068899 A1 WO2023068899 A1 WO 2023068899A1
Authority
WO
WIPO (PCT)
Prior art keywords
series data
cell voltage
cell
cells
voltage time
Prior art date
Application number
PCT/KR2022/016209
Other languages
English (en)
French (fr)
Inventor
이규철
장태혁
김철택
최지순
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 JP2023538070A priority Critical patent/JP2024500893A/ja
Priority to EP22884120.1A priority patent/EP4321884A1/en
Priority to CN202280013690.7A priority patent/CN116829966A/zh
Publication of WO2023068899A1 publication Critical patent/WO2023068899A1/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]
    • G01R31/367—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
    • 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
    • G01R31/3646—Constructional arrangements for indicating electrical conditions or variables, e.g. visual or audible indicators
    • 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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • 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
    • 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
    • G06N3/09—Supervised 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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

  • the present invention relates to an apparatus and method for detecting anomaly symptom cells in a battery pack, and more particularly, detects cells with abnormal symptoms by statistically analyzing the difference between measured values and predicted values for voltage behavior of cells in the process of charging a battery pack. It relates to a device and method capable of detecting in advance.
  • rechargeable secondary batteries are widely used in various fields ranging from small high-tech electronic devices such as smart phones, laptop computers, and tablet PCs to electric vehicles and energy storage systems (ESS). .
  • the present invention was conceived on the background of the prior art as described above, and provides a device and method capable of improving the safety of a battery pack by detecting in advance cells showing abnormal symptoms among cells in a battery pack in the process of charging the battery pack. It has a purpose.
  • An apparatus for detecting anomaly symptom cells in a battery pack measures voltage, current, and temperature of first to Nth cells included in the battery pack while the battery pack is being charged. It includes a voltage measuring unit, a current measuring unit, a temperature measuring unit, and a control unit operatively coupled with the voltage measuring unit, current measuring unit, and temperature measuring unit.
  • control unit may be configured to determine, as an error, a maximum difference between the second cell voltage time-series data and the predicted cell voltage time-series data for each charging period, for each of the first to Nth cells.
  • control unit determines a first average and a first standard deviation for errors of the first to Nth cells for each charging section, and corresponds to a first standardized value for the errors of each of the first to Nth cells for each charging section. (error - first average)/first standard deviation" may be determined, and cells having the first normalized value greater than a first threshold may be detected as abnormal symptom cells in at least one charging period.
  • the deep learning model is pre-learned using first cell voltage time-series data and second cell voltage time-series data measured in the first half and second half of each charging section for the first to m-th learning cells, respectively, It may be learned in advance to receive the first cell voltage time series data and output predicted cell voltage time series data with a minimized error with the second cell voltage time series data.
  • control unit determines, as an error, a maximum difference between the second cell voltage time-series data and the predicted cell voltage time-series data for each charging period, for each of the first to Nth cells; determining "(error - first average)/first standard deviation" corresponding to a first standardized value for errors of each of the first to Nth cells for each charging section; It may be configured to detect a cell having a first normalization value greater than a first threshold value as an abnormal symptom cell in at least one charging period.
  • the first average and the first standard deviation may be predetermined values in the learning process of the deep learning model.
  • control unit determines a second average and a second standard deviation of errors of each of a plurality of cells included in the module for each of the first to p-th modules constituting the battery pack; determining "(error - second average)/second standard deviation" corresponding to a second standardized value for errors of each of the first to Nth cells for each charging section; Battery cells having the first normalized value greater than the first threshold value and the second normalized value greater than the second threshold value may be detected as abnormal symptom cells in at least one charging period.
  • control unit determines a relative change behavior of the second cell voltage time-series data and the predicted cell voltage time-series data as the charging period is shifted for each of the first to Nth cells. It may be configured to monitor whether it corresponds to the change behavior pattern, and to finally determine the abnormal symptom type of the cell in which the predefined change behavior pattern is confirmed a reference number of times or more.
  • the predefined change behavior pattern is such that the second cell voltage time-series data increases faster than the predicted cell voltage time-series data in an early charging period and the predicted cell voltage time-series data increases at a faster rate than the second cell voltage time-series data in a later charging period. It increases faster than the time series data, and the type of anomaly may be lithium precipitation in the negative electrode.
  • An apparatus includes a recording storage medium in which data, predefined parameters, programs, or combinations thereof are stored; And it may further include a display.
  • the control unit may record identification information on the detected symptom cell in the recording storage medium, output a message indicating that an abnormal symptom cell has been detected in the battery pack through the display, or communicate with an external device. It may be configured to transmit identification information of an anomaly symptom cell to the side.
  • the technical problem according to the present invention can be achieved by a battery management system including a device for detecting an abnormal symptom cell in a battery pack described above.
  • a method for detecting anomaly cell in a battery pack according to another aspect of the present invention for achieving the above technical problem is, while the battery pack is being charged according to a charging profile having a plurality of charging sections, in each charging section, the first to the th For each of the N cells, (a) acquiring first cell voltage time-series data in the first half of the charging period; (b) applying a deep learning model to the first cell voltage time series data to determine predicted cell voltage time series data in the second half of a charging period; (c) obtaining second cell voltage time-series data in the second half; and (d) determining an error between the second cell voltage time series data and the predicted cell voltage time series data. and (e) detecting a cell having a relatively larger error than other cells in at least one charging period as an abnormal symptom cell.
  • a cell with abnormal symptoms can be easily detected by dividing a charging profile of a battery pack into a plurality of charging sections and statistically comparing and analyzing behaviors of measured voltage and predicted voltage for each charging section. Therefore, it is possible to prevent human accidents in advance by detecting abnormal signs directly related to fire or explosion accidents, in particular, serious signs such as lithium precipitation in the negative electrode at an early stage and warning the user.
  • the present invention also captures not only lithium precipitation on the negative electrode but also voltage change behavior caused by swelling or micro-short circuits, thereby enabling effective countermeasures against other anomalies.
  • FIG. 1 is a block diagram showing a schematic configuration of an apparatus for detecting abnormal symptom cells in a battery pack according to an embodiment of the present invention.
  • FIG. 2 is a graph showing an example of a charging profile according to an embodiment of the present invention.
  • FIG. 3 is a graph showing voltage change behavior of cells while a battery pack is being charged according to the charging profile illustrated in FIG. 2 .
  • FIG 4 is a graph showing an example in which the first half and the second half of a charging section are specifically set in a charging profile according to an embodiment of the present invention.
  • FIG. 5 is a graph showing an example of first and second cell voltage time-series data measured in each charging section while the first to m-th learning cells are charged according to a charging profile according to an embodiment of the present invention.
  • V k,i (j) shows second cell voltage time-series data V k,i (j) measured in the second half of the charging section 2 of the charging profile for a specific cell in which abnormal signs are detected, and predicted cell voltage time-series data V predicted by a deep learning model. * It is a graph illustrating the changing aspect of "V k,i ( j)-V * k,i (j)" corresponding to k,i (j) and their difference.
  • V k,i (j) is a second cell voltage time-series data V k,i (j) measured in the second half of the charging section 1 to 5 of the charging profile for a specific cell in which lithium is deposited on the negative electrode, and the predicted cell voltage predicted by the deep learning model. It is a graph illustrating the changing aspect of "V k ,i (j)-V * k, i (j)" corresponding to time series data V * k,i (j) and their difference.
  • FIGS. 8 to 10 are flowcharts illustrating a flow of a method for detecting abnormal symptom cells in a battery pack according to an embodiment of the present invention.
  • FIG. 1 is a block diagram showing a schematic configuration of an apparatus for detecting abnormal symptom cells in a battery pack according to an embodiment of the present invention.
  • the battery pack 20 is being charged according to a charging profile having a plurality of charging sections by a charging device 30, the battery pack 20 It is a device that detects abnormal symptom cells within.
  • An abnormal symptom cell refers to a cell exhibiting an abnormal voltage change behavior different from a normal cell.
  • a lithium polymer cell when lithium is precipitated from the negative electrode, a micro short circuit occurs inside the cell, or a swelling phenomenon occurs, the behavior of voltage change during charging is different from that of a normal cell.
  • the battery pack 20 includes first through p-th modules 21 .
  • the first to p-th modules 21 may be connected in series and/or parallel to each other.
  • the a-th module includes first through n a -th cells 22 .
  • n a is the total number of cells included in the a-th module.
  • the first to n a -th cells 22 may be connected in series and/or parallel to each other.
  • the number of cells included in each module may be the same or different.
  • the total number of cells included in the battery pack 20 is am.
  • the total number of cells included in the battery pack 20 is defined as N, and all cells of the battery pack 20 may be referred to as first through Nth cells.
  • the first to Nth cells may be pouch-type lithium polymer cells.
  • the present invention is not limited by the type of cell or the type of packaging material. Accordingly, the present invention can be applied to other types of secondary battery cells such as lithium-sulfur batteries and sodium-tium batteries. In addition, the present invention can be applied to cells having structures such as cylindrical cells and prismatic cells.
  • the charging device 30 is a device that applies a charging current to the battery pack 20 according to a charging profile having a plurality of charging sections.
  • the charging device 30 may be a charging station.
  • the charging device 30 may be a Power Converting System (PCS) installed between the power storage device and the power grid.
  • PCS is a system that controls the charging and discharging of power storage devices.
  • the charging profile is a protocol defining how to change the magnitude of the charging current supplied to the battery pack 20 according to time.
  • FIG. 2 is a graph showing an example of a charging profile 40 according to an embodiment of the present invention.
  • the charging profile 40 has a plurality of charging sections (1 to 7). Each charging section has a different magnitude and duration of charging current. Duration is a time period during which each charging period is maintained.
  • charging profile 40 is a step charging profile.
  • the magnitude of the charging current is gradually reduced until the voltage of the cells included in the battery pack 20 reaches the cut-off voltage, and then the magnitude of the charging current according to the constant-voltage charging mode. is regulated
  • charging sections 1 to 5 are sections in which the magnitude of the charging current gradually decreases to the cut-off voltage
  • charging section 6 is a section to which the constant-voltage charging mode is applied
  • charging section 7 is a section in which the battery cell is fully charged. This is a period in which a small charging current close to 0 is applied until the charging current is substantially zero.
  • the actual charging section is the charging section 1 to 6.
  • FIG. 3 is a graph showing voltage change behavior of cells while the battery pack 20 is being charged according to the charging profile 40 illustrated in FIG. 2 .
  • the cells are lithium polymer cells operating at 3.2V to 4.2V.
  • the total number of cells is 100, and since the cells do not have the same deterioration degree, voltage change behaviors of the cells also show differences.
  • the present invention is not limited by a specific change pattern of the charging profile 40 . Accordingly, the charging profile 40 of FIG. 2 is only an example. If a certain charging profile has a plurality of charging sections, it should be understood that the corresponding profile corresponds to the charging profile according to the present invention.
  • the device 10 includes a voltage measuring unit 11, a current measuring unit 12, a temperature measuring unit 13, and a control unit 14.
  • the voltage measuring unit 11 measures the voltages of the first to Nth cells included in the battery pack 20 at regular time intervals while the battery pack 20 is being charged according to the charging profile 40 having a plurality of charging sections. is measured, and the cell voltage measurement value is output to the control unit 14.
  • the voltage measurement unit 11 may include a voltage measurement circuit known in the art, and since the voltage measurement circuit is widely known, a detailed description thereof will be omitted.
  • the current measuring unit 12 measures the magnitude of the charging current at regular time intervals while the battery pack 20 is being charged according to the charging profile 40 having a plurality of charging sections, and converts the measured current value to the control unit 14. output as
  • the current measuring unit 12 may be a Hall sensor or a sense resistor that outputs a voltage value corresponding to the magnitude of the current. A voltage value can be converted into a current value according to Ohm's law.
  • the current measuring unit 12 may be installed on a line through which the charging current flows.
  • current measurement values measured by the current measurement unit 12 correspond to cell current values of all cells included in the battery pack 20 .
  • a current measuring unit 12 may be additionally installed at an appropriate point of a line through which a charging current flows to measure a cell current value.
  • the temperature measuring unit 13 measures the temperature of the first to Nth cells at regular time intervals while the battery pack 20 is being charged according to the charging profile 40 having a plurality of charging sections, and obtains the measured cell temperature values. It is output to the control unit 14.
  • the temperature measuring unit 13 may be a thermocouple or a temperature measuring device that outputs a voltage value corresponding to the temperature.
  • a voltage value can be converted into a temperature value using a voltage-temperature conversion lookup table (function).
  • the temperature measuring unit 13 may be attached to each of the first through p-th modules 21 .
  • the temperature of each module may be regarded as the temperature of cells included in the module.
  • the installation of the temperature measuring unit 13 in units of cells is not limited.
  • the control unit 14 While the battery pack 20 is being charged according to the charging profile 40, the control unit 14 periodically receives cell voltage values of the first to Nth cells from the voltage measuring unit 11 in each charging section, and receives cell voltage values for each cell. Acquire first and second cell voltage time-series data.
  • the cell voltage time series data is a set of cell voltage data continuously measured at a plurality of time points.
  • the first cell voltage time-series data is a set of cell voltage data measured in the first half of each charging period.
  • the second cell voltage time-series data is a set of cell voltage data measured in the second half of each charging section.
  • the boundary between the first half and the second half of the charging section may be arbitrarily set.
  • the duration of the i-th charging section is T i
  • the first half of the charging section is from the start of the charging section to the time 0.3T i
  • the second half of the charging section is from the time 0.3T i to the time T i .
  • the duration of the first half is 0.3T i
  • the duration of the second half is 0.7T i .
  • FIG 4 is a graph showing an example in which the first half and the second half of a charging section are specifically set in the charging profile 40 according to an embodiment of the present invention.
  • the vertical solid line is the boundary between charging sections
  • the dotted line is the boundary between the first half and the second half of the charging section.
  • the durations of the first half and second half of the charging section 1 are 0.3T 1 and 0.7T 1 , respectively.
  • the durations of the first half and the second half of the charging section 2 are 0.3T 2 and 0.7T 2 , respectively.
  • the durations of the first half and the second half of the charging section 3 are 0.3T 3 and 0.7T 3 , respectively.
  • the durations of the first half and the second half of the charging section 4 are 0.3T 4 and 0.7T 4 , respectively.
  • the durations of the first half and the second half of the charging section 5 are 0.3T 5 and 0.7T 5 , respectively.
  • the durations of the first half and the second half of the charging section 6 are 0.3T 6 and 0.7T 6 , respectively.
  • the durations of the first half and the second half of the charging section 7 are 0.3T 7 and 0.7T 7 , respectively.
  • the duration of the charging section may be different for each charging section.
  • the duration of the first half and the second half of the charging section may be the same for the entire charging section or may be different for each charging section. That is, the boundary between the first half and the second half of the charging section may be set at any time within the duration of the charging section.
  • the controller 14 acquires the first cell voltage time series in each charging section.
  • a deep learning model can be applied to the data to determine the predicted cell voltage time series data in the second half of the charging period.
  • the deep learning model measures the first to mth learning cells having the same specifications as the cells in the battery pack 20 in the first half of each charging period for each learning cell while being charged according to the charging profile 40 described above. It is a pre-learned model that receives first cell voltage time series data and outputs predicted cell voltage time series data having a minimum error with second cell voltage time series data measured in the second half of the corresponding charging section.
  • FIG. 5 is a graph showing an example of first and second cell voltage time-series data measured in each charging section while the first to m-th learning cells are charged according to the charging profile 40 according to an embodiment of the present invention. .
  • the graph at the top of FIG. 5 is an example of overlapping voltage curves for 100 of m learning cells, and the graph at the bottom of FIG. 5 is the first cell voltage time series measured in charging sections 1 to 7. Data and second cell voltage time-series data are shown as an example.
  • thousands to tens of thousands of learning cells with different degrees of degeneration may be used to improve the accuracy and reliability of the model.
  • the deep learning model receives the first cell voltage time series data (X) measured for the learning cell in the first half of the charging period 1 and the second cell measured for the learning cell in the second half of the charging period 1.
  • the predicted cell voltage time series data having a minimized error with the voltage time series data Y may be pre-learned to be output.
  • the first cell voltage time series data (X) measured for the learning cell in the first half of the charging period 2 is input, and the error with the second cell voltage time series data (Y) measured for the learning cell in the second half of the charging period 2 is It may be pre-learned to output minimized predicted cell voltage time-series data.
  • the error with the second cell voltage time series data (Y) measured for the learning cell in the second half of the charging section 3 is It may be pre-learned to output minimized predicted cell voltage time-series data.
  • the error with the second cell voltage time series data (Y) measured for the learning cell in the second half of the charging section 4 is It may be pre-learned to output minimized predicted cell voltage time-series data.
  • the first cell voltage time-series data (X) measured for the learning cell in the first half of the charging section 5 is input, and the error with the second cell voltage time-series data (Y) measured for the learning cell in the second half of the charging section 5 is It may be pre-learned to output minimized predicted cell voltage time-series data.
  • the error with the second cell voltage time series data (Y) measured for the learning cell in the second half of the charging section 6 is It may be pre-learned to output minimized predicted cell voltage time-series data.
  • the error with the second cell voltage time series data (Y) measured for the learning cell in the second half of the charging section 7 is It may be pre-learned to output minimized predicted cell voltage time-series data.
  • the data used for learning the deep learning model may further include first cell voltage time-series data measured in the first half of the charging section as well as time-series data on the cell current and cell temperature measured in the first half of the charging section.
  • the deep learning model receives the first cell voltage time series data, cell current time series data, and cell temperature time series data measured in the first half of the charging section, and the error with the second cell voltage time series data measured in the second half of the charging section It can be learned to output minimized predicted cell voltage time-series data.
  • any deep learning model based on an artificial neural network suitable for predicting the time-series behavior of cell voltage may be used without limitation.
  • the artificial neural network may be a recurrent neural network (RNN), a convolution neural network (CNN), or the like.
  • RNN recurrent neural network
  • CNN convolution neural network
  • the present invention is not limited by the type of artificial neural network.
  • the control unit 14 obtains the second cell voltage time series data and the predicted cell voltage time series data in the second half of each charging section for each of the first to Nth cells in the battery pack 20, and then obtains the second cell voltage time series data ( It is possible to determine the error between the measured value) and the predicted cell voltage time-series data (predicted value).
  • the control unit 14 also monitors an error between the second cell voltage time-series data determined in each charging section and the predicted cell voltage time-series data for each of the first to Nth cells, and determines that the error is relatively large in at least one charging section.
  • a cell can be detected as an abnormal symptom cell.
  • the control unit 14 uses Equation 1 below to determine the second cell voltage time-series data V k,1 (j) and the predicted cell voltage time-series data V k,1 * for each charging section.
  • the error E k,1 between (j) can be calculated.
  • E k,i max(
  • E k,i Error of the k-th charging section for the i-th battery cell
  • V k,i (j) Second cell voltage measured in the second half of the k-th charging section for the i-th battery cell
  • V * k,i (j) predicted cell voltage predicted by the j-th battery cell in the second half of the k-th charging period for the i-th battery cell by the deep learning model
  • Num measure The total number of cell voltage measurements in the second half of the k-th charging section or the total number of cell voltage predictions using a deep learning model in the second half of the k-th charging section
  • the controller 14 also calculates errors E k,2 , E k,3 , E k,n between the second cell voltage time-series data and the predicted cell voltage time-series data for each charging section for the second to Nth cells. can be calculated
  • V k,i (j) shows second cell voltage time-series data V k,i (j) measured in the second half of the charging period 2 of the charging profile 40 for a specific cell in which abnormal symptoms are detected, and the predicted cell voltage predicted by the deep learning model. It is a graph illustrating the changing aspect of "V k ,i (j)-V * k, i (j)" corresponding to time series data V * k,i (j) and their difference.
  • the black solid line is V k,i (j), and the black dotted line is V * k,i (j).
  • V k,i (j)-V * k,i (j) increases to a significant level in a cell with abnormal symptoms in a specific charging period. Therefore, the error E k,i can be used as a parameter for detecting abnormal symptom cells.
  • the second cell voltage time-series data and the predicted cell voltage time-series data of cells without abnormal signs are shown as gray lines and are not well distinguished because they coincide with each other.
  • the control unit 14 may also determine a first average Avr k and a first standard deviation ⁇ k for the errors E k,i of the first to Nth cells for each charging section using Equation 2 below.
  • Avr k mean(E k,i ), 1 ⁇ i ⁇ N
  • N the number of cells in the battery pack
  • E k,i Error of the k-th charging section for the i-th battery cell
  • the controller 14 may also determine a first standardized value Std_Value k,i for the error E k,i of each of the 1st to Nth cells using Equation 3 below for each charging section.
  • the number of charging sections is Num charge
  • the number of first standardized values Std_Value k,i for each cell is Num charge .
  • the control unit 14 may also detect cells having a first normalized value Std_Value k,i greater than a preset first threshold in at least one charging period among the first to Nth cells of the battery pack 20 as abnormal symptom cells. .
  • the first standardized value Std_Value k,i is somewhat different from the average error value (Avr k ) when the error E k,i of the i-th cell determined in the k-th charging section is based on the standard deviation ( ⁇ k ) of the error. It is a factor indicating whether
  • the first threshold may be set to 3 or more, more preferably 4 or more, and more preferably 4.5 or more.
  • the first average Avr k and the first standard deviation ⁇ k of each charging section may be determined in advance in the learning process of the deep learning model. That is, after the learning of the deep learning model is completed, the first to m-th learning cells are charged according to the charging profile 40 having a plurality of charging intervals, and the first cell voltage time-series data, the second cell voltage time-series data, and prediction After collecting the cell voltage time series data, the error E k,i of each charging section can be determined for each learning cell.
  • the average and standard deviation of the error E k,i calculated using Equation 2 for each charging section may be preset as the first average Avr k and the first standard deviation ⁇ k , respectively.
  • control unit 14 may determine the second average Avr k, a and the second standard deviation ⁇ k,a of the error E k ,i in units of modules using Equation 4 below.
  • a second average Avr k,a and a second standard deviation ⁇ k,a are determined for each filling interval.
  • Avr k,a mean(E k,i@a ), 1 ⁇ i ⁇ n a , 1 ⁇ k ⁇ Num charge
  • ⁇ k,a std(E k,i ), 1 ⁇ i ⁇ n a , 1 ⁇ k ⁇ Num charge
  • n a total number of cells included in the a-th module
  • E k,i@a Error of the k-th charging section for the i-th cell in the a-th module
  • the control unit 14 may also determine a second standardized value Std_Value * k,i within the module for the error E k,i of each of the 1st to Nth cells using Equation 5 for each charging section.
  • the number of second standardized values Std_Value * k,i in the module for each cell is Num charge .
  • Std_Value * k,i (E k,i - Avr k,a )/ ⁇ k,a , 1 ⁇ i ⁇ N, 1 ⁇ a ⁇ p, 1 ⁇ k ⁇ Num charge
  • N the total number of cells
  • Avr k,a Second average defined according to the module in which the cell is included
  • ⁇ k,a Second standard deviation defined according to the module in which the cell is included
  • the controller 14 also classifies cells in which the first normalized value Std_Value k,i is greater than the first threshold value and the second normalized value Std_Value * k,i greater than the second threshold value in the module in at least one charging section as abnormal symptom cells. can be configured to detect
  • the second standardized value Std_Value * k,i is the average value within the module of error ( Avr k, when the error E k,i of the cell determined in the k-th charging section is based on the standard deviation within the module of error ( ⁇ k,a ). ,a ) is a factor indicating how far away it is from.
  • the second threshold may be smaller than the first threshold.
  • the second threshold may be preferably set to 3.0 or less, more preferably 2.5 or less.
  • controller 14 may additionally perform logic for detecting the type of anomaly of the battery cell.
  • the controller 14 determines the relative change behavior of the second cell voltage time-series data of the first to Nth cells measured in the second half of each charging section and the predicted cell voltage time-series data predicted in the second half of each charging section. As this is shifted, it is possible to monitor whether a predefined change behavior pattern for each symptom type is displayed. In addition, the controller 14 may identify the corresponding cell as an abnormal symptom cell and determine the abnormal symptom type when a predefined change behavior is detected in the same cell more than a reference number of times while a plurality of charging cycles are in progress.
  • second cell voltage time series data increases faster than predicted cell voltage time series data in a charging period at an early stage of charging. This is because the potential of the negative electrode increases at the beginning of charging when lithium is deposited on the negative electrode. Since the cell voltage corresponds to the difference between the anode potential and the cathode potential, the change slope of the cell voltage increases as the cathode potential increases. As a result, the second cell voltage increases faster than the predicted cell voltage in the initial charging period. Since the predicted cell voltage is the voltage predicted by the deep learning model, it shows a voltage change behavior close to that of a normal cell at the beginning of charging, so the increase in cell voltage is not steep.
  • the predicted cell voltage time-series data increases faster than the second cell voltage time-series data.
  • the potential of the negative electrode gradually decreases as charging progresses. This is because when lithium is precipitated from the negative electrode, the amount of lithium participating in the electrochemical reaction decreases and the decrease in potential of the negative electrode is attenuated.
  • the decrease in potential of the cathode is attenuated, the increase in cell voltage is also attenuated correspondingly.
  • the predicted cell voltage increases faster than the second cell voltage in the latter charging period. Since the predicted cell voltage is the voltage predicted by the deep learning model, it shows a voltage change behavior close to that of a normal cell even in the latter half of the charge, so the decrease in potential of the negative electrode is not attenuated.
  • V k,i (j) is a second cell voltage time-series data V k,i (j) measured in the second half of the charging section 1 to 5 of the charging profile 40 for a specific cell in which lithium is actually deposited on the negative electrode, predicted by a deep learning model It is a graph illustrating changes in “V k , i ( j)-V * k,i (j)” corresponding to the predicted cell voltage time series data V * k,i (j) and their difference. In each graph, the horizontal axis is time (seconds) and the vertical axis is voltage (milli-volt).
  • the black solid line is V k,i (j), and the black dotted line is V * k,i (j).
  • the second cell voltage time-series data increases faster than the predicted cell voltage time-series data in the initial period 1 of charging.
  • the predicted cell voltage time-series data increases faster than the second cell voltage time-series data.
  • the second cell voltage time-series data and the predicted cell voltage time-series data of cells without abnormal symptoms are indicated by gray lines and are not well distinguished because they coincide with each other.
  • control unit 14 increases the second cell voltage time-series data faster than the predicted cell voltage time-series data in the first charging period among the first to Nth cells, and the predicted cell voltage time-series data in the later charging period. If a cell exhibiting a behavior of increasing faster than the second cell voltage time-series data is identified, it can be identified as having an abnormal sign of lithium precipitation on the anode of the corresponding cell.
  • the control unit 14 while charging the battery pack 20 according to the charging profile 40 including a plurality of charging sections, the control unit 14 generates second cell voltage time-series data in an initial charging section among the first to Nth cells. If a cell that increases faster than the predicted cell voltage time series data and shows a behavior in which the predicted cell voltage time series data increases faster than the second cell voltage time series data in the latter charging period is identified, an anomaly symptom count is counted for the corresponding cell each time. can be incremented by 1.
  • the control unit 14 may also finally determine that there is an abnormal symptom in which lithium is deposited on the negative electrode of the cell when the abnormal symptom count is equal to or greater than the reference number.
  • the device 10 may further include a recording storage medium 15 and a display 16 storing data, predefined parameters, programs, or a combination thereof.
  • control unit 14 may record identification information of the abnormal symptom cell and/or information on the abnormal symptom type together with a time stamp in the recording storage medium 15 .
  • the identification information of the symptom cell includes a model code of the battery pack 20, a module code including the symptom cell, a production lot number of the symptom cell, or a combination thereof.
  • Information on the type of abnormality may include a diagnostic code indicating lithium precipitation of the anode.
  • the controller 14 may also be configured to output a message indicating that an abnormal symptom cell is detected in the battery pack 20 through the display 16 when detecting an abnormal symptom cell according to the above-described embodiment.
  • the display 16 When the battery pack 20 is mounted in the electric vehicle, the display 16 may be an instrument panel of the electric vehicle or an integrated vehicle control display. In another example, when the battery pack 20 is mounted in the power storage device, the display 16 may be a display included in the integrated control computer of the power storage device. However, the present invention is not limited by the type of display.
  • the device 10 may further include a communication interface 17.
  • the control unit 14 may transmit identification information about the symptom cell and/or information about the symptom type to an external device through the communication interface 17 .
  • the communication interface 17 supports wired or wireless communication.
  • the communication interface 17 may support data transmission/reception by CAN (Controller Area Network), Daisy Chain, RS-232, and the like.
  • the communication interface 17 may support data transmission and reception through short-range wireless communication such as Wi-Fi, Bluetooth, and ZigBee.
  • the communication interface 17 can support wide-area data transmission and reception through wired and wireless Internet, base station communication, and satellite communication.
  • the external device may be the charging device 30 .
  • the external device may be a cloud server that collects state information of the battery pack 20 .
  • the external device may be a diagnostic device for checking performance of the battery pack 20 .
  • the controller 14 selectively uses a processor known in the art, an application-specific integrated circuit (ASIC), other chipsets, logic circuits, registers, communication modems, data processing devices, etc. to execute various control logics.
  • ASIC application-specific integrated circuit
  • the type of the recording medium 15 is not particularly limited as long as it is a medium capable of recording and erasing information.
  • the recording medium 15 may be a hard disk, RAM, ROM, EEPROM, register or flash memory.
  • the recording medium 15 stores a program including control logic executed by the control unit 14 and/or data generated when the control logic is executed and predefined lookup tables, functions, parameters, chemical/physical/ Electrical constants, etc. may be stored and/or updated and/or erased and/or transmitted.
  • At least one or more control logics of the control unit 14 are combined, and the combined control logics may be written in a computer readable code system and recorded in the recording medium 15 .
  • the code system may be distributed and stored and executed on computers connected through a network.
  • functional programs, codes and code segments for implementing the combined control logics can be easily inferred by programmers skilled in the art to which the present invention belongs.
  • Device 10 may be included in a battery management system or a battery diagnostic system.
  • the battery management system is a system that controls overall operation of the battery pack 20 .
  • Such a battery management system may be an integrated control system included in a load device on which the battery pack 20 is mounted, such as an electric vehicle or a power storage device.
  • the device 10 according to the present invention may be included as part of other devices or systems other than a battery management system or a battery diagnosis system, if necessary.
  • the charging device 30 applies a charging current to the battery pack 20 according to the charging profile 40 including a plurality of charging sections.
  • the charging device 30 may be a charging station of an electric vehicle or a PCS of a power storage device.
  • Application of the charging current may be initiated at the request of the control unit 14 . That is, the controller 14 may recognize that the charging cable is connected to the high potential line and the low potential line of the battery pack 20 and request the charging device 30 to start charging. Alternatively, application of the charging current may be automatically initiated when the charging device 30 is connected to the battery pack 20 .
  • step S20 the control unit 14 measures the voltage of the first to Nth cells in the battery pack 20 in each charging section while the battery pack 20 is being charged according to the charging profile 40. ), the cell voltage value is periodically input, and the first and second cell voltage time-series data are obtained.
  • step S30 the control unit 140 separates the first and second cell voltage time-series data obtained through the voltage measurement unit 11 in each charging period, and separates each charging period for the first to Nth cells.
  • a pre-learned deep learning model is applied to determine the predicted cell voltage time series data in the second half of the charging period.
  • step S40 the control unit 14 calculates an error E k,i between the second cell voltage time-series data and the predicted cell voltage time-series data in each charging section using Equation 1 for the first to Nth cells. do.
  • the number of charging sections is Num charge
  • the total number of errors E k,i is Num charge *N.
  • step S50 the control unit 14 determines a first average Avr k and a first standard deviation ⁇ k for the errors E k,i of the first to Nth cells for each charging section by using Equation 2.
  • step S60 the control unit 14 determines a first standardized value Std_Value k,i for the error E k,i of each of the 1st to Nth cells by using Equation 3 for each charging section.
  • the number of charging sections is Num charge
  • the total number of first standardized values Std_Value k,i is Num charge *N.
  • control unit 14 may detect a cell having a first normalized value Std_Value k,i greater than a preset first threshold as an abnormal symptom cell in at least one charging section.
  • step S70, step S80 or step S90 may be selectively performed.
  • the control unit 14 may record identification information of the abnormal symptom cell and/or information on the abnormal symptom type together with a time stamp in the recording storage medium 15.
  • the identification information of the symptom cell includes a model code of the battery pack 20, a module code to which the symptom cell belongs, a production lot number of the symptom cell, or a combination thereof.
  • Information on the type of abnormality may include a diagnostic code indicating lithium precipitation of the anode.
  • step S90 when detecting an abnormal symptom cell, the controller 14 may output a message indicating that an abnormal symptom cell has been detected in the battery pack 20 through the display 16 .
  • the message When the message is output, the user can stop using the battery pack 20 and replace the battery pack 20 or request a detailed inspection of the battery pack 20 at a service center or after service center.
  • step S50 can be omitted.
  • the first average Avr k and the first standard deviation ⁇ k may be determined in advance during the learning process of the deep learning model. That is, after the learning of the deep learning model is completed, the error E k,i of each charging section may be determined for each learning cell while charging the first to mth learning cells according to the charging profile 40 .
  • the average and standard deviation of the error E k,i may be calculated using Equation 2 for each charging section, and the calculated values may be preset as the first average Avr k and the first standard deviation ⁇ k , respectively.
  • the first average Avr k and the second standard deviation ⁇ k set in the learning process of the deep learning model may be pre-stored in the recording medium 15 and referred to by the control unit 14 when step S60 proceeds.
  • steps after step S60 can be modified as shown in FIG. 9 .
  • step S100 the control unit 14 can determine the second average Avr k,a and the second standard deviation ⁇ k ,a of the error E k,i in each charging section in units of modules using Equation 4. there is.
  • step S110 the control unit 14 determines a second standardized value Std_Value * k,i within the module for the error E k,i of each of the first to Nth cells for each charging section by using Equation 5. do.
  • the number of charging sections is Num charge
  • the number of second standardized values Std_Value * k,i in the module for each cell is Num charge .
  • step S120 the control unit 14 determines that the first standardized value Std_Value k,i in at least one charging section is greater than the first threshold and at the same time the second standardized value Std_Value * k,i within the module is greater than the second threshold. Large cells can be detected as abnormal symptom cells.
  • the second threshold may be smaller than the first threshold.
  • the first threshold may be 3.0 or more, preferably 4.0 or more, and more preferably 4.5 or more.
  • the second threshold may be preferably set to 3.0 or less, more preferably 2.5 or less.
  • step S120, step S80 or step S90 may be performed substantially the same as in the foregoing embodiment.
  • the controller 14 when the controller 14 detects an abnormal symptom cell in the battery pack 20, it may record identification information of the abnormal symptom cell and/or information about the abnormal symptom type together with a time stamp in the recording storage medium 15. there is.
  • the identification information of the symptom cell includes a model code of the battery pack 20, a module code to which the symptom cell belongs, a production lot number of the symptom cell, or a combination thereof.
  • Information on the type of abnormality may include a diagnostic code indicating lithium precipitation of the anode.
  • the controller 14 may also output, through the display 16 , a message indicating that an abnormal symptom cell has been detected in the battery pack 20 when detecting an abnormal symptom cell in the battery pack 20 .
  • the method for detecting an anomaly symptom cell in a battery pack according to the present invention may further include steps of identifying an anomaly symptom type of a battery cell.
  • step S130 the control unit 14 uses the second cell voltage time-series data of the first to Nth cells measured in the second half of each charging section and the predicted cell voltage predicted in the second half of each charging section. It is possible to monitor whether the relative change behavior of the time-series data exhibits a predefined change behavior pattern for each type of anomaly as the charging period is shifted.
  • control unit 14 increases the second cell voltage time-series data faster than the predicted cell voltage time-series data in the first charging period among the first to Nth cells, and the predicted cell voltage time-series data in the later charging period. Whether a battery cell exhibiting a behavior pattern that increases faster than the second cell voltage time-series data exists may be monitored.
  • step S140 the control unit 14 determines whether the relative change behavior of the second cell voltage time-series data and the predicted cell voltage time-series data corresponds to a change behavior pattern predefined according to the abnormal symptom type.
  • step S150 proceeds. Conversely, if the result of step S140 is NO, the process returns to step S130.
  • step S140 If the result of step S140 is YES, the control unit 140 identifies the abnormal symptom type corresponding to the predefined change behavior pattern in step S150.
  • the control unit 14 increases the second cell voltage time-series data faster than the predicted cell voltage time-series data in the first charging period among the first to Nth cells, and the predicted cell voltage time-series data in the later charging period.
  • a battery cell exhibiting a behavior pattern that increases faster than the second cell voltage time series data it can be identified as having an abnormal sign of lithium precipitation on the negative electrode of the corresponding cell.
  • step S160 the control unit 14 increases the abnormal symptom count by 1 for the corresponding cell in which the abnormal symptom type (eg, negative electrode lithium deposition) is identified.
  • the abnormal symptom type eg, negative electrode lithium deposition
  • step S170 the control unit 14 determines whether the abnormal symptom count exceeds the reference number.
  • step S180 proceeds. Conversely, if the determination in S170 is NO, the process returns to step S130.
  • step S170 determines the abnormal symptom type (eg, negative electrode lithium deposition) for the cell whose abnormal symptom count exceeds the reference number in step S180.
  • the abnormal symptom type eg, negative electrode lithium deposition
  • step S80 or step S90 may be performed as in the above-described embodiment.
  • the controller 14 records the identification information of the abnormal symptom cell and information about the abnormal symptom type together with a time stamp. It can be recorded on the storage medium 15.
  • the identification information of the symptom cell includes a model code of the battery pack 20, a module code to which the symptom cell belongs, a production lot number of the symptom cell, or a combination thereof.
  • Information about the type of abnormality may include a diagnostic code indicating lithium precipitation of the anode.
  • the control unit 14 When the abnormal symptom cell is identified in the battery pack 20 and the abnormal symptom type is finally determined, the control unit 14 also sends a message indicating that the abnormal symptom cell has been detected in the battery pack 20 together with information about the abnormal symptom type. It can be output through the display 16.
  • control unit 14 may transmit identification information about the abnormal cell and/or information about the abnormal symptom type to an external device through the communication interface 17 .
  • the communication interface 17 may support wired communication or wireless communication.
  • the external device may be the charging device 30 .
  • the external device may be a cloud server that collects state information of the battery pack 20 .
  • the external device may be a diagnostic device for checking performance of the battery pack 20 .
  • the abnormal symptom type may include other abnormal symptom types such as cell swelling and internal short circuit in addition to lithium precipitation of the negative electrode.
  • each abnormal symptom type it is possible to easily confirm through experiment what relative change behavior pattern the second cell voltage time-series data and the predicted cell voltage time-series data show according to the shift of the charging section. It is self-evident to those skilled in the art.
  • the present invention it is possible to easily detect cells with abnormal symptoms by dividing the charging profile of the battery pack 20 into a plurality of charging sections and statistically comparing and analyzing behaviors of measured voltage and predicted voltage for each charging section. . Therefore, it is possible to prevent human accidents in advance by detecting abnormal signs directly related to fire or explosion accidents, in particular, serious signs such as lithium precipitation in the negative electrode at an early stage and warning the user.
  • the present invention also captures not only lithium precipitation on the negative electrode but also voltage change behavior caused by swelling or micro-short circuits, so that other symptoms can be effectively dealt with.

Landscapes

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

Abstract

본 발명은 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법을 개시한다. 본 발명에 따른 장치에 있어서, 제어부는 배터리 팩이 복수의 충전 구간을 가진 충전 프로파일에 따라 충전되는 동안, 각 충전구간에서 제1 내지 제N셀의 각각에 대해, 충전 구간의 전반부에서 제1셀전압 시계열 데이터(측정치)를 취득한다. 또한, 제어부는 제1셀전압 시계열 데이터에 딥러닝 모델을 적용하여, 충전 구간의 후반부에서 예측 셀전압 시계열 데이터를 결정한다. 또한, 제어부는 상기 후반부에서 제2셀전압 시계열 데이터(측정치)를 취득하고, 제2셀전압 시계열 데이터와 예측 셀전압 시계열 데이터의 오차를 결정한다. 또한, 제어부는, 적어도 하나 이상의 충전구간에서 다른 셀들보다 오차가 상대적으로 큰 셀을 이상 징후 셀로 검출한다.

Description

배터리 팩 내의 이상 징후 셀 검출 장치 및 방법
본 발명은 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법에 관한 것으로서, 보다 상세하게는 배터리 팩이 충전되는 과정에서 셀들의 전압 거동에 대한 측정치와 예측치의 차이를 통계적으로 분석함으로써 이상 징후가 있는 셀을 미리 검출할 수 있는 장치 및 방법에 관한 것이다.
본 출원은 대한민국에 2021년 10월 22일에 출원된 특허출원 제10-2021-0142202호에 대해 우선권을 주장하며, 우선권의 기초가 된 출원의 내용은 본 명세서의 일부로서 합체될 수 있다.
충전이 불가능한 일차 배터리와는 달리, 충전이 가능한 이차 배터리는 스마트 폰, 노트북 컴퓨터, 태블릿 PC 등의 소형 첨단 전자기기 분야뿐만 아니라 전기 자동차, 에너지저장시스템(ESS)에 이르기까지 다양한 분야에서 널리 사용되고 있다.
이차 배터리는 상기와 같이 다양한 분야에서 사용할 수 있다는 효율성과 편리성에도 불구하고, 에너지 밀도가 높은 특성으로 인해 어떠한 원인에 의해 과열되면 폭발하거나 화재를 일으킬 수 있는 위험성을 가지고 있다.
특히, 최근 배터리 폭발로 인한 화재 사고가 발생하면서 이차 배터리 시장 자체에 불안함을 가중시키고 있고, 이에 따라 이차 배터리의 안전성을 확보하는 것이 가장 큰 화두로 언급되고 있다.
본 발명은 위와 같은 종래 기술의 배경하에 창안된 것으로서, 배터리 팩이 충전되는 과정에서 배터리 팩 내의 셀들 중 이상 징후를 보이는 셀을 미리 검출함으로써 배터리 팩의 안전성을 향상시킬 수 있는 장치 및 방법을 제공하는데 그 목적이 있다.
상기 기술적 과제를 달성하기 위한 본 발명의 일 측면에 따른 배터리 팩 내의 이상 징후 셀 검출 장치는, 배터리 팩이 충전되는 동안 배터리 팩에 포함된 제1 내지 제N셀에 대한 전압, 전류 및 온도를 측정하는 전압 측정부, 전류 측정부 및 온도 측정부, 및 상기 전압 측정부, 전류 측정부 및 온도 측정부와 동작 가능하게 결합된 제어부를 포함한다.
바람직하게, 제어부는, 배터리 팩이 복수의 충전 구간을 가진 충전 프로파일에 따라 충전되는 동안, 각 충전구간에서 제1 내지 제N셀의 각각에 대해, 충전 구간의 전반부에서 상기 전압 측정부를 통해 제1셀전압 시계열 데이터를 취득하도록 구성될 수 있다. 또한 제어부는 제1셀전압 시계열 데이터에 딥러닝 모델을 적용하여, 충전 구간의 후반부에서 예측 셀전압 시계열 데이터를 결정하도록 구성될 수 있다. 또한 제어부는 상기 후반부에서 상기 전압 측정부를 통해 제2셀전압 시계열 데이터를 취득하고, 상기 제2셀전압 시계열 데이터와 상기 예측 셀전압 시계열 데이터의 오차를 결정하도록 구성될 수 있다. 또한 제어부는, 적어도 하나 이상의 충전구간에서 다른 셀들보다 오차가 상대적으로 큰 셀을 이상 징후 셀로 검출하도록 구성될 수 있다.
일 측면에 따르면, 상기 제어부는, 제1 내지 제N셀 각각에 대해, 충전구간 별로 상기 제2셀전압 시계열 데이터와 상기 예측 셀전압 시계열 데이터 간의 최대 차이를 오차로 결정하도록 구성될 수 있다.
또한 제어부는 충전구간 별로 제1 내지 제N셀의 오차에 대한 제1평균과 제1표준편차를 결정하고, 충전구간별로 제1 내지 제N셀 각각의 오차에 대한 제1표준화 값에 해당하는 "(오차 - 제1평균)/제1표준편차"를 결정하고, 적어도 하나 이상의 충전구간에서 상기 제1표준화 값이 제1임계치보다 큰 셀을 이상 징후 셀로 검출하도록 구성될 수 있다.
바람직하게, 상기 딥러닝 모델은, 제1 내지 제m학습 셀들에 대해 각 충전구간의 전반부 및 후반부에서 각각 측정된 제1셀전압 시계열 데이터 및 제2셀전압 시계열 데이터를 이용하여 미리 학습된 것으로서, 제1셀전압 시계열 데이터를 입력 받아 제2셀전압 시계열 데이터와의 오차가 최소화된 예측 셀전압 시계열 데이터를 출력하도록 미리 학습된 것일 수 있다.
다른 측면에 따르면, 상기 제어부는, 제1 내지 제N셀 각각에 대해, 충전구간 별로 상기 제2셀전압 시계열 데이터와 상기 예측 셀전압 시계열 데이터 간의 최대 차이를 오차로 결정하고; 충전구간별로 제1 내지 제N셀 각각의 오차에 대한 제1표준화 값에 해당하는 "(오차 - 제1평균)/제1표준편차"를 결정하고; 적어도 하나 이상의 충전구간에서 상기 제1표준화 값이 제1임계치보다 큰 셀을 이상 징후 셀로 검출하도록 구성될 수 있다. 여기서, 제1평균 및 제1표준편차는 상기 딥러닝 모델의 학습 과정에서 미리 결정된 값일 수 있다.
선택적으로, 상기 제어부는, 배터리 팩을 구성하는 제1 내지 제p모듈 각각에 대해, 모듈 내에 포함된 복수 셀 각각의 오차에 대한 제2평균과 제2표준편차를 결정하고; 충전구간별로 제1 내지 제N셀 각각의 오차에 대한 제2표준화 값에 해당하는 "(오차 - 제2평균)/제2표준편차"를 결정하고; 적어도 하나 이상의 충전구간에서 상기 제1표준화 값이 제1임계치보다 크고 상기 제2표준화 값이 제2임계치보다 큰 배터리 셀을 이상 징후 셀로 검출하도록 구성될 수 있다.
선택적으로, 상기 제어부는, 상기 제1 내지 제N셀 각각에 대해, 충전구간이 쉬프트됨에 따라 상기 제2셀전압 시계열 데이터와 상기 예측 셀전압 시계열 데이터의 상대적 변화 거동이 이상 징후 유형 별로 미리 정의된 변화 거동 패턴에 대응되는지 모니터하고, 미리 정의된 변화 거동 패턴이 기준 횟수 이상 확인된 셀의 이상 징후 유형을 최종 결정하도록 구성될 수 있다.
바람직하게, 상기 미리 정의된 변화 거동 패턴은, 초반 충전구간에서 상기 제2셀전압 시계열 데이터가 상기 예측 셀전압 시계열 데이터보다 빠르게 증가하고 후반 충전구간에서는 상기 예측 셀전압 시계열 데이터가 상기 제2셀전압 시계열 데이터보다 빠르게 증가하는 것이고, 상기 이상 징후 유형은 음극에서의 리튬 석출일 수 있다.
본 발명에 따른 장치는, 데이터, 사전 정의 파라미터, 프로그램 또는 이들의 조합이 저장되는 기록저장매체; 및 디스플레이를 더 포함할 수 있다. 또한, 제어부는, 상기 검출된 이상 징후 셀에 관한 식별정보를 상기 기록저장매체에 기록하거나, 또는 배터리 팩 내에 이상 징후 셀이 검출되었음을 나타내는 메시지를 상기 디스플레이를 통해 출력하거나, 또는 통신을 통해 외부 디바이스 측으로 이상 징후 셀의 식별정보를 전송하도록 구성될 수 있다.
본 발명에 따른 기술적 과제는 상술한 배터리 팩 내의 이상 징후 셀을 검출하는 장치를 포함하는 배터리 관리 시스템에 의해 달성 가능하다.
상기 기술적 과제를 달성하기 위한 본 발명의 또 다른 측면에 따른 배터리 팩 내의 이상 징후 셀 검출 방법은, 배터리 팩이 복수의 충전구간을 가진 충전 프로파일에 따라 충전되는 동안, 각 충전구간에서 제1 내지 제N셀의 각각에 대해, (a) 충전 구간의 전반부에서 제1셀전압 시계열 데이터를 취득하는 단계; (b) 상기 제1셀전압 시계열 데이터에 딥러닝 모델을 적용하여, 충전 구간의 후반부에서 예측 셀전압 시계열 데이터를 결정하는 단계; (c) 상기 후반부에서 제2셀전압 시계열 데이터를 취득하는 단계; 및 (d) 상기 제2셀전압 시계열 데이터와 상기 예측 셀전압 시계열 데이터의 오차를 결정하는 단계; 및 (e) 적어도 하나 이상의 충전구간에서 다른 셀들보다 오차가 상대적으로 큰 셀을 이상 징후 셀로 검출하는 단계;를 포함할 수 있다.
본 발명에 의하면, 배터리 팩의 충전 프로파일을 복수의 충전구간으로 분할하고, 충전구간 별로 실측 전압과 예측 전압의 거동을 통계적으로 비교 분석함으로써 이상 징후가 있는 셀을 용이하게 검출할 수 있다. 따라서, 화재나 폭발사고와 직결되는 이상 징후, 특히 음극의 리튬 석출 등의 심각한 징후를 초기에 포착하여 사용자에게 경고함으로써 인명 사고를 미연에 방지할 수 있다. 본 발명은 또한 음극의 리튬 석출뿐만 아니라 스웰링이나 미소 단락 현상 등에 의해 생기는 전압 변화 거동도 포착함으로써 다른 이상 징후에 대해서도 효과적인 대처가 가능하다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 한 실시예를 예시하는 것이며, 후술하는 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일 실시예에 따른 배터리 팩 내의 이상 징후 셀 검출 장치의 개략적인 구성을 도시한 블록도이다.
도 2는 본 발명의 실시예에 따른 충전 프로파일의 일 예를 도시한 그래프이다.
도 3은 도 2에 예시된 충전 프로파일에 따라 배터리 팩이 충전되는 동안 셀들의 전압 변화 거동을 나타낸 그래프이다.
도 4는 본 발명의 실시예에 따른 충전 프로파일에 충전구간의 전반부와 후반부가 구체적으로 설정된 예를 나타낸 그래프이다.
도 5는 본 발명의 실시예에 따라 제1 내지 제m학습셀이 충전 프로파일에 따라 충전되는 동안 각 충전구간에서 측정된 제1 및 제2셀전압 시계열 데이터의 일 예를 나타낸 그래프이다.
도 6은 이상 징후가 검출된 특정 셀에 대해서 충전 프로파일의 충전구간 ②의 후반부에서 측정된 제2셀전압 시계열 데이터 Vk,i(j), 딥러닝 모델에 의해 예측된 예측 셀전압 시계열 데이터 V* k,i(j) 및 이들의 차이에 해당하는 "Vk,i(j)-V* k,i(j)"의 변화 양상을 예시한 그래프이다.
도 7은 음극에 리튬이 석출된 특정 셀에 대해서 충전 프로파일의 충전구간 ① 내지 ⑤의 후반부에서 측정된 제2셀전압 시계열 데이터 Vk,i(j), 딥러닝 모델에 의해 예측된 예측 셀전압 시계열 데이터 V* k,i(j) 및 이들의 차이에 해당하는 "Vk,i(j)-V* k,i(j)"의 변화 양상을 예시한 그래프이다.
도 8 내지 도 10은 본 발명의 실시예에 따른 배터리 팩 내의 이상 징후 셀 검출 방법의 흐름을 나타낸 순서도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 출원을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 발명시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명의 일 실시예에 따른 배터리 팩 내의 이상 징후 셀 검출 장치의 개략적인 구성을 도시한 블록도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 장치(10)는, 배터리 팩(20)이 충전장치(30)에 의해 복수의 충전구간을 가진 충전 프로파일에 따라 충전되는 동안 배터리 팩(20) 내의 이상 징후 셀을 검출하는 장치이다.
이상 징후 셀은 정상 셀과 다른 비정상적인 전압 변화 거동을 나타내는 셀을 의미한다. 일 예로, 리튬 폴리머 셀의 경우, 음극에서 리튬이 석출되거나, 셀 내부에서 마이크로 단락이 생기거나, 스웰링 현상 등이 생기면 셀 충전 시 나타나는 전압 변화 거동이 정상 셀과 달라진다.
배터리 팩(20)은 제1 내지 제p모듈(21)을 포함한다. 제1 내지 제p모듈(21)은 서로 직렬 및/또는 병렬로 연결될 수 있다. a번째 모듈은 제1 내지 제na셀(22)을 포함한다. na는 a번째 모듈에 포함된 셀의 총 수이다. 제1 내지 제na셀(22)은 서로 직렬 및/또는 병렬로 연결될 수 있다. 각 모듈에 포함된 셀의 수는 동일할 수도 있고 서로 다를 수 있다. 배터리 팩(20)에 포함된 총 셀의 수는
Figure PCTKR2022016209-appb-img-000001
이다. 이하, 배터리 팩(20)에 포함된 전체 셀들의 수는 N이라고 정의하며, 배터리 팩(20)의 전체 셀은 제1 내지 제N셀로 명명될 수 있다.
일 실시예에서, 제1 내지 제N셀은 파우치 타입의 리튬 폴리머 셀일 수 있다. 하지만, 본 발명이 셀의 종류나 포장재의 종류 등에 의해 한정되지 않음은 자명하다. 따라서, 본 발명은 리튬-황 전지, 나트튬 전지 등 다른 타입의 이차 전지 셀에 대해서도 적용이 가능하다. 또한, 본 발명은 원통형 셀, 각형 셀 등의 구조를 가진 셀에도 적용이 가능하다.
충전장치(30)는 복수의 충전구간을 가진 충전 프로파일에 따라 배터리 팩(20)에 충전전류를 인가하는 장치이다. 배터리 팩(20)이 전기자동차에 탑재된 경우, 충전장치(30)는 충전스테이션일 수 있다. 다른 예에서, 배터리 팩(20)이 전력저장장치에 탑재된 경우, 충전장치(30)는 전력저장장치와 전력 그리드 사이에 설치된 PCS(Power Converting System)일 수 있다. PCS는 전력저장장치의 충방전을 제어하는 시스템이다.
본 발명에 있어서, 충전 프로파일은 배터리 팩(20)에 공급되는 충전전류의 크기를 어떻게 변화시킬 것인가를 시간에 따라 정의한 프로토콜이다.
도 2는 본 발명의 실시예에 따른 충전 프로파일(40)의 일 예를 도시한 그래프이다.
도 2를 참조하면, 충전 프로파일(40)은 복수의 충전구간(① 내지 ⑦)을 가진다. 각 충전구간은 충전전류의 크기(magnitude)와 듀레이션(duration)이 다르다. 듀레이션은 각 충전구간이 유지되는 시간 구간이다.
일 실시예에서, 충전 프로파일(40)은 스텝 충전 프로파일이다. 스텝 충전 프로파일에 있어서, 충전전류의 크기는 배터리 팩(20)에 포함된 셀들의 전압이 컷-오프 전압에 도달될 때까지 단계적으로 감소하고, 그 이후에는 정-전압 충전 모드에 따라 충전전류 크기가 조절된다.
도 2에서, 충전구간 ① 내지 ⑤는 충전전류의 크기가 컷-오프 전압까지 단계적으로 감소하는 구간이고 충전구간 ⑥은 정-전압 충전모드가 적용되는 구간이고, 충전구간 ⑦은 배터리 셀이 만 충전될 때까지 실질적으로 0에 가까운 작은 크기의 충전전류를 인가하는 구간이다. 충전 프로파일(40)에 있어서, 실질적인 충전구간은 충전구간 ① 내지 ⑥이다.
도 3은 도 2에 예시된 충전 프로파일(40)에 따라 배터리 팩(20)이 충전되는 동안 셀들의 전압 변화 거동을 나타낸 그래프이다.
셀들은 3.2V 내지 4.2V에서 동작하는 리튬 폴리머 셀이다. 셀들의 총 수는 100개이며, 셀들은 퇴화 정도가 동일하지 않으므로 셀들의 전압 변화 거동도 차이를 보인다.
한편, 본 발명은 충전 프로파일(40)의 구체적인 변화 패턴에 의해 한정되지 않는다. 따라서, 도 2의 충전 프로파일(40)은 일 예시에 불과하다. 만약, 어떠한 충전 프로파일이 복수의 충전구간을 가지고 있다면, 해당 프로파일은 본 발명에 따른 충전 프로파일에 해당한다는 것을 이해하여야 한다.
다시 도 1을 참조하면, 본 발명에 따른 장치(10)는 전압 측정부(11), 전류 측정부(12), 온도 측정부(13) 및 제어부(14)를 포함한다.
전압 측정부(11)는 배터리 팩(20)이 복수의 충전구간을 가진 충전 프로파일(40)에 따라 충전되는 동안 일정한 시간 간격을 두고 배터리 팩(20)에 포함된 제1 내지 제N셀의 전압을 측정하고, 셀전압 측정값을 제어부(14)로 출력한다.
전압 측정부(11)는 당업계에 알려진 전압측정회로를 포함할 수 있으며, 전압측정회로는 널리 알려져 있으므로 자세한 설명은 생략한다.
전류 측정부(12)는 배터리 팩(20)이 복수의 충전구간을 가진 충전 프로파일(40)에 따라 충전되는 동안 일정한 시간 간격을 두고 충전전류의 크기를 측정하고, 전류 측정값을 제어부(14)로 출력한다.
전류 측정부(12)는 전류의 크기에 대응되는 전압값을 출력하는 홀센서나 센스 저항일 수 있다. 전압값은 오옴의 법칙에 의해 전류값으로 변환이 가능하다. 제1 내지 제p모듈(21)의 셀들이 직렬 연결되고, 제1 내지 제p모듈(21) 또한 직렬 연결된 경우 전류 측정부(12)는 충전전류가 흐르는 선로에 설치될 수 있다. 이러한 예에서, 전류 측정부(12)에서 측정된 전류 측정값은 배터리 팩(20) 내에 포함된 모든 셀들의 셀 전류값에 대응한다. 물론, 병렬 연결될 셀들 또는 병렬 연결된 모듈이 있을 때, 셀 전류값을 측정하기 위해 충전전류가 흐르는 선로의 적절한 지점에 전류 측정부(12)가 추가적으로 더 설치될 수 있음은 당업자에게 자명하다.
온도 측정부(13)는 배터리 팩(20)이 복수의 충전구간을 가진 충전 프로파일(40)에 따라 충전되는 동안 일정한 시간 간격을 두고 제1 내지 제N셀의 온도를 측정하고 셀온도 측정값을 제어부(14)로 출력한다.
온도 측정부(13)는 온도에 대응되는 전압값을 출력하는 열전대 또는 온도측정소자일 수 있다. 전압값은 전압-온도 변환 룩업 테이블(함수)을 이용하여 온도값으로 변환이 가능하다.
온도 측정부(13)는 제1 내지 제p모듈(21)의 각각에 부착될 수 있다. 이 경우, 각 모듈의 온도를 모듈 내에 포함된 셀들의 온도로 간주할 수 있다. 물론, 셀 단위로 온도 측정부(13)가 설치되는 것을 제한하지 않는다.
제어부(14)는 충전 프로파일(40)에 따라 배터리 팩(20)이 충전되는 동안 각 충전구간에서 전압 측정부(11)로부터 주기적으로 제1 내지 제N셀의 셀 전압값을 입력 받아 각 셀마다 제1 및 제2셀전압 시계열 데이터를 취득한다. 여기서, 셀전압 시계열 데이터는 복수의 시점에서 연속적으로 측정된 셀전압 데이터들의 세트이다.
일 실시예에서, 제1셀전압 시계열 데이터는 각 충전구간의 전반부에서 측정된 셀전압 데이터들의 세트이다. 그리고, 제2셀전압 시계열 데이터는 각 충전구간의 후반부에서 측정된 셀전압 데이터들의 세트이다.
충전구간의 전반부와 후반부의 경계는 임의로 설정될 수 있다. 일 예에서, i번째 충전구간의 듀레이션을 Ti라 할 때, 충전구간의 전반부는 충전구간의 시작시점부터 0.3Ti 시점까지이고, 충전구간의 후반부는 0.3Ti 시점부터 Ti 시점까지일 수 있다. 이러한 예에서, 전반부의 듀레이션은 0.3Ti이고, 후반부의 듀레이션은 0.7Ti이다.
도 4는 본 발명의 실시예에 따른 충전 프로파일(40)에 충전구간의 전반부와 후반부가 구체적으로 설정된 예를 나타낸 그래프이다.
도면에서, 세로 실선은 충전구간 사이의 경계이고, 점선은 충전구간의 전반부와 후반부의 경계이다. 충전구간 ①의 전반부 및 후반부의 듀레이션은 각각 0.3T① 및 0.7T①이다. 또한, 충전구간 ②의 전반부 및 후반부의 듀레이션은 각각 0.3T② 및 0.7T②이다. 또한, 충전구간 ③의 전반부 및 후반부의 듀레이션은 각각 0.3T③ 및 0.7T③이다. 또한, 충전구간 ④의 전반부 및 후반부의 듀레이션은 각각 0.3T④ 및 0.7T④이다. 또한, 충전구간 ⑤의 전반부 및 후반부의 듀레이션은 각각 0.3T⑤ 및 0.7T⑤이다. 또한, 충전구간 ⑥의 전반부 및 후반부의 듀레이션은 각각 0.3T⑥ 및 0.7T⑥이다. 또한, 충전구간 ⑦의 전반부와 후반부의 듀레이션은 각각 0.3T⑦ 및 0.7T⑦이다.
충전구간의 듀레이션은 충전구간마다 다를 수 있다. 또한, 충전구간의 전반부와 후반부의 듀레이션은 충전구간 전체가 동일하거나 충전구간마다 다를 수 있다. 즉, 충전구간의 전반부와 후반부의 경계는 충전구간의 듀레이션 내에서 임의의 시점에 설정될 수 있다.
제어부(14)는 각 충전구간에서 전압 측정부(11)를 통해 제1 내지 제N셀에 대한 제1 및 제2셀전압 시계열 데이터를 취득하는 것과는 별개로, 각 충전구간에서 제1셀전압 시계열 데이터에 딥러닝 모델을 적용하여 충전구간의 후반부에서 예측 셀전압 시계열 데이터를 결정할 수 있다.
딥러닝 모델은, 배터리 팩(20) 내의 셀과 사양이 동일한 제1 내지 제m학습셀이 앞서 설명된 충전 프로파일(40)에 따라 충전되는 동안 각 학습 셀에 대해 각 충전구간의 전반부에서 측정된 제1셀전압 시계열 데이터를 입력 받아 해당 충전구간의 후반부에서 측정된 제2셀전압 시계열 데이터와 최소한의 오차를 가진 예측 셀전압 시계열 데이터를 출력할 수 있도록 미리 학습된 모델이다.
도 5는 본 발명의 실시예에 따라 제1 내지 제m학습셀이 충전 프로파일(40)에 따라 충전되는 동안 각 충전구간에서 측정된 제1 및 제2셀전압 시계열 데이터의 일 예를 나타낸 그래프이다.
도 5의 상부에 있는 그래프는 m개의 학습셀 중에서 100개에 대한 전압 곡선들을 중첩해서 예시적으로 도시한 것이고, 도 5의 아래에 있는 그래프는 충전구간 ① 내지 ⑦에서 측정된 제1셀전압 시계열 데이터와 제2셀전압 시계열 데이터를 예시적으로 도시한 것이다.
바람직하게, 딥러닝 모델의 학습 시에는 모델의 정확도와 신뢰도를 향상시키기 위해 퇴화도가 다른 수천 ~ 수만개의 학습셀이 이용될 수 있다.
도 5를 참조하면, 딥러닝 모델은, 충전구간 ①의 전반부에서 학습셀에 대해 측정한 제1셀전압 시계열 데이터(X)를 입력 받아 충전구간 ①의 후반부에서 학습셀에 대해 측정한 제2셀전압 시계열 데이터(Y)와의 오차가 최소화된 예측 셀전압 시계열 데이터를 출력할 수 있도록 미리 학습될 수 있다. 또한, 충전구간 ②의 전반부에서 학습셀에 대해 측정한 제1셀전압 시계열 데이터(X)를 입력 받아 충전구간 ②의 후반부에서 학습셀에 대해 측정한 제2셀전압 시계열 데이터(Y)와의 오차가 최소화된 예측 셀전압 시계열 데이터를 출력할 수 있도록 미리 학습될 수 있다. 또한, 충전구간 ③의 전반부에서 학습셀에 대해 측정한 제1셀전압 시계열 데이터(X)를 입력 받아 충전구간 ③의 후반부에서 학습셀에 대해 측정한 제2셀전압 시계열 데이터(Y)와의 오차가 최소화된 예측 셀전압 시계열 데이터를 출력할 수 있도록 미리 학습될 수 있다. 또한, 충전구간 ④의 전반부에서 학습셀에 대해 측정한 제1셀전압 시계열 데이터(X)를 입력 받아 충전구간 ④의 후반부에서 학습셀에 대해 측정한 제2셀전압 시계열 데이터(Y)와의 오차가 최소화된 예측 셀전압 시계열 데이터를 출력할 수 있도록 미리 학습될 수 있다. 또한, 충전구간 ⑤의 전반부에서 학습셀에 대해 측정한 제1셀전압 시계열 데이터(X)를 입력 받아 충전구간 ⑤의 후반부에서 학습셀에 대해 측정한 제2셀전압 시계열 데이터(Y)와의 오차가 최소화된 예측 셀전압 시계열 데이터를 출력할 수 있도록 미리 학습될 수 있다. 또한, 충전구간 ⑥의 전반부에서 학습셀에 대해 측정한 제1셀전압 시계열 데이터(X)를 입력 받아 충전구간 ⑥의 후반부에서 학습셀에 대해 측정한 제2셀전압 시계열 데이터(Y)와의 오차가 최소화된 예측 셀전압 시계열 데이터를 출력할 수 있도록 미리 학습될 수 있다. 또한, 충전구간 ⑦의 전반부에서 학습셀에 대해 측정한 제1셀전압 시계열 데이터(X)를 입력 받아 충전구간 ⑦의 후반부에서 학습셀에 대해 측정한 제2셀전압 시계열 데이터(Y)와의 오차가 최소화된 예측 셀전압 시계열 데이터를 출력할 수 있도록 미리 학습될 수 있다.
더욱 바람직하게, 딥러닝 모델의 학습에 사용되는 데이터는 충전구간의 전반부에서 측정된 제1셀전압 시계열 데이터뿐만 아니라 충전구간의 전반부에서 측정된 셀전류 및 셀온도에 관한 시계열 데이터를 더 포함할 수 있다. 이 경우, 딥러닝 모델은 충전구간의 전반부에서 측정된 제1셀전압 시계열 데이터, 셀전류 시계열 데이터 및 셀온도 시계열 데이터를 입력 받아서 충전구간의 후반부에서 측정된 제2셀전압 시계열 데이터와의 오차가 최소화된 예측 셀전압 시계열 데이터를 출력할 수 있도록 학습될 수 있다.
바람직하게, 딥러닝 모델은, 셀전압의 시계열 거동을 예측하는데 적합한 인공 신경망에 기초한 모델이라면 제한 없이 사용될 수 있다. 일 예로, 인공 신경망은 RNN(Recurrent Neural Network), CNN(Convolution Neural Network) 등일 수 있다. 하지만, 인공 신경망의 종류에 의해 본 발명이 한정되는 것은 아니다.
제어부(14)는 배터리 팩(20) 내의 제1 내지 제N셀의 각각에 대해 각 충전구간의 후반부에서 제2셀전압 시계열 데이터와 예측 셀전압 시계열 데이터를 얻은 후, 제2셀전압 시계열 데이터(측정치)와 예측 셀전압 시계열 데이터(예측치)의 오차를 결정할 수 있다.
제어부(14)는 또한 제1 내지 제N셀의 각각에 대해서 각 충전구간에서 결정한 제2셀전압 시계열 데이터와 예측 셀전압 시계열 데이터의 오차를 모니터하고, 적어도 하나 이상의 충전구간에서 오차가 상대적으로 큰 셀을 이상 징후 셀로 검출할 수 있다.
구체적으로, 제어부(14)는, 제1셀에 대해서, 하기 수식1을 이용하여 각 충전구간에 대해 제2셀전압 시계열 데이터 Vk,1(j)와 예측 셀전압 시계열 데이터 Vk,1 *(j)간의 오차 Ek,1을 산출할 수 있다.
<수식 1>
Ek,i = max(|Vk,i(j) - V* k,i(j)|), 1≤j≤Nummeasure
k: 충전구간의 인덱스
Ek,i: i번째 배터리 셀에 대한 k번째 충전구간의 오차
Vk,i(j): i번째 배터리 셀에 대한 k번째 충전구간의 후반부에서 j번째 측정된 제2셀전압
V* k,i(j): i번째 배터리 셀에 대한 k번째 충전구간의 후반부에서 딥러닝 모델에 의해 j번째 예측된 예측 셀전압
Nummeasure: k번째 충전구간의 후반부에서 셀전압을 측정한 총 횟수 또는 k번째 충전구간의 후반부에서 딥러닝 모델을 이용하여 셀 전압을 예측한 총 횟수
max(): 복수의 입력 값들 중에서 최대값을 반환하는 함수
제어부(14)는 또한 제2 내지 제N셀에 대해서도 각 충전구간에 대해 제2셀전압 시계열 데이터와 예측 셀전압 시계열 데이터 간의 오차 Ek,2, Ek,3,쪋, Ek,n를 산출할 수 있다.
도 6은 이상 징후가 검출된 특정 셀에 대해서 충전 프로파일(40)의 충전구간 ②의 후반부에서 측정된 제2셀전압 시계열 데이터 Vk,i(j), 딥러닝 모델에 의해 예측된 예측 셀전압 시계열 데이터 V* k,i(j) 및 이들의 차이에 해당하는 "Vk,i(j)-V* k,i(j)"의 변화 양상을 예시한 그래프이다.
검은색 실선은 Vk,i(j)이고, 검은색 점선은 V* k,i(j)이다. 도 6에서 볼 수 있듯이, 이상 징후가 있는 셀은 특정 충전구간에서 "Vk,i(j)-V* k,i(j)"이 의미 있는 수준으로 증가하는 것을 알 수 있다. 따라서, 오차 Ek,i은 이상 징후 셀의 검출을 위한 파라미터로 사용이 가능하다. 참고로, 이상 징후가 없는 셀들의 제2셀전압 시계열 데이터와 예측 셀전압 시계열 데이터는 회색 선으로 나타냈고 서로 일치하여 잘 구분되지 않는다.
제어부(14)는 또한 하기 수식 2를 이용하여 각 충전구간에 대해 제1 내지 제N셀의 오차 Ek,i에 대한 제1평균 Avrk와 제1표준편차 σk를 결정할 수 있다.
<수식 2>
Avrk = mean(Ek,i), 1≤i≤N
σk = std(Ek,i), 1≤i≤N
i: 셀의 인덱스
N: 배터리 팩 내의 셀 수
k: 충전구간의 인덱스
Ek,i: i번째 배터리 셀에 대한 k번째 충전구간의 오차
mean( ): 복수의 입력값에 대한 평균값을 반환하는 함수
std( ): 복수의 입력값에 대한 표준편차를 반환하는 함수
제어부(14)는 또한 각 충전구간에 대해 하기 수식 3을 이용하여 제1 내지 제N셀 각각의 오차 Ek,i에 대한 제1표준화 값 Std_Valuek,i을 결정할 수 있다. 충전구간의 수를 Numcharge라고 할 때, 각 셀에 대한 제1표준화 값 Std_Valuek,i의 수는 Numcharge개이다.
<수식 3>
Std_Valuek,i = (Ek,i - Avrk)/σk, 1≤k≤Numcharge
i: 셀의 인덱스
k: 충전구간의 인덱스
Numcharge: 충전구간의 수
Avrk: k번째 충전구간의 제1평균
σk: k번째 충전구간의 제1표준편차
제어부(14)는 또한 배터리 팩(20)의 제1 내지 제N셀 중에서 적어도 하나 이상의 충전구간에서 제1표준화 값 Std_Valuek,i이 미리 설정된 제1임계치보다 큰 셀을 이상 징후 셀로 검출할 수 있다.
제1표준화 값 Std_Valuek,i은, k번째 충전구간에서 결정된 i번째 셀의 오차 Ek,i가 오차의 표준편차(σk)를 기준으로 볼 때 오차의 평균값(Avrk) 대비 어느 정도 떨어져 있는지를 나타내는 팩터이다.
일 예로, Std_Valuek,i가 2이면, Ek,i와 오차 평균 사이의 차이는 오차 표준편차의 2배이다. 따라서, k번째 충전구간에서 제1표준화 값 Std_Valuek,i이 다른 셀들보다 상대적으로 큰 셀은 측정된 셀전압과 예측된 셀전압 사이의 오차가 상대적으로 크므로 이상 징후가 발현될 가능성이 있는 셀로 간주할 수 있다. 이상 징후 셀은 전압 변화 거동(제2셀전압의 변화 거동)이 정상 셀들의 전압 변화 거동(예측 셀전압의 변화 거동)과 편차가 크기 때문이다.
바람직하게, 제1임계치는 3 이상, 더욱 바람직하게는 4 이상, 더욱 바람직하게는 4.5 이상으로 설정할 수 있다.
한편, 수식 3에 있어서, 각 충전구간의 제1평균 Avrk 및 제1표준편차σk는 딥러닝 모델의 학습 과정에서 미리 결정될 수 있다. 즉, 딥러닝 모델의 학습이 완료된 후 제1 내지 제m학습셀을 복수의 충전구간을 가진 충전 프로파일(40)에 따라 충전을 진행하면서 제1셀전압 시계열 데이터, 제2셀전압 시계열 데이터 및 예측 셀전압 시계열 데이터를 취합한 후 각 학습셀에 대해 각 충전구간의 오차 Ek,i를 결정할 수 있다. 또한, 각 충전구간에 대해 수식 2를 이용하여 산출되는 오차 Ek,i의 평균과 표준편차를 각각 제1평균 Avrk 및 제1표준편차σk로 미리 설정할 수 있다.
선택적으로, 제어부(14)는 하기 수식 4를 이용하여 모듈 단위로 오차 Ek,i의 제2평균 Avrk,a과 제2표준편차 σk,a를 결정할 수 있다. 바람직하게, 제2평균 Avrk,a과 제2표준편차 σk,a은 각 충전구간에 대해 결정된다.
<수식 4>
Avrk,a = mean(Ek,i@a), 1≤i≤na, 1≤k≤Numcharge
σk,a = std(Ek,i), 1≤i≤na, 1≤k≤Numcharge
a: 모듈의 인덱스
i: 셀의 인덱스
na: a번째 모듈에 포함되어 있는 셀의 총 수
k: 충전구간의 인덱스
Numcharge: 충전구간의 총 수
Ek,i@a: a번째 모듈 내의 i번째 셀에 대한 k번째 충전구간의 오차
mean( ): 복수의 입력값에 대한 평균값을 반환하는 함수
std( ): 복수의 입력값에 대한 표준편차를 반환하는 함수
제어부(14)는 또한 각 충전구간에 대해서 하기 수식 5를 이용하여 제1 내지 제N셀 각각의 오차 Ek,i에 대한 모듈 내에서의 제2표준화 값 Std_Value* k,i을 결정할 수 있다. 각 셀에 대한 모듈 내의 제2표준화 값 Std_Value* k,i의 수는 Numcharge개이다.
<수식 5>
Std_Value* k,i = (Ek,i - Avrk,a)/σk,a, 1≤i≤N, 1≤a≤p, 1≤k≤Numcharge
i: 배터리 셀의 인덱스, N은 셀의 총 수
a: 모듈의 인덱스, p는 모듈의 총 수
k: 충전구간의 인덱스, Numcharge는 충전구간의 총 수
Avrk,a: 셀이 포함된 모듈에 따라 정의되는 제2평균
σk,a: 셀이 포함된 모듈에 따라 정의되는 제2표준편차
제어부(14)는 또한 적어도 하나 이상의 충전구간에서 제1표준화 값 Std_Valuek,i이 제1임계치보다 크고 모듈 내에서의 제2표준화 값 Std_Value* k,i이 제2임계치보다 큰 셀을 이상 징후 셀로 검출하도록 구성될 수 있다.
제2표준화 값 Std_Value* k,i은, k번째 충전구간에서 결정된 셀의 오차 Ek,i가 오차의 모듈 내 표준편차(σk,a)를 기준으로 볼 때 오차의 모듈 내 평균값(Avrk,a) 대비 어느 정도 떨어져 있는지를 나타내는 팩터이다.
일 예로, Std_Value* k,i가 2이면, Ek,i와 모듈 내 오차 평균 사이의 차이는 모듈 내 오차 표준편차의 2배이다. 따라서, 하나의 모듈 내에서 제2표준화 값 Std_Value* k,i이 다른 셀들보다 큰 셀은 측정된 셀전압과 예측된 셀전압 사이의 오차가 모듈 내의 다른 셀보다 상대적으로 크므로 이상 징후가 발현될 가능성이 있는 셀로 간주할 수 있다.
바람직하게, 제2임계치는 제1임계치보다 작을 수 있다. 일 예에서, 제2임계치는 바람직하게 3.0 이하, 더욱 바람직하게는 2.5 이하로 설정될 수 있다.
선택적으로, 제어부(14)는 배터리 셀의 이상 징후 유형을 검출하는 로직을 추가로 수행할 수 있다.
구체적으로, 제어부(14)는 각 충전구간의 후반부에서 측정한 제1 내지 제N셀의 제2셀전압 시계열 데이터와 각 충전구간의 후반부에서 예측한 예측 셀전압 시계열 데이터의 상대적 변화 거동이 충전구간이 쉬프트 됨에 따라 이상 징후 유형 별로 미리 정의된 변화 거동 패턴을 보이는지 모니터할 수 있다. 또한, 제어부(14)는 복수의 충전 사이클이 진행되는 동안 동일한 셀에서 미리 정의된 변화 거동이 기준 횟수 이상 감지되면 해당 셀을 이상 징후 셀로 식별하고 이상 징후 유형을 결정할 수 있다.
일 예에서, 리튬 폴리머 셀은 음극에서 리튬 석출이 일어나면 충전 초반의 충전구간에서 제2셀전압 시계열 데이터가 예측 셀전압 시계열 데이터보다 빠르게 증가한다. 음극에서 리튬 석출이 생기면 충전 초반부에 음극의 전위가 증가하기 때문이다. 셀 전압은 양극 전위와 음극 전위의 차에 해당하므로 음극 전위가 증가하면 셀 전압의 변화 기울기가 증가한다. 그 결과, 초반의 충전구간에서 제2셀전압이 예측 셀전압보다 빠르게 증가한다. 예측 셀전압은 딥러닝 모델에 의해 예측된 전압이므로 충전 초반부에서 정상 셀과 가까운 전압 변화 거동을 나타내므로 셀전압의 증가가 가파르지 않기 때문이다.
또한, 충전 후반부의 충전구간에서는 상기와는 반대로 예측 셀전압 시계열 데이터가 제2셀전압 시계열 데이터보다 빠르게 증가한다. 음극의 전위는 충전이 진행되면서 서서히 낮아지는데, 음극에서 리튬이 석출되면 전기화학적 반응에 참여하는 리튬의 량이 줄어들어 음극의 전위 감소가 감쇄되기 때문이다. 음극의 전위 감소가 감쇄되면 그 만큼 셀 전압의 증가도 감쇄된다. 그 결과, 후반의 충전구간에서 예측 셀전압이 오히려 제2셀전압보다 빠르게 증가한다. 예측 셀전압은 딥러닝 모델에 의해 예측된 전압이므로 충전 후반부에서도 정상 셀과 가까운 전압 변화 거동을 나타내므로 음극의 전위 감소가 감쇄되지 않기 때문이다.
도 7은 음극에 리튬이 실제 석출된 특정 셀에 대해서 충전 프로파일(40)의 충전구간 ① 내지 ⑤의 후반부에서 측정된 제2셀전압 시계열 데이터 Vk,i(j), 딥러닝 모델에 의해 예측된 예측 셀전압 시계열 데이터 V* k,i(j) 및 이들의 차이에 해당하는 "Vk,i(j)-V* k,i(j)"의 변화 양상을 예시한 그래프이다. 각 그래프에서 가로축은 시간(초)이고, 세로축은 전압(milli-volt)이다.
검은색 실선은 Vk,i(j)이고, 검은색 점선은 V* k,i(j)이다. 도 7에서 볼 수 있듯이, 리튬 석출이 생긴 셀은 충전 초반구간 ①에서 제2셀전압 시계열 데이터가 예측 셀전압 시계열 데이터보다 빠르게 증가한다. 또한, 충전구간 ③, ④ 및 ⑤에서는 반대로 예측 셀전압 시계열 데이터가 제2셀전압 시계열 데이터보다 빠르게 증가한다. 이상 징후가 없는 셀들의 제2셀전압 시계열 데이터와 예측 셀전압 시계열 데이터는 회색 선으로 나타냈고 서로 일치하여 잘 구분되지 않는다.
일 실시예에서, 제어부(14)는 제1 내지 제N셀 중에서 초반의 충전구간에서 제2셀전압 시계열 데이터가 예측 셀전압 시계열 데이터보다 빠르게 증가하고, 후반의 충전구간에서 예측 셀전압 시계열 데이터가 제2셀전압 시계열 데이터보다 빠르게 증가하는 거동을 보이는 셀이 확인되면, 해당 셀의 음극에 리튬이 석출된 이상 징후가 있는 것으로 식별할 수 있다.
선택적으로, 제어부(14)는 복수의 충전구간을 포함하는 충전 프로파일(40)에 따라 배터리 팩(20)을 충전하는 동안 제1 내지 제N셀 중에서 초반의 충전구간에서 제2셀전압 시계열 데이터가 예측 셀전압 시계열 데이터보다 빠르게 증가하고, 후반의 충전구간에서 예측 셀전압 시계열 데이터가 제2셀전압 시계열 데이터보다 빠르게 증가하는 거동을 보이는 셀이 확인되면, 그 때마다 해당 셀에 대해 이상 징후 카운트를 1씩 증가시킬 수 있다.
제어부(14)는 또한 이상 징후 카운트가 기준 횟수 이상인 경우, 해당 셀의 음극에 리튬이 석출된 이상 징후가 있는 것으로 최종 결정할 수 있다.
다시 도 1을 참조하면, 본 발명에 따른 장치(10)는 데이터, 사전 정의된 파라미터, 프로그램 또는 이들의 조합이 저장되는 기록저장매체(15) 및 디스플레이(16)를 더 포함할 수 있다.
제어부(14)는 전술한 실시예에 따라 이상 징후 셀을 검출하면, 이상 징후 셀의 식별정보 및/또는 이상 징후 유형에 관한 정보를 타임 스탬프와 함께 기록저장매체(15)에 기록할 수 있다.
이상 징후 셀의 식별정보는 배터리 팩(20)의 모델코드, 이상 징후 셀이 포함된 모듈코드, 이상 징후 셀의 생산로트번호 또는 이들의 조합을 포함한다. 이상 징후 유형에 관한 정보는 음극의 리튬 석출을 나타내는 진단 코드를 포함할 수 있다.
제어부(14)는 또한 전술한 실시예에 따라 이상 징후 셀을 검출하면, 배터리 팩(20) 내에 이상 징후 셀이 검출되었음을 나타내는 메시지를 디스플레이(16)를 통해 출력하도록 구성될 수 있다.
디스플레이(16)는 배터리 팩(20)이 전기자동차에 탑재된 경우 전기자동차의 계기판 또는 차량 통합제어디스플레이일 수 있다. 다른 예에서, 배터리 팩(20)이 전력저장장치에 탑재된 경우 디스플레이(16)는 전력저장장치의 통합제어컴퓨터에 포함된 디스플레이일 수 있다. 하지만 디스플레이의 종류에 의해 본 발명이 한정되는 것은 아니다.
한편, 본 발명에 따른 장치(10)는 통신 인터페이스(17)를 더 포함할 수 있다. 이 경우, 제어부(14)는 통신 인터페이스(17)를 통해 이상 징후 셀에 관한 식별정보 및/또는 이상 징후 유형에 관한 정보를 외부 디바이스로 전송할 수 있다.
통신 인터페이스(17)는 유선 또는 무선 통신을 지원한다. 통신 인터페이스(17)는 캔(Controller Area Network), 데이지체인(Daisy Chain), RS-232 등에 의한 데이터 송수신을 지원할 수 있다. 또한, 통신 인터페이스(17)는 와이파이, 블루투스, 지그비 등의 근거리 무선 통신을 통한 데이터 송수신을 지원할 수 있다. 또한, 통신 인터페이스(17)는 유무선 인터넷, 기지국 통신, 위성 통신을 통한 광역 데이터 송수신을 지원할 수 있다.
외부 디바이스는 충전장치(30)일 수 있다. 다른 예에서, 외부 디바이스는 배터리 팩(20)의 상태 정보를 수집하는 클라우드 서버일 수 있다. 또 다른 예에서, 외부 디바이스는 배터리 팩(20)의 성능을 점검하는 진단 장치일 수 있다.
본 발명에 있어서, 제어부(14)는 다양한 제어 로직들을 실행하기 위해 당업계에 알려진 프로세서, ASIC(application-specific integrated circuit), 다른 칩셋, 논리 회로, 레지스터, 통신 모뎀, 데이터 처리 장치 등을 선택적으로 포함할 수 있다.
기록매체(15)는 정보를 기록하고 소거할 수 있는 매체라면 그 종류에 특별한 제한이 없다. 일 예시로서, 기록매체(15)는 하드디스크, RAM, ROM, EEPROM, 레지스터 또는 플래쉬 메모리일 수 있다. 기록매체(15)는 제어부(14)가 수행하는 제어 로직을 포함하는 프로그램, 및/또는 제어 로직이 실행될 때 발생되는 데이터와 사전에 정의되는 룩업 테이블들, 함수들, 파라미터들, 화학적/물리적/전기적 상수 등을 저장 및/또는 갱신 및/또는 소거 및/또는 전송할 수 있다.
제어부(14)의 제어 로직들은 적어도 하나 이상이 조합되고, 조합된 제어 로직들은 컴퓨터가 읽을 수 있는 코드 체계로 작성되어 기록매체(15)에 수록될 수 있다. 상기 코드 체계는 네트워크로 연결된 컴퓨터에 분산되어 저장되고 실행될 수 있다. 또한, 상기 조합된 제어 로직들을 구현하기 위한 기능적인 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
본 발명에 따른 장치(10)는 배터리 관리 시스템이나 배터리 진단 시스템에 포함될 수 있다. 배터리 관리 시스템은 배터리 팩(20)의 전반적인 동작을 제어하는 시스템이다. 이러한 배터리 관리 시스템은 배터리 팩(20)이 탑재되는 부하 장치, 예컨대 전기자동차, 전력저장장치 등에 포함된 통합 제어 시스템일 수 있다. 본 발명에 따른 장치(10)는 배터리 관리 시스템이나 배터리 진단 시스템 이외에도 필요에 따라 다른 장치 또는 시스템의 일부로서 포함될 수 있다.
이하에서는 도 8 내지 도 10을 참조하여 본 발명의 실시예에 따른 배터리 팩 내의 이상 징후 셀 검출 방법에 대하여 설명한다.
도 8을 참조하면, 먼저 단계 S10에서, 충전장치(30)는 복수의 충전구간을 포함하는 충전 프로파일(40)에 따라 충전전류를 배터리 팩(20)에 인가한다. 충전장치(30)는 전기자동차의 충전스테이션 또는 전력저장장치의 PCS일 수 있다.
충전전류의 인가는 제어부(14)의 요청에 의해 개시될 수 있다. 즉, 제어부(14)는 충전케이블이 배터리 팩(20)의 고전위 라인과 저전위 라인에 접속된 것을 인식하고, 충전시작을 충전장치(30) 측으로 요청할 수 있다. 대안적으로, 충전전류의 인가는 충전장치(30)가 배터리 팩(20)에 연결되면 자동으로 개시될 수 있다.
이어서, 단계 S20에서, 제어부(14)는 충전 프로파일(40)에 따라 배터리 팩(20)이 충전되는 동안 각 충전구간에서 배터리 팩(20) 내의 제1 내지 제N셀에 대해 전압 측정부(11)로부터 주기적으로 셀 전압값을 입력 받아 제1 및 제2셀전압 시계열 데이터를 취득한다.
이어서, 단계 S30에서, 제어부(140)는 각 충전구간에서 전압 측정부(11)를 통해 제1 및 제2셀전압 시계열 데이터를 취득하는 것과는 별개로, 제1 내지 제N셀에 대해 각 충전구간에서 제1셀전압 시계열 데이터에 미리 학습된 딥러닝 모델을 적용하여 해당 충전구간의 후반부에서 예측 셀전압 시계열 데이터를 결정한다.
이어서, 단계 S40에서, 제어부(14)는, 제1 내지 제N셀에 대해서 수식1을 이용하여 각 충전구간에서의 제2셀전압 시계열 데이터와 예측 셀전압 시계열 데이터 간의 오차 Ek,i를 산출한다. 단계 S40에서, 충전구간의 수가 Numcharge일 때 오차 Ek,i의 총 개수는 Numcharge*N이다.
이어서, 단계 S50에서, 제어부(14)는 수식 2를 이용하여 각 충전구간 별로 제1 내지 제N셀의 오차 Ek,i에 대한 제1평균 Avrk와 제1표준편차 σk를 결정한다.
이어서, 단계 S60에서, 제어부(14)는 각 충전구간 별로 수식 3을 이용하여 제1 내지 제N셀 각각의 오차 Ek,i에 대한 제1표준화 값 Std_Valuek,i을 결정한다. 충전구간의 수가 Numcharge일 때, 제1표준화 값 Std_Valuek,i의 총 개수는 Numcharge*N이다.
이어서, 단계 S70에서, 제어부(14)는 적어도 하나 이상의 충전구간에서 제1표준화 값 Std_Valuek,i이 미리 설정된 제1임계치보다 큰 셀을 이상 징후 셀로 검출할 수 있다.
단계 S70 이후에서 단계 S80 또는 단계 S90이 선택적으로 진행될 수 있다.
단계 S80에서, 제어부(14)는 이상 징후 셀을 검출하면, 이상 징후 셀의 식별정보 및/또는 이상 징후 유형에 관한 정보를 타임 스탬프와 함께 기록저장매체(15)에 기록할 수 있다. 이상 징후 셀의 식별정보는 배터리 팩(20)의 모델코드, 이상 징후 셀이 속한 모듈코드, 이상 징후 셀의 생산로트번호 또는 이들의 조합을 포함한다. 이상 징후 유형에 관한 정보는 음극의 리튬 석출을 나타내는 진단 코드를 포함할 수 있다.
또한, 단계 S90에서, 제어부(14)는 이상 징후 셀을 검출하면, 배터리 팩(20) 내에 이상 징후 셀이 검출되었음을 나타내는 메시지를 디스플레이(16)를 통해 출력할 수 있다. 메시지가 출력되면, 사용자는 배터리 팩(20)의 사용을 중단하고 배터리 팩(20)을 교체하거나, 정비소나 AS 센터 등에서 배터리 팩(20)의 정밀 점검을 요청할 수 있다.
한편, 단계 S50은 생략이 가능하다. 이 경우, 제1평균 Avrk 및 제1표준편차 σk는 딥러닝 모델의 학습 과정에서 미리 결정될 수 있다. 즉, 딥러닝 모델의 학습이 완료된 후 제1 내지 제m학습셀을 충전 프로파일(40)에 따라 충전을 진행하면서 각 학습셀에 대해 각 충전구간의 오차 Ek,i를 결정할 수 있다. 또한, 각 충전구간 별로 수식 2를 이용하여 오차 Ek,i의 평균과 표준편차를 산출하고 산출된 값을 각각 제1평균 Avrk 및 제1표준편차σk로 미리 설정할 수 있다. 딥러닝 모델의 학습 과정에서 설정된 제1평균 Avrk 및 제2표준편차 σk는 기록매체(15)에 미리 저장정될 수 있고, 단계 S60이 진행될 때 제어부(14)에 의해 참조될 수 있다.
바람직한 실시 예에서, 단계 S60 이후의 단계들은 도 9에 도시된 바와 같이 변형이 가능하다.
즉, 단계 S100에서, 제어부(14)는 수식 4를 이용하여 모듈 단위로 각 충전구간에 있어서의 오차 Ek,i의 제2평균 Avrk,a과 제2표준편차 σk,a를 결정할 수 있다.
이어서, 단계 S110에서, 제어부(14)는 수식 5를 이용하여 각 충전구간별로 제1 내지 제N셀 각각의 오차 Ek,i에 대한 모듈 내에서의 제2표준화 값 Std_Value* k,i을 결정한다. 충전구간의 수를 Numcharge라고 할 때, 각 셀에 대한 모듈 내의 제2표준화 값 Std_Value* k,i의 수는 Numcharge개이다.
이어서, 단계 S120에서, 제어부(14)는 적어도 하나의 충전구간에서 제1표준화 값 Std_Valuek,i이 제1임계치보다 크고 동시에 모듈 내에서의 제2표준화 값 Std_Value* k,i이 제2임계치보다 큰 셀을 이상 징후 셀로 검출할 수 있다.
바람직하게, 제2임계치는 제1임계치보다 작을 수 있다. 일 예에서, 제1임계치는 3.0 이상, 바람직하게는 4.0 이상, 더욱 바람직하게는 4.5 이상일 수 있다. 그리고, 제2임계치는 바람직하게는 3.0 이하, 더욱 바람직하게는 2.5 이하로 설정될 수 있다.
단계 S120 이후에는 전술한 실시예와 마찬가지로 단계 S80 또는 단계 S90이 실질적으로 동일하게 진행될 수 있다.
즉, 제어부(14)는 배터리 팩(20) 내의 이상 징후 셀을 검출하면, 이상 징후 셀의 식별정보 및/또는 이상 징후 유형에 관한 정보를 타임 스탬프와 함께 기록저장매체(15)에 기록할 수 있다. 이상 징후 셀의 식별정보는 배터리 팩(20)의 모델코드, 이상 징후 셀이 속한 모듈코드, 이상 징후 셀의 생산로트번호 또는 이들의 조합을 포함한다. 이상 징후 유형에 관한 정보는 음극의 리튬 석출을 나타내는 진단 코드를 포함할 수 있다.
제어부(14)는 또한 배터리 팩(20) 내의 이상 징후 셀을 검출하면, 배터리 팩(20) 내에 이상 징후 셀이 검출되었음을 나타내는 메시지를 디스플레이(16)를 통해 출력할 수 있다.
본 발명에 따른 배터리 팩 내의 이상 징후 셀 검출 방법은 배터리 셀의 이상 징후 유형을 식별하는 단계들을 더 포함할 수 있다.
도 10에 도시된 바와 같이, 단계 S130에서, 제어부(14)는 각 충전구간의 후반부에서 측정한 제1 내지 제N셀의 제2셀전압 시계열 데이터와 각 충전구간의 후반부에서 예측한 예측 셀전압 시계열 데이터의 상대적 변화 거동이 충전구간이 쉬프트됨에 따라 이상 징후 유형 별로 미리 정의된 변화 거동 패턴을 나타내는지 모니터할 수 있다.
일 실시예에서, 제어부(14)는 제1 내지 제N셀 중에서 초반의 충전구간에서 제2셀전압 시계열 데이터가 예측 셀전압 시계열 데이터보다 빠르게 증가하고, 후반의 충전구간에서 예측 셀전압 시계열 데이터가 제2셀전압 시계열 데이터보다 빠르게 증가하는 거동 패턴을 보이는 배터리 셀이 존재하는지 모니터할 수 있다.
이어서, 단계 S140에서, 제어부(14)는 제2셀전압 시계열 데이터와 예측 셀전압 시계열 데이터의 상대적 변화 거동이 이상 징후 유형에 따라 미리 정의된 변화 거동 패턴에 대응하는지 판단한다.
단계 S140의 결과가 YES이면 단계 S150이 진행된다. 반대로, 단계 S140의 결과가 NO이면 단계 S130으로 프로세스가 복귀된다.
단계 S140의 결과가 YES이면, 제어부(140)는 단계 S150에서 미리 정의된 변화 거동 패턴에 대응하는 이상 징후 유형을 식별한다. 일 실시예에서, 제어부(14)는 제1 내지 제N셀 중에서 초반의 충전구간에서 제2셀전압 시계열 데이터가 예측 셀전압 시계열 데이터보다 빠르게 증가하고, 후반의 충전구간에서 예측 셀전압 시계열 데이터가 제2셀전압 시계열 데이터보다 빠르게 증가하는 거동 패턴을 보이는 배터리 셀이 확인되면, 해당 셀의 음극에 리튬이 석출된 이상 징후가 있는 것으로 식별할 수 있다.
이어서, 단계 S160에서, 제어부(14)는 이상 징후 유형(예컨대, 음극 리튬 석출)이 식별된 해당 셀에 대해 이상 징후 카운트를 1 증가시킨다.
이어서, 단계 S170에서, 제어부(14)는 이상 징후 카운트가 기준 횟수를 초과하는지 판단한다.
단계 S170의 판단이 YES이면 단계 S180이 진행된다. 반대로 S170의 판단이 NO이면 단계 S130으로 프로세스가 복귀된다.
단계 S170의 판단이 YES이면, 제어부(14)는 단계 S180에서 이상 징후 카운트가 기준 횟수를 초과하는 셀에 대해 이상 징후 유형(예컨대, 음극 리튬 석출)을 최종 결정한다.
단계 S180이 진행된 이후에는 앞서 설명한 실시예와 마찬가지로 단계 S80 또는 단계 S90이 진행될 수 있다.
즉, 제어부(14)는 배터리 팩(20) 내에서 특정 셀에 대한 이상 징후를 식별하고 이상 징후 유형을 최종 결정하면, 이상 징후 셀의 식별정보 및 이상 징후 유형에 관한 정보를 타임 스탬프와 함께 기록저장매체(15)에 기록할 수 있다. 이상 징후 셀의 식별정보는 배터리 팩(20)의 모델코드, 이상 징후 셀이 속한 모듈코드, 이상 징후 셀의 생산로트번호 또는 이들의 조합을 포함한다. 이상 징후 유형에 관한 정보는 음극의 리튬 석출을 나타내는 진단 코드를 포함할 수 있다.
제어부(14)는 또한 배터리 팩(20) 내에서 이상 징후 셀이 식별되고 이상 징후 유형이 최종 결정되면, 배터리 팩(20) 내에 이상 징후 셀이 검출되었음을 나타내는 메시지를 이상 징후 유형에 관한 정보와 함께 디스플레이(16)를 통해 출력할 수 있다.
한편, 제어부(14)는 통신 인터페이스(17)를 통해 이상 징후 셀에 관한 식별정보 및/또는 이상 징후 유형에 관한 정보를 외부 디바이스로 전송할 수 있다. 통신 인터페이스(17)는 유선 통신 또는 무선 통신을 지원할 수 있다.
외부 디바이스는 충전장치(30)일 수 있다. 다른 예에서, 외부 디바이스는 배터리 팩(20)의 상태 정보를 수집하는 클라우드 서버일 수 있다. 또 다른 예에서, 외부 디바이스는 배터리 팩(20)의 성능을 점검하는 진단 장치일 수 있다.
본 발명에 있어서, 이상 징후 유형은 음극의 리튬 석출 이외에도 셀 스웰링, 내부 미소 단락 등의 다른 이상 징후 유형을 포함할 수 있다. 각 이상 징후 유형에 있어서, 충전구간의 쉬프트에 따라 제2셀전압 시계열 데이터와 예측 셀전압 시계열 데이터가 어떠한 상대적 변화 거동 패턴을 보이는지에 대해서는 실험을 통하여 용이하게 확인할 수 있음은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에게 자명하다.
본 발명에 의하면, 배터리 팩(20)의 충전 프로파일을 복수의 충전구간으로 분할하고, 충전구간 별로 실측 전압과 예측 전압의 거동을 통계적으로 비교 분석함으로써 이상 징후가 있는 셀을 용이하게 검출할 수 있다. 따라서, 화재나 폭발사고와 직결되는 이상 징후, 특히 음극의 리튬 석출 등의 심각한 징후를 초기에 포착하여 사용자에게 경고함으로써 인명 사고를 미연에 방지할 수 있다. 본 발명은 또한 음극의 리튬 석출뿐만 아니라 스웰링이나 미소 단락 현상 등에 의해 생기는 전압 변화 거동도 포착함으로써 다른 이상 징후에 대해서도 효과적인 대처가 가능하다.
이상에서 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.

Claims (17)

  1. 배터리 팩이 충전되는 동안 배터리 팩에 포함된 제1 내지 제N셀에 대한 전압, 전류 및 온도를 측정하는 전압 측정부, 전류 측정부 및 온도 측정부 및
    상기 전압 측정부, 전류 측정부 및 온도 측정부와 동작 가능하게 결합된 제어부를 포함하고,
    상기 제어부는, 배터리 팩이 복수의 충전 구간을 가진 충전 프로파일에 따라 충전되는 동안, 각 충전구간에서 제1 내지 제N셀의 각각에 대해, 충전 구간의 전반부에서 상기 전압 측정부를 통해 제1셀전압 시계열 데이터를 취득하고; 상기 제1셀전압 시계열 데이터에 딥러닝 모델을 적용하여, 충전 구간의 후반부에서 예측 셀전압 시계열 데이터를 결정하고; 상기 후반부에서 상기 전압 측정부를 통해 제2셀전압 시계열 데이터를 취득하고, 상기 제2셀전압 시계열 데이터와 상기 예측 셀전압 시계열 데이터의 오차를 결정하고,
    상기 제어부는, 적어도 하나 이상의 충전구간에서 다른 셀들보다 오차가 상대적으로 큰 셀을 이상 징후 셀로 검출하도록 구성된, 것을 특징으로 하는 배터리 팩 내의 이상 징후 셀 검출 장치.
  2. 제1항에 있어서,
    상기 제어부는, 제1 내지 제N셀 각각에 대해, 충전구간 별로 상기 제2셀전압 시계열 데이터와 상기 예측 셀전압 시계열 데이터 간의 최대 차이를 오차로 결정하고; 충전구간 별로 제1 내지 제N셀의 오차에 대한 제1평균과 제1표준편차를 결정하고; 충전구간별로 제1 내지 제N셀 각각의 오차에 대한 제1표준화 값에 해당하는 "(오차 - 제1평균)/제1표준편차"를 결정하고, 적어도 하나 이상의 충전구간에서 상기 제1표준화 값이 제1임계치보다 큰 셀을 이상 징후 셀로 검출하도록 구성된, 것을 특징으로 하는 배터리 팩 내의 이상 징후 셀 검출 장치.
  3. 제1항에 있어서,
    상기 딥러닝 모델은, 제1 내지 제m학습 셀들에 대해 각 충전구간의 전반부 및 후반부에서 각각 측정된 제1셀전압 시계열 데이터 및 제2셀전압 시계열 데이터를 이용하여 미리 학습된 것으로서, 제1셀전압 시계열 데이터를 입력 받아 제2셀전압 시계열 데이터와의 오차가 최소화된 예측 셀전압 시계열 데이터를 출력하도록 미리 학습된 것인, 임을 특징으로 하는 배터리 팩 내의 이상 징후 셀 검출 장치.
  4. 제3항에 있어서,
    상기 제어부는, 제1 내지 제N셀 각각에 대해, 충전구간 별로 상기 제2셀전압 시계열 데이터와 상기 예측 셀전압 시계열 데이터 간의 최대 차이를 오차로 결정하고; 충전구간별로 제1 내지 제N셀 각각의 오차에 대한 제1표준화 값에 해당하는 "(오차 - 제1평균)/제1표준편차"를 결정하고, 적어도 하나 이상의 충전구간에서 상기 제1표준화 값이 제1임계치보다 큰 셀을 이상 징후 셀로 검출하도록 구성되고,
    상기 제1평균 및 상기 제1표준편차는 상기 딥러닝 모델의 학습 과정에서 미리 결정된 값인, 임을 특징으로 하는 배터리 팩 내의 이상 징후 셀 검출 장치.
  5. 제2항 또는 제4항에 있어서,
    상기 배터리 팩은 직렬 및/또는 병렬로 연결된 제1 내지 제p모듈을 포함하고,
    상기 제어부는, 제1 내지 제p모듈 각각에 대해, 모듈 내에 포함된 복수 셀 각각의 오차에 대한 제2평균과 제2표준편차를 결정하고; 충전구간별로 제1 내지 제N셀 각각의 오차에 대한 제2표준화 값에 해당하는 "(오차 - 제2평균)/제2표준편차"를 결정하고, 적어도 하나 이상의 충전구간에서 상기 제1표준화 값이 제1임계치보다 크고 상기 제2표준화 값이 제2임계치보다 큰 배터리 셀을 이상 징후 셀로 검출하도록 구성된, 것을 특징으로 하는 배터리 팩 내의 이상 징후 셀 검출 장치.
  6. 제1항에 있어서,
    상기 제어부는, 상기 제1 내지 제N셀 각각에 대해,
    충전구간이 쉬프트됨에 따라 상기 제2셀전압 시계열 데이터와 상기 예측 셀전압 시계열 데이터의 상대적 변화 거동이 이상 징후 유형 별로 미리 정의된 변화 거동 패턴에 대응되는지 모니터하고, 미리 정의된 변화 거동 패턴이 기준 횟수 이상 확인된 셀의 이상 징후 유형을 최종 결정하도록 구성된, 것을 특징으로 하는 배터리 팩 내의 이상 징후 셀 검출 장치.
  7. 제6항에 있어서,
    상기 미리 정의된 변화 거동 패턴은, 초반 충전구간에서 상기 제2셀전압 시계열 데이터가 상기 예측 셀전압 시계열 데이터보다 빠르게 증가하고 후반 충전구간에서는 상기 예측 셀전압 시계열 데이터가 상기 제2셀전압 시계열 데이터보다 빠르게 증가하는 것이고,
    상기 이상 징후 유형은 음극에서의 리튬 석출인, 임을 특징으로 하는 배터리 팩 내의 이상 징후 셀 검출 장치.
  8. 제1항에 있어서,
    데이터, 사전 정의된 파라미터, 프로그램 또는 이들의 조합이 저장되는 기록저장매체; 및 디스플레이를 더 포함하고,
    상기 제어부는, 상기 검출된 이상 징후 셀에 관한 식별정보를 상기 기록저장매체에 기록하거나, 또는 배터리 팩 내에 이상 징후 셀이 검출되었음을 나타내는 메시지를 상기 디스플레이를 통해 출력하거나, 또는 통신을 통해 외부 디바이스 측으로 이상 징후 셀의 식별정보를 전송하도록 구성된, 것을 특징으로 하는 배터리 팩 내의 이상 징후 셀 검출 장치.
  9. 제1항에 따른 배터리 팩 내의 이상 징후 셀 검출 장치를 포함하는 배터리 관리 시스템.
  10. 배터리 팩이 복수의 충전구간을 가진 충전 프로파일에 따라 충전되는 동안, 각 충전구간에서 제1 내지 제N셀의 각각에 대해,
    (a) 충전 구간의 전반부에서 제1셀전압 시계열 데이터를 취득하는 단계;
    (b) 상기 제1셀전압 시계열 데이터에 딥러닝 모델을 적용하여, 충전 구간의 후반부에서 예측 셀전압 시계열 데이터를 결정하는 단계;
    (c) 상기 후반부에서 제2셀전압 시계열 데이터를 취득하는 단계; 및
    (d) 상기 제2셀전압 시계열 데이터와 상기 예측 셀전압 시계열 데이터의 오차를 결정하는 단계; 및
    (e) 적어도 하나 이상의 충전구간에서 다른 셀들보다 오차가 상대적으로 큰 셀을 이상 징후 셀로 검출하는 단계;를 포함하는, 것을 특징으로 하는 배터리 팩 내의 이상 징후 셀 검출 방법.
  11. 제10항에 있어서,
    상기 (d) 단계는, 상기 제1 내지 제N셀 각각에 대해, 충전구간별로 상기 제2셀전압 시계열 데이터와 상기 예측 셀전압 시계열 데이터 간의 최대 차이를 오차로 결정하는 단계이고,
    상기 (e) 단계는,
    (e1) 충전구간별로 제1 내지 제N셀의 오차에 대한 제1평균과 제1표준편차를 결정하는 단계;
    (e2) 충전구간별로 제1 내지 제N셀 각각의 오차에 대한 제1표준화 값에 해당하는 "(오차 - 제1평균)/제1표준편차"를 결정하는 단계; 및
    (e3) 적어도 하나 이상의 충전구간에서 상기 제1표준화 값이 제1임계치보다 큰 셀을 이상 징후 셀로 검출하는 단계;를 포함하는, 것을 특징으로 하는 배터리 팩 내의 이상 징후 셀 검출 방법.
  12. 제10항에 있어서,
    상기 딥러닝 모델은, 제1 내지 제m학습 셀들에 대해 각 충전구간의 전반부 및 후반부에서 각각 측정된 제1셀전압 시계열 데이터 및 제2셀전압 시계열 데이터를 이용하여 미리 학습된 것으로서, 제1셀전압 시계열 데이터를 입력 받아 제2셀전압 시계열 데이터와의 오차가 최소화된 예측 셀전압 시계열 데이터를 출력하도록 미리 학습된 것인, 임을 특징으로 하는 배터리 팩 내의 이상 징후 셀 검출 방법.
  13. 제12항에 있어서,
    상기 (d) 단계는, 제1 내지 제N셀 각각에 대해, 충전구간별로 상기 제2셀전압 시계열 데이터와 상기 예측 셀전압 시계열 데이터 간의 최대 차이를 오차로 결정하는 단계이고,
    상기 (e) 단계는,
    (e1) 충전구간별로 제1 내지 제N셀 각각의 오차에 대한 제1표준화 값에 해당하는 "(오차 - 제1평균)/제1표준편차"를 결정하는 단계; 및
    (e2) 적어도 하나의 충전구간에서 상기 제1표준화 값이 제1임계치보다 큰 셀을 이상 징후 셀로 검출하는 단계를 포함하고,
    상기 제1평균 및 상기 제1표준편차는 상기 딥러닝 모델의 학습 과정에서 미리 결정된 값인, 임을 특징으로 하는 배터리 팩 내의 이상 징후 셀 검출 방법.
  14. 제11항 또는 제13항에 있어서,
    상기 배터리 팩은 직렬 및/또는 병렬로 연결된 제1 내지 제p모듈을 포함하고,
    제1 내지 제p모듈 각각에 대해, 모듈 내에 포함된 복수 셀 각각의 오차에 대한 제2평균과 제2표준편차를 결정하는 단계;
    충전구간별로 제1 내지 제N셀 각각의 오차에 대한 제2표준화 값에 해당하는 "(오차 - 제2평균)/제2표준편차"를 결정하는 단계; 및
    상기 제1표준화 값이 제1임계치보다 크고 상기 제2표준화 값이 제2임계치보다 큰 셀을 이상 징후 셀로 검출하는 단계;를 더 포함하는, 것을 특징으로 하는 배터리 팩 내의 이상 징후 셀 검출 방법.
  15. 제10항에 있어서,
    상기 제1 내지 제N셀 각각에 대해, 충전구간이 쉬프트됨에 따라 상기 제2셀전압 시계열 데이터와 상기 예측 셀전압 시계열 데이터의 상대적 변화 거동이 이상 징후 유형 별로 미리 정의된 변화 거동 패턴에 대응되는지 모니터하는 단계; 및
    미리 정의된 변화 거동 패턴이 기준 횟수 이상 확인된 셀의 이상 징후 유형을 최종 결정하는 단계;를 더 포함하는, 것을 특징으로 하는 배터리 팩 내의 이상 징후 셀 검출 방법.
  16. 제15항에 있어서,
    상기 미리 정의된 변화 거동 패턴은 초반 충전구간에서 상기 제2셀전압 시계열 데이터가 상기 예측 셀전압 시계열 데이터보다 빠르게 증가하고 후반 충전구간에서는 상기 예측 셀전압 시계열 데이터가 상기 제2셀전압 시계열 데이터보다 빠르게 증가하는 것이고,
    상기 이상 징후 유형은 음극에서의 리튬 석출인, 임을 특징으로 하는 배터리 팩 내의 이상 징후 셀 검출 방법.
  17. 제10항에 있어서,
    상기 검출된 이상 징후 셀에 관한 식별정보를 기록매체에 기록하는 단계;
    배터리 팩 내에 이상 징후 셀이 검출되었음을 나타내는 메시지를 디스플레이를 통해 출력하는 단계; 또는
    통신을 통해 외부 디바이스 측으로 이상 징후 셀의 식별정보를 전송하는 단계;를 더 포함하는, 것을 특징으로 하는 배터리 팩 내의 이상 징후 셀 검출 방법.
PCT/KR2022/016209 2021-10-22 2022-10-21 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법 WO2023068899A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2023538070A JP2024500893A (ja) 2021-10-22 2022-10-21 バッテリーパック内の異常兆候セルの検出装置及び方法
EP22884120.1A EP4321884A1 (en) 2021-10-22 2022-10-21 Apparatus of detecting abnormal cell in battery pack and method thereof
CN202280013690.7A CN116829966A (zh) 2021-10-22 2022-10-21 检测电池组中的异常电芯的设备及其方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0142202 2021-10-22
KR1020210142202A KR20230057894A (ko) 2021-10-22 2021-10-22 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2023068899A1 true WO2023068899A1 (ko) 2023-04-27

Family

ID=86059437

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/016209 WO2023068899A1 (ko) 2021-10-22 2022-10-21 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법

Country Status (5)

Country Link
EP (1) EP4321884A1 (ko)
JP (1) JP2024500893A (ko)
KR (1) KR20230057894A (ko)
CN (1) CN116829966A (ko)
WO (1) WO2023068899A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116466241A (zh) * 2023-05-06 2023-07-21 重庆标能瑞源储能技术研究院有限公司 一种单体电池热失控定位方法
CN117310543A (zh) * 2023-11-29 2023-12-29 中国华能集团清洁能源技术研究院有限公司 电池异常诊断方法及装置
CN117406007A (zh) * 2023-12-14 2024-01-16 山东佰运科技发展有限公司 一种充电桩充电数据检测方法及系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117578664B (zh) * 2023-11-28 2024-06-11 浙江智格科技有限公司 基于智能物联网的换电柜安全控制方法及系统
CN117691722B (zh) * 2024-02-01 2024-04-09 中山市福瑞特科技产业有限公司 一种锂电池充电安全监测预警方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019521491A (ja) * 2016-09-26 2019-07-25 エルジー・ケム・リミテッド 人工知能型燃料電池システム
KR20200119383A (ko) * 2019-03-26 2020-10-20 서강대학교산학협력단 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법
WO2020240324A1 (ja) * 2019-05-24 2020-12-03 株式会社半導体エネルギー研究所 二次電池の内部抵抗の推定方法及び二次電池の異常検知システム
KR20210016154A (ko) * 2019-07-31 2021-02-15 주식회사 에스제이 테크 머신러닝을 이용한 배터리 진단 방법
KR20210116801A (ko) * 2020-03-16 2021-09-28 주식회사 로보볼트 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치
KR20210142202A (ko) 2019-06-12 2021-11-24 제지앙 둔안 아트피셜 인바이런먼트 컴퍼니 리미티드 전자 팽창 밸브

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019521491A (ja) * 2016-09-26 2019-07-25 エルジー・ケム・リミテッド 人工知能型燃料電池システム
KR20200119383A (ko) * 2019-03-26 2020-10-20 서강대학교산학협력단 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법
WO2020240324A1 (ja) * 2019-05-24 2020-12-03 株式会社半導体エネルギー研究所 二次電池の内部抵抗の推定方法及び二次電池の異常検知システム
KR20210142202A (ko) 2019-06-12 2021-11-24 제지앙 둔안 아트피셜 인바이런먼트 컴퍼니 리미티드 전자 팽창 밸브
KR20210016154A (ko) * 2019-07-31 2021-02-15 주식회사 에스제이 테크 머신러닝을 이용한 배터리 진단 방법
KR20210116801A (ko) * 2020-03-16 2021-09-28 주식회사 로보볼트 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116466241A (zh) * 2023-05-06 2023-07-21 重庆标能瑞源储能技术研究院有限公司 一种单体电池热失控定位方法
CN116466241B (zh) * 2023-05-06 2024-03-26 重庆标能瑞源储能技术研究院有限公司 一种单体电池热失控定位方法
CN117310543A (zh) * 2023-11-29 2023-12-29 中国华能集团清洁能源技术研究院有限公司 电池异常诊断方法及装置
CN117406007A (zh) * 2023-12-14 2024-01-16 山东佰运科技发展有限公司 一种充电桩充电数据检测方法及系统
CN117406007B (zh) * 2023-12-14 2024-02-13 山东佰运科技发展有限公司 一种充电桩充电数据检测方法及系统

Also Published As

Publication number Publication date
KR20230057894A (ko) 2023-05-02
EP4321884A1 (en) 2024-02-14
CN116829966A (zh) 2023-09-29
JP2024500893A (ja) 2024-01-10

Similar Documents

Publication Publication Date Title
WO2023068899A1 (ko) 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법
WO2021049800A1 (ko) 배터리 이상 상태를 진단하기 위한 방법, 이를 위한 전자 장치 및 저장 매체
WO2010016647A1 (en) Apparatus and method for estimating state of health of battery based on battery voltage variation pattern
WO2017043890A1 (ko) 이차 전지의 못 관통 시험 장치 및 방법
WO2018038383A1 (ko) 배터리 셀의 성능 테스트 장치 및 방법
WO2016052900A1 (ko) 이차 전지의 방전 출력 추정 방법 및 장치
WO2022103185A1 (ko) 전지의 용량 측정 장치 및 방법, 및 상기 장치를 포함하는 전지 제어 시스템
WO2018194225A1 (ko) 배터리 모니터링 및 보호 시스템
WO2022114871A1 (ko) 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
WO2020153637A1 (ko) 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩
WO2021066555A1 (ko) 배터리 진단 시스템 및 방법
WO2022098096A1 (ko) 배터리 진단 장치 및 방법
WO2020262789A1 (ko) 이상 배터리 셀 검출 방법
WO2022145822A1 (ko) 배터리 관리 장치 및 방법
WO2022154354A1 (ko) 배터리 시스템 진단 장치 및 방법
WO2021080219A1 (ko) 배터리 퇴화도 진단 장치 및 방법
WO2022149917A1 (ko) 배터리 관리 장치 및 방법
WO2015056830A1 (ko) 전동장치용 배터리의 전력모니터링 시스템
WO2022215962A1 (ko) 배터리 진단 장치 및 방법
WO2022080837A1 (ko) 배터리 진단 장치 및 방법
WO2021230642A1 (ko) 배터리를 진단하기 위한 장치 및 그 방법
WO2022071776A1 (ko) 배터리 진단 장치, 방법 및 시스템
WO2023224414A1 (ko) 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
WO2022250390A1 (ko) 배터리 모니터링 장치 및 방법
WO2023033480A1 (ko) 배터리 진단 시스템 및 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: 22884120

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023538070

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 202280013690.7

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2022884120

Country of ref document: EP

Ref document number: 22884120.1

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2022884120

Country of ref document: EP

Effective date: 20231108

NENP Non-entry into the national phase

Ref country code: DE