WO2023191283A1 - 필드 데이터 기반 인공신경망 배터리 모델을 통한 배터리 이상 검출 방법 및 시스템 - Google Patents

필드 데이터 기반 인공신경망 배터리 모델을 통한 배터리 이상 검출 방법 및 시스템 Download PDF

Info

Publication number
WO2023191283A1
WO2023191283A1 PCT/KR2023/001295 KR2023001295W WO2023191283A1 WO 2023191283 A1 WO2023191283 A1 WO 2023191283A1 KR 2023001295 W KR2023001295 W KR 2023001295W WO 2023191283 A1 WO2023191283 A1 WO 2023191283A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery
cell
field data
cell voltage
data
Prior art date
Application number
PCT/KR2023/001295
Other languages
English (en)
French (fr)
Inventor
윤성열
권기욱
이정빈
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 AU2023246287A priority Critical patent/AU2023246287A1/en
Publication of WO2023191283A1 publication Critical patent/WO2023191283A1/ko

Links

Images

Classifications

    • 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
    • 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
    • G01R19/0038—Circuits for comparing several input signals and for indicating the result of this comparison, e.g. equal, different, greater, smaller (comparing pulses or pulse trains according to amplitude)
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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 a method and system for detecting battery abnormalities through a battery model.
  • the present invention relates to a method and system for detecting battery abnormalities through an artificial neural network battery model using field data, rather than a conventional chemical/electrical equivalent circuit model, when constructing a battery model.
  • Patent Document 1 presents a system that receives the initial characteristic measurement data of the battery, learns only the artificial nerve, predicts long-term characteristic data from this, and determines its reliability, and Patent Document 2 provides physical quantity information of the battery.
  • a battery state estimation method is disclosed that inputs data into a battery learning model and obtains estimation information from the battery learning model.
  • Patent Document 1 Republic of Korea Patent Publication 10-2009-0020448
  • Patent Document 2 Republic of Korea Patent Publication 10-2018-0057226
  • the present invention seeks to provide a method and system for detecting abnormalities in battery cells using field data.
  • the present invention provides a system for detecting abnormal behavior of a battery, comprising: a field data calculation unit that receives real-time measurement values from a running battery and calculates and outputs field data therefrom; a field data preprocessor that extracts and outputs field data for predicting cell voltage from the field data; an artificial neural network unit that receives the output of the field data preprocessor, predicts cell voltage, and outputs the predicted value; a battery abnormal behavior detection unit that compares the predicted value output by the artificial neural network unit with the field data and determines battery abnormal behavior when the deviation is greater than a predetermined range; It provides a battery abnormal behavior detection system comprising:
  • the artificial neural network unit is trained using field data corresponding values for predicting the cell voltage calculated from a standard battery other than the battery that calculates the field data as learning data, and receives field data for predicting the cell voltage.
  • a cell voltage prediction model that outputs a predicted value of the cell voltage of the next cycle; It is learned using field data corresponding values for predicting the cell temperature calculated from a standard battery rather than a battery that calculates the field data as learning data, and receives field data for predicting the cell voltage to determine the cell voltage of the next cycle. It may be configured to include a cell temperature prediction model that outputs a predicted value of; field data for a predetermined period of the normal operation section of the battery is added as new learning data to re-create the cell voltage prediction model and the cell temperature prediction model.
  • a neural network learning unit that learns and updates may be additionally provided.
  • the present invention also includes a field data calculation process of measuring and calculating real-time battery status information data from a battery in operation;
  • a field data pre-processing process including a field data pre-processing process for cell voltage prediction that extracts data for cell voltage prediction from the calculated field data;
  • a real-time prediction process including a cell voltage prediction process of inputting the data for cell voltage prediction into a cell voltage prediction model to calculate a cell voltage prediction value for the next cycle;
  • a battery abnormality behavior detection process including a cell voltage abnormality behavior detection process of comparing the predicted cell voltage value with the cell voltage value of the field data and generating a cell voltage abnormality behavior detection signal when the deviation is greater than a predetermined range.
  • the data for predicting the cell voltage may be time series values of rack current, standby temperature, fan on-off information, module SOC, cell SOH, and cell voltage for each battery cell and battery module constituting the battery.
  • the data for predicting the cell temperature may be time series values of cell temperature, ambient temperature, and fan on-off information for each battery cell and battery module constituting the battery.
  • the present invention it is possible to predict battery temperature and voltage values in real time using battery field data and compare them with actual temperature and voltage values to detect abnormal operation of the battery in real time.
  • Figure 1 is a diagram showing an example of each field data measured and calculated in the present invention.
  • FIG. 2 is a diagram illustrating an example of preprocessing field data acquired for a certain section or a predetermined time period among the field data in FIG. 1 and extracting them as learning data.
  • Figure 3 is a diagram showing the sequence of a method for detecting abnormal battery behavior according to the present invention.
  • Figure 4 shows a graph showing field data values of cell temperature and predicted values of cell temperature over time.
  • FIG. 5 is a block diagram of a battery abnormality behavior detection system according to the present invention.
  • the present invention learns field data to predict voltage and temperature at the next time.
  • the types of field data used in the present invention are as follows.
  • 'field data' means the following data measured in real time from an operating battery and the following data calculated therefrom.
  • Field data is time series data of battery status information calculated during battery operation at predetermined time intervals.
  • the types of field data used in the present invention are as follows.
  • Rack data includes rack current, ambient temperature, and fan on/off information. These are usually measured and calculated by the rack BMS (Rack Battery Management System).
  • Rack current can be expressed as Rack.Current
  • ambient temperature as Ambient.Temp
  • fan on/off information can be expressed as Fan_ON/OFF flag value, and are measured at predetermined time intervals.
  • Rack Current at time t measured at a predetermined cycle ambient temperature is Ambient.Temp (Ambient Temp.), fan on/off (Fan ON/OFF) information is Fan.ON values are Rack.Current(t ), Ambient.Temp(t), and Fan.ON(t).
  • Fan.ON values are Rack.Current(t ), Ambient.Temp(t), and Fan.ON(t).
  • Fan.ON(t) and Ambient.Temp(t) values have the measurement values of appropriate measurement sensors, and Fan.ON(t) is '1' if the fan is running, and '0' if it is not running. It can have a value.
  • the rack current, ambient temperature, and fan on/off information (if the fan is running) at 3 seconds after operation are Rack.Current(3) and Ambient.Temp(3), respectively. ), can be expressed as Fan.ON(3).
  • SOC M SOC value of each module
  • SOC.M2 SOC value of the second module
  • Module data is usually measured and calculated by the module BMS (Module Battery Management System).
  • SOC.Mk values can be measured at predetermined time intervals, and the SOC.Mk value at time t is denoted as SOC.Mk(t).
  • Cell voltage value of the second module and third cell is expressed as Cell_V_M2C3.
  • Cell data is usually measured and calculated by a cell BMS (Cell Battery Management System), or if there is no cell BMS, a module BMS (Module Battery Management System).
  • Cell.V.MkCj values can also be measured at predetermined time intervals, and the Cell.V.MkCj value at time t is expressed as Cell.V.MkCj(t).
  • Cell data may include cell temperature.
  • the cell temperature of the kth module, jth cell at time t is expressed as Cell.T.MkCj(t).
  • the present invention also uses the SOH value (SOH MkCj) as one of the calculated values.
  • SOH value of each cell is calculated by a cell BMS (Cell Battery Management System), a module BMS (Module Battery Management System), or a rack BMS (Rack Battery Management System).
  • the SOH.MkCj value can also be measured at predetermined time intervals, and the SOH.MkCj value at time t is expressed as SOH.MkCj (t).
  • the present invention is a procedure for measuring, calculating, and preprocessing the field data described above.
  • Field data is measured and calculated in real time from the battery during operation in a predetermined time unit
  • Figure 1 shows an example of each field data measured and calculated in the present invention.
  • Measurement and calculation of field data can be performed in each cell BMS (Cell Battery Management System), module BMS (Module Battery Management System), or rack BMS (Rack Battery Management System), and is transmitted to the field data calculation unit 100. .
  • the field data calculation unit may be integrated into the rack BMS.
  • the field data acquired in some sections or for a certain period of time are preprocessed and extracted as learning data as shown in FIG. 2.
  • the present invention predicts cell voltage using a cell voltage prediction model that predicts cell voltage from field data.
  • Data for cell voltage prediction includes rack current, ambient temperature, SOC, SOH, The cell voltage of the previous cycle is used as the input value.
  • rack current, ambient temperature, SOC, SOH, and cell voltage values such as Rack.Current(t), Ambient.Temp(t), and Fan.ON(t) are extracted from field data calculated in real time at a predetermined period.
  • SOC.Mk(t), SOH.MkCj(t), and Cell.V.MkCj(t) values are extracted periodically.
  • Figure 2 shows the Rack.Current(t), Ambient.Temp(t), Fan.ON(t), and SOC.Mk(t) values for each time period and the corresponding SOH_M1C2(t) of cells 1 and 2 of module 1.
  • Cell_V_M1C2(t) shows the data format from which the value is extracted.
  • the present invention also predicts cell temperature using a cell temperature prediction model that predicts cell temperature from field data.
  • Cell.T.MkCj(t) the current temperature value of the cell, and surrounding Predict the cell temperature of the next cycle using the temperature Ambient.Temp(t) and Fan.ON(t).
  • Cell.T.MkCj(t), Ambient.Temp(t), and Fan.ON(t) values are periodically extracted from field data calculated in real time at a predetermined period.
  • the cell voltage prediction model is created using a predetermined artificial neural network.
  • a known artificial neural network can be used as the artificial neural network, and the artificial neural network that has completed learning with predetermined learning data is stored as the cell voltage prediction model 210 in FIG. 5.
  • the training data of the cell voltage prediction model 210 includes Rack.Current(t), Ambient.Temp(t) of a predetermined time period, preprocessed through the field data preprocessing process (S120) for cell voltage prediction, The values of Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), and Cell.V.MkCj(t) are used as input values of the neural network, and Cell.V is the cell voltage measurement value of the next cycle.
  • the artificial neural network learned in this way is saved as a cell voltage prediction model 210, such as Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj( t), Cell.V.MkCj(t) values are input, and Cell.V prdic .MkCj(t+1), which is the cell voltage prediction value for the next cycle, is calculated.
  • a cell voltage prediction model 210 such as Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj( t), Cell.V.MkCj(t) values are input, and Cell.V prdic .MkCj(t+1), which is the cell voltage prediction value for the next cycle, is calculated.
  • Learning data used in the cell voltage prediction model creation process may be field data measured at a different time than the data used in the cell voltage prediction process (S310) below, and may be used before battery operation or sample battery. It may be sample data obtained through the operation of .
  • the training data of the cell voltage prediction model 210 is not field data, but Rack.Current(t), Ambient.Temp(t), and Fan of a predetermined time interval calculated using a standard battery in the laboratory. It can be generated using .ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t), and Cell.V.MkCj(t+1) as learning data.
  • the cell voltage prediction model is created by learning using as learning data corresponding data values for predicting the cell voltage calculated from a standard battery rather than an operating battery that calculates the field data, and then predicts the cell voltage.
  • the data for this is input from the battery during operation and the predicted value of the cell voltage for the next cycle is output.
  • the present invention also includes a cell temperature prediction model, which predicts the cell temperature in the same manner as the cell voltage prediction model generation process using the preprocessed data as learning data.
  • Create a model 220 In other words, the values of Cell.T.MkCj(t), Ambient.Temp(t), and Fan.ON(t) are periodically input into a predetermined artificial neural network, and the output value is Cell.T.MkCj(t+1).
  • Do supervised learning In other words, as the input data of the artificial neural network, the Cell.T.MkCj(t), Ambient.Temp(t), and Fan.ON(t) values are periodically input for a certain period of time, and the output value measures the cell temperature in the next cycle.
  • a cell temperature prediction model is created by supervised learning of the artificial neural network to obtain the value Cell.T.MkCj(t+1).
  • the artificial neural network learned in this way is saved as a cell temperature prediction model 220, receives Cell.T.MkCj(t), Ambient.Temp(t), and Fan.ON(t) values as input, and calculates the cell temperature for the next cycle. Calculate the predicted value Cell.T predic .MkCj(t+1).
  • the learning data used in the cell temperature prediction model creation process are as follows. It may be field data measured at a different time from the data used in the cell temperature prediction process (S320), and may be sample data obtained before battery operation or through the operation of sample batteries.
  • the cell temperature prediction model 220 is learned using as learning data corresponding data values for predicting the cell temperature calculated from a standard battery rather than an operating battery that calculates the field data, and predicts the cell temperature. It receives data from the battery during operation and outputs the predicted value of the cell temperature for the next cycle.
  • the process of adding field data for a predetermined period of the normal operation section of the battery during operation to calculate the field data as new learning data to relearn and update the cell voltage prediction model and the cell temperature prediction model.
  • the cell voltage prediction model creation process is Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH for a predetermined time calculated while the battery does not show abnormal behavior.
  • the cell voltage prediction model 210 can be updated by inputting the .MkCj(t), Cell.V.MkCj(t), and Cell.V.MkCj(t+1) values as new learning data. In this case, since the learning model is updated by applying actual field data, it is possible to obtain more accurate predicted values for actual batteries placed in the field.
  • the cell temperature prediction model creation process is Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t), Cell.T.MkCj(
  • the cell temperature prediction model 220 can be updated by inputting the t+1) value as new learning data. In this case, since the learning model is updated by applying actual field data (S230), it is possible to obtain a more accurate predicted value for the actual battery placed in the field.
  • the Cell.T.MkCj(t), Ambient.Temp(t), and Fan.ON(t) values extracted from the preprocessing process (S220) are input to the generated or updated cell temperature prediction model (220) for the next cycle.
  • the Cell.V prdic .MkCj(t+1) value which is the predicted value output by the cell voltage prediction model 210, and the Cell.V.MkCj(t+1) value among the field data calculated from the battery )
  • This is a process of comparing values and detecting cases where there is a difference greater than a predetermined standard value. When a difference exceeding a predetermined reference value occurs, a cell voltage abnormality behavior detection signal is generated.
  • the Cell.T predic .MkCj(t+1) value which is the predicted value output by the cell temperature prediction model 220, and the Cell.T.MkCj(t+1) value among the field data calculated from the battery.
  • This is a process of comparing values and detecting cases where there is a difference greater than a predetermined standard value. If a difference exceeds a predetermined reference value occurs, a cell temperature abnormality behavior detection signal is generated.
  • the field data Cell.T.MkCj(t+1) values are displayed as 'test data', and the predicted value Cell.T predic .MkCj(t+1) is displayed as 'simulation'. ', and if there is no deviation greater than a predetermined standard value between the field data and the predicted value, as shown in (a) of Figure 4, it is judged to be normal behavior, and as shown in (b) of Figure 4, the deviation exceeds the predetermined standard value. If this occurs, it is judged to be abnormal battery behavior and detected.
  • the diagnostic procedure is not limited to a specially defined procedure, and if a deviation above the reference value occurs more than a predetermined number of times during a predetermined time period, an alarm signal is output or a control signal to block battery charging or discharging operation is provided. Can be printed.
  • the field data calculation unit 100 receives real-time measurement values from a running battery, calculates field data values from the received data, and outputs them. Measurement and calculation of field data can be performed in each cell BMS (Cell Battery Management System), module BMS (Module Battery Management System), or rack BMS (Rack Battery Management System), and is transmitted to the field data calculation unit 100. .
  • the field data calculation unit may be integrated into the rack BMS.
  • the measurement values received from the battery are values received from each sensor installed in the battery, and include normal battery status information measurement values.
  • the field data calculated are the field data of the present invention described above.
  • the field data calculation unit transmits field data to the field data preprocessing unit 200.
  • a field data pre-processing unit 200 a cell voltage prediction field data pre-processing unit 210 that extracts field data for cell voltage prediction from the field data calculated by the field calculator, and a cell voltage prediction field data pre-processing unit 210 that extracts field data for cell temperature prediction. It is configured to include a temperature prediction field data preprocessing unit 220, and performs a field data preprocessing process for cell voltage prediction (S120) and a field data preprocessing process for cell temperature prediction (S130).
  • the field data preprocessing unit 200 transmits learning data and field data to the artificial neural network unit 300.
  • the learning data is calculated by calculating data corresponding to each item constituting the field data for a predetermined period from a standard battery whose normal quality has been verified in the laboratory, as indicated by the path of the arrow shown with a dotted line in FIG. 5, and using the artificial neural network unit (300) ) can be provided. That is, the cell voltage prediction model 320, which constitutes the artificial neural network unit, is learned using field data corresponding values for predicting cell voltage calculated from a standard battery as learning data, and the cell temperature prediction model 330 is learned from a standard battery. The calculated field data corresponding values for predicting the cell temperature can be learned using them as learning data.
  • the learning data may be configured to extract field data for a certain period of time during battery operation as learning data and provide it to the artificial neural network unit 300.
  • the field data preprocessor 200 provides the field data of the battery in the normal operation section as learning data to use the pre-trained artificial neural networks 320 and 330. can be provided to learn.
  • the neural network learning unit 310 receives the above-described learning data from the field data preprocessing unit 200 and learns an artificial neural network.
  • the artificial neural network is trained with a cell voltage prediction model 320 and a cell temperature prediction model 330, and the neural network learning unit is trained and stored to predict cell voltage and cell temperature, respectively.
  • the neural network learning unit 310 also adds field data for a predetermined period of the battery normal operation section at a predetermined period or under the control of the control unit 500 as new learning data to retrain the artificial neural network to create prediction models (320, 330) can be controlled to update.
  • the prediction models 320 and 330 are learned and operated with learning data provided from a standard battery, and generate predicted values by receiving field data, abnormal behavior is detected in the battery abnormal behavior detection unit 400, which will be described later.
  • the prediction models (320, 330) are generated from the actual operating state of the field battery. It is learned to reflect the field data, which improves the prediction accuracy of the prediction models 320 and 330.
  • the artificial neural network trained with the training data or updated by adding field data is stored as a cell voltage prediction model 320 and a cell temperature prediction model 330, respectively.
  • the cell voltage prediction model 320 is a trained artificial neural network that receives field data for cell voltage prediction from the field data preprocessor 200 and predicts the cell voltage of the next cycle.
  • Field data for cell voltage prediction are Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t) ) value, and by receiving this input, Cell.V prdic .MkCj(t+1), which is the predicted cell voltage, is calculated.
  • the cell temperature prediction model 330 is a trained artificial neural network that receives field data for cell temperature prediction from the field data preprocessor 200 and predicts the cell temperature of the next cycle.
  • Field data for cell temperature prediction can be Cell.T.MkCj(t), Ambient.Temp(t), and Fan.ON(t) values, which are input and used to calculate the cell temperature prediction value Cell.T predic .MkCj(t+ Calculate 1).
  • the battery abnormal behavior detection unit 400 combines the predicted values of the cell voltage and cell temperature calculated by the cell voltage prediction model 320 and the cell temperature prediction model 330 of the artificial neural network unit 300 with the cell voltage and cell temperature of the field data. By comparison, abnormal behavior of the battery is detected and an abnormal behavior detection signal is transmitted to the control unit.
  • the abnormal behavior detection signal may include at least one or both of a cell voltage abnormal behavior signal or a cell temperature abnormal behavior signal, which will be described later.
  • the battery abnormal behavior detection unit 400 receives field data output by the field data calculation unit and predicted values output by the artificial neural network unit 300.
  • the cell voltage abnormality behavior determination unit 410 uses the above-described Cell.V prdic .MkCj(t+1) value as Cell.V of the field data . Compared to the MkCj(t+1) value, if the deviation is more than a predetermined range, it is determined to be cell voltage abnormal behavior and a cell voltage abnormal behavior signal is transmitted to the control unit.
  • the cell temperature abnormal behavior determination unit 420 compares the above-described Cell.T predic .MkCj(t+1) value with the Cell.T.MkCj(t+1) value of field data, and if the deviation is more than a predetermined range, the cell It is determined to be an abnormal temperature behavior and a cell temperature abnormal behavior signal is transmitted to the control unit.
  • the control unit 500 receives the abnormal behavior detection signal from the abnormal behavior detection unit 400 and performs the above-described diagnosis and alarm generation process (S500).
  • the control unit is connected to the field data calculation unit, field data preprocessing unit, prediction model, and abnormal behavior detection unit to control each configuration.
  • the field data calculation unit, field data preprocessing unit, prediction model, and abnormal behavior detection unit are connected to each other. All components can be physically integrated to form a control unit.
  • the integrated control unit may be directly connected to the battery's RACK BMS or may be integrated into the RACK BMS.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

본 발명의 필드데이터를 이용한 배터리 이상거동 검출 방법 및 시스템은, 운용중인 배터리로부터 실시간 필드데이터를 시계열적으로 추출하고, 추출된 필드데이터로부터 셀 전압, 셀 온도를 예측한 예측값과 실시간 필드데이터의 셀 전압, 셀 온도 값을 비교하여 그 편차에 따라 배터리의 이상거동 여부를 검출하는 방법 및 시스템을 제공한다.

Description

필드 데이터 기반 인공신경망 배터리 모델을 통한 배터리 이상 검출 방법 및 시스템
본 발명은 배터리 모델을 통한 배터리 이상 검출 방법 및 시스템에 관한 것이다. 특히 본 발명은 배터리 모델을 구성함에 있어서, 종래의 화학적/전기적 등가회로 모델이 아닌, 필드 데이터를 사용하여 인공신경망 배터리 모델을 통하여 배터리 이상을 검출하는 방법 및 시스템에 관한 것이다.
종래에 일반적인 Li-ion 배터리 모델링은 화학적인 조성이나 전기적 등가회로를 활용하여 구현하였다. 해당 배터리 모델링들의 경우, 기본적으로 충/방전을 포함한 셀 테스트 데이터를 바탕으로 모델링을 하게 된다.
그러나 내부 셀 테스트 데이터는 실제 필드 환경과 상이하다. 또한, 다양한 조건에서 내부 셀 테스트를 한다고 해도, 셀 시료의 개수, 모듈/랙 단위, 퇴화 정도, 온도 조건, 테스트 장비, 시간 등 현실적인 실험의 한계가 있어 충분한 데이터를 확보하지 못할 수 있다.
이와 관련하여 특허문헌 1에서는, 배터리의 초기 특성 측정 데이터를 입력받아 인공 신경만을 학습시키고, 이로부터 장기 특성 데이터를 예측하고 그 신뢰성을 판정하는 시스템을 제시하며, 특허문헌 2에서는 배터리의 물리량 정보를 배터리 학습 모델로 입력하고 배터리 학습 모델로부터 추정 정보를 획득하는 배터리 상태 추정방법을 개시한다.
그런데, 이와 같은 종래기술들은 여전히 실제 필드 데이터를 기반으로 하여 배터리의 상태를 추정하고 배터리의 이상 유무를 판별하는 방법을 구현하는 데에는 부족하다.
관련 선행기술로는 다음과 같은 문헌이 있다.
특허문헌 1: 대한민국 공개특허 10-2009-0020448
특허문헌 2: 대한민국 공개특허 10-2018-0057226
상술한 문제점을 해결하기 위하여 본발명에서는, 필드 데이터를 활용하여 배터리 셀의 이상을 검출하는 방법 및 시스템을 제공하고자 한다.
필드 데이터를 활용함에 있어서도 해결해야 할 과제가 존재하는데, 데이터 수집 항목 종류에 제한이 있을 수 밖에 없고, 정밀도가 낮다는 것이다.
이러한 문제를 해결하기 위하여, 다양한 필드 데이터를 활용하여 배터리 모델링을 하기 위해, AI 학습을 통한 배터리 모델링을 구현하고 이를 이용한 배터리 이상 검출 방법 및 시스템을 제공하고자 한다.
상술한 문제를 해결하기 위하여, 본 발명은, 배터리의 이상거동을 검출하기 위한 시스템으로서, 가동중인 배터리로부터 실시간 측정값들을 수신하고 이로부터 필드데이터를 산출하여 출력하는 필드데이터 산출부; 상기 필드데이터로부터 셀 전압을 예측하기 위한 필드데이터를 추출하여 출력하는 필드데이터 전처리부; 상기 필드데이터 전처리부의 출력을 입력받아 셀 전압을 예측하고 그 예측값을 출력하는 인공신경망부; 상기 인공신경망부가 출력하는 예측값을 상기 필드데이터와 비교하여 그 편차가 소정 범위 이상인 경우 배터리 이상거동으로 판정하는 배터리 이상거동 검출부; 를 포함하여 구성되는 배터리 이상거동 검출 시스템을 제공한다.
상기 인공신경망부는, 상기 필드데이터를 산출하는 배터리가 아닌 표준 배터리로부터 산출되는 상기 셀 전압을 예측하기 위한 필드데이터 대응값들을 학습데이터로 하여 학습되고, 상기 셀 전압을 예측하기 위한 필드데이터를 입력받아 다음 주기의 셀 전압의 예측값을 출력하는 셀 전압 예측모델; 상기 필드데이터를 산출하는 배터리가 아닌 표준 배터리로부터 산출되는 상기 셀 온도를 예측하기 위한 필드데이터 대응값들을 학습데이터로 하여 학습되고, 상기 셀 전압을 예측하기 위한 필드데이터를 입력받아 다음 주기의 셀 전압의 예측값을 출력하는 셀 온도 예측모델;을 포함하여 구성될 수 있으며, 상기 배터리의 정상운전구간의 소정 기간동안의 필드데이터를 새로운 학습데이터로 추가하여 상기 셀 전압 예측모델과 셀 온도 예측모델을 재학습하여 갱신하는 신경망 학습부;를 추가로 구비할 수 있다.
본 발명은 또한, 운용중인 배터리로부터 실시간 배터리 상태정보 데이터를 측정하고 산출하는 필드데이터 산출과정; 산출된 필드데이터로부터 셀 전압 예측을 위한 데이터를 추출하는 셀 전압 예측을 위한 필드데이터 전처리과정을 포함하는 필드데이터 전처리 과정; 상기 셀 전압 예측을 위한 데이터를 셀 전압 예측모델에 입력하여 다음 주기의 셀 전압 예측값을 산출하는 셀 전압 예측과정을 포함하는 실시간 예측과정; 상기 셀 전압 예측값을 상기 필드데이터의 셀 전압값과 비교하여 그 편차가 소정 범위 이상인 경우 셀 전압 이상 거동 검출 신호를 생성하는 셀 전압 이상 거동 검출과정을 포함하는 배터리 이상거동 검출과정;을 포함하여 구성되는 배터리 이상거동 검출방법을 제공한다.
이때, 셀 전압을 예측하기 위한 데이터는, 상기 배터리를 구성하는 각각의 배터리 셀 및 배터리 모듈에 대한 랙 전류, 대기온도, 팬 온오프 정보, 모듈 SOC, 셀 SOH, 셀 전압의 시계열 값들일 수 있으며, 상기 셀 온도를 예측하기 위한 데이터는, 상기 배터리를 구성하는 각각의 배터리 셀 및 배터리 모듈에 대한 셀 온도, 대기온도, 팬 온오프 정보의 시계열 값들일 수 있다.
본 발명에 따르면, 배터리 필드 데이터를 활용하여 실시간으로 배터리 온도 및 전압값을 예측하고 이를 실제 온도 및 전압값과 비교하여 배터리의 이상 동작 여부를 실시간으로 검출할 수 있다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 전술된 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사 항에만 한정되어 해석되지 않아야 한다.
도 1은 본 발명에서 측정 및 산출하는 각 필드데이터들의 예시를 보이는 도면이다.
도 2는 도 1의 필드데이터들 중에서, 일부 구간 또는 소정 시간 동안 획득된 필드데이터들을 전처리하여 학습데이터로 추출한 예시를 보이는 도면이다.
도 3은 본 발명에 따른 배터리 이상 거동 검출방법의 순서를 보이는 도면이다.
도 4는 시간에 따른 셀 온도의 필드데이터 값과 셀 온도의 예측값을 도시한 그래프를 보인다.
도 5는 본 발명에 따른 배터리 이상 거동 검출 시스템의 블럭도이다.
본 발명은 필드 데이터를 학습시켜 다음 시점의 전압 및 온도 등을 예측한다. 본 발명에서 사용되는 필드 데이터의 종류는 다음과 같다.
1. 필드 데이터
본 발명에서 '필드 데이터'라 함은 운용중인 배터리로부터 실시간 측정되는 하기 데이터들 및 그로부터 계산되는 하기 데이터들을 의미한다. 필드 데이터는 소정의 시간간격으로 배터리 운용중 산출되는 배터리 상태정보의 시계열 데이터들이다.
본 발명에서 사용되는 필드 데이터의 종류는 다음과 같다.
(1) 랙 데이터
배터리 랙의 데이터들이다. 랙 데이터는 랙 전류, 주위온도, 팬 온/오프 정보를 포함한다. 이들은 통상 랙 BMS(Rack Battery Management System)가 측정하고 산출한다.
랙 전류는 Rack.Current, 주위온도는 Ambient.Temp, 팬 온/오프 정보는 Fan_ON/OFF flag 값으로 표현될 수 있으며, 소정의 시간간격으로 측정된다.
소정의 주기로 측정되는 시간 t에서의 랙 전류(Rack Current), 주위온도는 Ambient.Temp(Ambient Temp.), 팬 온/오프(Fan ON/OFF) 정보는 Fan.ON 값들은 Rack.Current(t), Ambient.Temp(t), Fan.ON(t)로 표기될 수 있다. 이때 Rack.Current(t), Ambient.Temp(t) 값은 적절한 측정센서들의 측정값을 가지며, Fan.ON(t)는 팬이 구동중인 경우, '1', 구동중이 아닌 경우 '0' 값을 가질 수 있다.
예를 들어, 1초 간격으로 측정하였을 때, 구동후 3초에서의 랙 전류, 주위온도, 팬 온/오프 정보(팬이 구동되고 있다면)는 각각 Rack.Current(3), Ambient.Temp(3), Fan.ON(3)으로 표기할 수 있다.
(2) 모듈 데이터
배터리 랙에 포함되는 다수의 배터리 모듈들 각각의 데이터들이다. 모듈 데이터는 각 모듈의 SOC 값을 포함하며, 배터리 랙을 구성하는 모듈이 i개 있을 때, 각 모듈은 Mk (k=1, 2, 3, …i)로 표기하며, 각 모듈의 SOC 값(SOC M)은 SOC.Mk로 표기한다. 예를 들어 두번째 모듈의 SOC 값은 SOC.M2로 표기한다. 모듈 데이터는 통상 모듈 BMS(Module Battery Management System)가 측정하고 산출한다.
랙 데이터와 마찬가지로, SOC.Mk 값은 소정의 시간 간격으로 측정될 수 있으며, 시간 t에서의 SOC.Mk 값은 SOC.Mk(t)로 표기한다.
(3) 셀 데이터
배터리 모듈에 포함되는 다수의 배터리 셀들 각각의 데이터들이다. 셀 데이터는 각 셀들이 전압의 측정값으로서의 셀 전압값(Cell V)을 포함하며, 셀 전압값은 각 모듈이 m개의 셀로 이루어져 있을 때, Cell.V.MkCj (k=1, 2, 3, ……m) 으로 표기한다. 예를 들어, 두 번째 모듈, 세 번째 셀의 셀전압값은 Cell_V_M2C3으로 표기한다. 셀 데이터는 통상 셀 BMS(Cell Battery Management System)이나, 셀 BMS가 없는 경우, 모듈 BMS(Module Battery Management System)가 측정하고 산출한다.
Cell.V.MkCj 값 역시 소정의 시간 간격으로 측정될 수 있으며, 시간 t에서의 Cell.V.MkCj 값은 Cell.V.MkCj(t)로 표기한다.
셀 데이터는 셀 온도를 포함할 수 있다. 시간 t에서의 k번째 모듈, j번째 셀의 셀 온도는 Cell.T.MkCj(t)로 표기된다.
(4) 계산값
본 발명은 또한 SOH 값(SOH MkCj)을 계산값의 하나로 사용한다. 각 셀들의 SOH 값은 셀 BMS(Cell Battery Management System)이나, 모듈 BMS(Module Battery Management System) 또는 랙 BMS(Rack Battery Management System)가 산출하는데, 특정 셀의 SOH는 SOH.MkCj (k=1, 2, 3, ……m) 로 표기한다.
SOH.MkCj 값 역시 소정의 시간 간격으로 측정될 수 있으며, 시간 t에서의 SOH.MkCj 값은 SOH.MkCj (t)로 표기한다.
2. 배터리 이상 거동 검출 방법
본 발명에 따른 배터리 이상 거동 검출방법을 도 3을 들어 설명한다.
2-1. 필드 데이터의 산출 및 전처리 과정(S100)
본 발명은 앞서 설명한 필드데이터들을 측정, 산출하고, 전처리를 수행하는 절차이다.
(1) 필드 데이터 산출과정(S110)
운용중인 배터리로부터 실시간 배터리 상태정보 데이터를 측정하고 산출하는 과정이다.
필드데이터들의 측정 및 산출은 소정의 시간단위로 운용중 배터리로부터 실시간 측정 및 산출을 수행하는데, 도 1은 본 발명에서 측정 및 산출하는 각 필드데이터들의 예시를 보인다.
필드데이터들의 측정 및 산출은 각 셀 BMS(Cell Battery Management System)이나, 모듈 BMS(Module Battery Management System) 또는 랙 BMS(Rack Battery Management System)에서 진행될 수 있으며, 필드데이터 산출부(100)로 전송된다. 필드데이터 산출부는 랙 BMS에 통합 구성될 수도 있다.
도 1에 보이고, 앞에서 설명한 필드데이터들 중에서, 일부 구간 또는 소정 시간 동안 획득된 필드데이터들을 전처리하여 도 2에 보이는 것과 같은 학습데이터로 추출한다.
(2) 셀 전압 예측을 위한 필드데이터 전처리 과정(S120)
산출된 필드데이터로부터 셀 전압 예측을 위한 데이터를 추출하는 셀 전압 예측을 위한 필드데이터 전처리과정이다.
본 발명은 필드데이터들로부터 셀 전압을 예측하는 셀 전압 예측모델을 이용하여 셀 전압을 예측하는데, 셀 전압 예측을 위한 데이터로서, 도 2에 보이는 것과 같이, 랙 전류, 주위온도, SOC, SOH, 이전주기의 셀전압을 입력값으로 사용한다.
이를 위하여 전처리 과정에서는 소정의 주기로 실시간 산출되는 필드데이터들에서, 랙 전류, 주위온도, SOC, SOH, 셀 전압 값인, Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t) 값을 주기적으로 추출한다. 도 2에는 각 시간 주기별 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t) 값 및 이에 대응하는 모듈 1의 셀 1, 2의 SOH_M1C2(t), Cell_V_M1C2(t) 값을 추출하는 데이터의 형식을 보인다.
(3) 셀 온도 예측을 위한 필드데이터 전처리 과정(S130)
상기 산출된 필드데이터로부터 산출된 셀 온도를 예측하기 위한 데이터를 추출하는 과정이다.
본 발명은 또한 필드데이터들로부터 셀 온도를 예측하는 셀 온도 예측모델을 이용하여 셀 온도를 예측하는데, 셀 온도 예측을 위한 데이터로서, 셀의 현재 온도값인 Cell.T.MkCj(t), 주위온도 Ambient.Temp(t), Fan.ON(t)를 사용하여 다음 주기의 셀 온도를 예측한다.
이를 위하여 전처리 과정에서는 소정의 주기로 실시간 산출되는 필드 데이터들에서, Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t) 값을 주기적으로 추출한다.
2-2. 예측모델 생성과정(S200)
(1) 셀 전압 예측모델 생성과정(S210)
소정의 인공신경망에 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t)를 입력하고, 그 출력값을 Cell.V.MkCj(t+1)로 하여 지도학습하여 셀 전압 예측을 위한 셀 전압 예측모델(210)을 생성한다. 셀 전압 예측모델은 소정의 인공신경망을 사용하여 생성한다. 인공신경망으로는 공지의 인공신경망을 사용할 수 있으며, 소정의 학습데이터로 학습이 완료된 인공신경망은 도 5의 셀 전압 예측모델(210)로 저장된다.
상기 셀 전압 예측모델(210)의 학습 데이터로는, 상기 셀 전압 예측을 위한 필드 데이터 전처리 과정(S120)을 통하여 전처리된, 소정 시간 구간의 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t) 값을 신경망의 입력값으로 사용하고, 다음 주기의 셀 전압 측정값인 Cell.V.MkCj(t+1)을 그 출력값으로 사용하여, 소정 시간 구간의 소정 시간 구간의 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t) 값이 상기 인공신경망으로 입력될 때, 그 출력값이 다음 주기의 셀 전압 측정값인 Cell.V.MkCj(t+1)이 되도록 인공신경망을 지도학습하여 셀 전압 예측모델을 생성한다.
이와 같이 학습된 인공신경망은 셀 전압 예측모델(210)로 저장되어, Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t) 값을 입력받아, 다음 주기의 셀 전압 예측값인 Cell.Vprdic.MkCj(t+1)를 산출한다.
셀 전압 예측모델 생성과정에서 사용하는 학습데이터인 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t), Cell.V.MkCj(t+1) 값은 아래의 셀 전압 예측과정(S310)에서 사용하는 데이터들과 다른 시간에 측정된 필드 데이터 일 수 있으며, 배터리 운용전 또는 샘플 배터리들의 운용을 통하여 획득된 샘플 데이터 일 수 있다.
다른 실시예로는 상기 셀 전압 예측모델(210)의 학습 데이터로 필드데이터가 아닌, 실험실에서 표준 배터리를 사용하여 산출한 소정 시간 구간의 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t), Cell.V.MkCj(t+1)을 학습데이터로 사용하여 생성될 수 있다.
즉, 셀 전압 예측모델은, 상기 필드데이터를 산출하는 운용중 배터리가 아닌 표준 배터리로부터 산출되는 셀 전압을 예측하기 위한 데이터 대응값들을 학습데이터로 하여 학습되어 생성되고, 이후, 상기 셀 전압을 예측하기 위한 데이터를 운용중 배터리로부터 입력받아 다음 주기의 셀 전압의 예측값을 출력한다.
(2) 셀 온도 예측모델 생성과정(S220)
본 발명은 또한 셀 온도 예측모델을 구비하는데, 셀 온도 예측을 위한 예측을 위한 셀 온도 예측모델 역시 상기 전저리된 데이터로들을 학습데이터로 하여 상기 셀 전압 예측모델 생성과정과 동일한 방식으로 셀 온도 예측모델(220)을 생성한다. 즉, 소정의 인공신경망에, Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t) 값을 주기적으로 입력하고, 그 출력값을 Cell.T.MkCj(t+1)로 하여 지도학습한다. 즉 인공신경망의 입력데이터로, 소정의 시간 동안 Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t) 값을 주기적으로 입력하고, 그 출력값이 다음주기의 셀 온도 측정값인 Cell.T.MkCj(t+1)이 되도록 인공신경망을 지도학습하여 셀 온도 예측모델을 생성한다.
이와 같이 학습된 인공신경망은 셀 온도 예측모델(220)로 저장되어, Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t) 값을 입력받아, 다음 주기의 셀 온도 예측값인 Cell.Tpredic.MkCj(t+1)를 산출한다.
셀 온도 예측모델 생성과정에서 사용하는 학습데이터인, Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t), Cell.T.MkCj(t+1) 값은 아래의 셀 온도 예측과정(S320)에서 사용하는 데이터들과 다른 시간에 측정된 필드 데이터 일 수 있으며, 배터리 운용전 또는 샘플 배터리들의 운용을 통하여 획득된 샘플 데이터 일 수 있다.
다른 실시예로는 학습 데이터로 필드데이터가 아닌, 실험실에서 표준 배터리를 사용하여 산출한 소정 시간 구간의 Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t), Cell.T.MkCj(t+1) 값을 학습데이터로 사용하여 생성될 수 있다.
즉, 셀 온도 예측모델(220)은, 상기 필드데이터를 산출하는 운용중 배터리가 아닌 표준 배터리로부터 산출되는 셀 온도를 예측하기 위한 데이터 대응값들을 학습데이터로 하여 학습되고, 상기 셀 온도를 예측하기 위한 데이터를 운용중 배터리로부터 입력받아 다음 주기의 셀 온도의 예측값을 출력한다.
(3) 예측모델 갱신과정(S230)
다른 실시예로는, 상기 필드데이터를 산출하는 운용중 배터리의 정상운전구간의 소정 기간동안의 필드데이터를 새로운 학습데이터로 추가하여 상기 셀 전압 예측모델과 셀 온도 예측모델을 재학습하여 갱신하는 과정이다.
셀 전압 예측모델 생성과정은 배터리가 이상거동을 보이지 않는 동안 산출된 소정 시간동안의 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t), Cell.V.MkCj(t+1) 값을 새로운 학습데이터로 입력하여 셀 전압 예측모델(210)을 갱신할 수 있다. 이러한 경우, 실제 필드데이터를 적용하여 학습모델을 갱신하므로, 필드에 배치된 실제 배터리에 대하여 보다 정확한 예측값의 획득이 가능하다.
셀 온도 예측모델 생성과정은 배터리가 이상거동을 보이지 않는 동안 산출된 소정 시간동안의 Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t), Cell.T.MkCj(t+1) 값을 새로운 학습데이터로 입력하여 셀 온도 예측모델(220)을 갱신할 수 있다. 이러한 경우, 실제 필드데이터를 적용하여 학습모델을 갱신(S230)하므로, 필드에 배치된 실제 배터리에 대하여 보다 정확한 예측값의 획득이 가능하다.
2-3. 실시간 예측과정(S300)
상기 학습이 완료된 셀 전압 예측모델 및 셀 온도 예측모델을 이용하여 셀 전압 및 셀 온도를 예측하는 절차이다.
(1) 셀 전압 예측 과정(S310)
상기 셀 전압 예측을 위한 필드데이터 전처리 과정(S120)에서 전처리하여 추출한 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t) 값을 상기 생성한 또는 갱신된 셀 전압 예측모델(210)에 입력하여 다음 주기의 셀 전압 예측값인 Cell.Vprdic.MkCj(t+1)를 산출하는 절차이다.
(2) 셀 온도 예측 과정(S320)
상기 전처리과정(S220)에서 추출한 Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t) 값을 상기 생성한 또는 갱신된 셀 온도 예측모델(220)에 입력하여 다음주기의 셀 온도 예측값인 Cell.Tpredic.MkCj(t+1)를 산출한다.
2-4. 배터리 이상거동 검출과정(S400)
(1) 셀 전압 이상 거동 검출과정(S410)
셀 전압 예측과정(S310)을 통하여 셀 전압 예측모델(210)이 출력하는 예측값인 Cell.Vprdic.MkCj(t+1) 값과 배터리로부터 산출되는 필드데이터 중의 Cell.V.MkCj(t+1) 값을 비교하여 소정의 기준값 이상의 차이가 발생하는 경우를 검출하는 과정이다. 소정의 기준값 이상의 차이가 발생한 경우, 셀 전압 이상 거동 검출 신호를 생성한다.
(2) 셀 온도 이상 거동 검출과정(S420)
셀 온도 예측과정(S320)을 통하여 셀 온도 예측모델(220)이 출력하는 예측값인 Cell.Tpredic.MkCj(t+1) 값과 배터리로부터 산출되는 필드데이터 중의 Cell.T.MkCj(t+1) 값을 비교하여 소정의 기준값 이상의 차이가 발생하는 경우를 검출하는 과정이다. 소정의 기준값 이상의 차이가 발생한 경우, 셀 온도 이상 거동 검출 신호를 생성한다.
검출의 예를 도 4를 들어 설명하면, 필드데이터인 Cell.T.MkCj(t+1) 값들이 'test data'로 표시되고, 예측값인 Cell.Tpredic.MkCj(t+1)이 'simulation'으로 표시되어 있는데, 도 4의 (a)에서와 같이 필드데이터와 예측값 사이에 소정 기준값 이상의 편차가 발생하지 않은 경우는 정상거동으로 판단하고, 도 4의 (b)에서와 같이 소정 기준값 이상의 편차가 발생하는 경우, 배터리 이상 거동으로 판단하여 검출한다.
2-5. 진단 및 경보 발생과정(S500)
상기 배터리 이상거동 검출과정(S400)에서 예측한 Cell.Vprdic.MkCj(t+1), Cell.Tpredic.MkCj(t+1) 값과 실측 필드데이터 중, Cell.V.MkCj(t+1), Cell.T.MkCj(t+1) 값의 차이가 기준값 이상의 편차가 발생한 경우, 진단절차를 수행하거나 외부로 경보를 발생하는 절차이다.
본 발명에서 상기 진단절차는 특별히 정해진 절차로 제한되는 것은 아니며, 상기 기준값 이상의 편차가 소정 시간구간동안 소정의 횟수 이상 발생하는 경우 경보 발생신호를 출력하거나, 배터리 충전 또는 방전 동작을 차단하는 제어신호를 출력할 수 있다.
3. 배터리 이상 거동 검출 시스템
도 5를 들어, 본 발명에 따른 배터리 이상 거동 검출 시스템을 설명한다.
3-1. 필드데이터 산출부(100)
필드데이터 산출부(100)는 가동중인 배터리로부터 실시간 측정값들을 수신하고, 수신된 데이터로부터 필드 데이터 값들을 산출하여 출력한다. 필드데이터들의 측정 및 산출은 각 셀 BMS(Cell Battery Management System)이나, 모듈 BMS(Module Battery Management System) 또는 랙 BMS(Rack Battery Management System)에서 진행될 수 있으며, 필드데이터 산출부(100)로 전송된다. 필드데이터 산출부는 랙 BMS에 통합 구성될 수도 있다. 상기 배터리로부터 수신하는 측정값들은 배터리에 설치된 각 센서들로부터 수신되는 값들이며, 통상의 배터리 상태정보 측정값들을 포함한다. 산출되는 필드데이터는 앞서 설명한 본 발명의 필드데이터들이다.
필드데이터 산출부는 필드데이터 전처리부(200)로 필드데이터를 전송한다.
3-2. 필드데이터 전처리부(200)
필드데이터 전처리부는(200), 필드에이터 산출부에서 산출한 필드 데이터로부터 셀 전압 예측을 위한 필드데이터를 추출하는 셀 전압 예측 필드데이터 전처리부(210) 및 셀 온도 예측을 위한 필드데이터를 추출하는 셀 온도 예측 필드데이터 전처리부(220)을 포함하여 구성되어, 셀 전압 예측을 위한 필드데이터 전처리 과정(S120) 및 셀 온도 예측을 위한 필드데이터 전처리 과정(S130)을 수행한다.
필드데이터 전처리부(200)는 인공신경망부(300)로 학습데이터 및 필드데이터를 전송한다.
이때 학습데이터는 도 5에서 점선으로 도시된 화살표의 경로로 표시된 것처럼 실험실에서 정상품질이 검증된 표준배터리로부터 필드 데이터를 구성하는 각 항목에 대응되는 데이터를 소정의 기간동안 산출하여 인공신경망부(300)로 제공될 수 있다. 즉, 인공신경망부를 구성하는 셀 전압 예측모델(320)은 표준 배터리로부터 산출되는, 셀 전압을 예측하기 위한 필드데이터 대응값들을 학습데이터로 하여 학습되고, 셀 온도 예측모델(330)은 표준 배터리로부터 산출되는, 셀 온도를 예측하기 위한 필드데이터 대응값들을 학습데이터로 하여 학습될 수 있다.
다른 실시예로는 학습데이터는 배터리 운전시 일정기간 동안의 필드데이터를 학습데이터로 추출하여 인공신경망부(300)로 제공하도록 구성될 수 있다.
한편, 학습데이터로 상기 두 가지 중 어느 형태의 데이터가 사용되건 간에, 필드데이터 전처리부(200)는 정상운전 구간의 배터리의 필드데이터를 학습데이터로 제공하여 기 학습된 인공신경망(320, 330)을 학습하도록 제공할 수 있다.
3-3. 인공신경망부(300)
(1) 신경망 학습부(310)
신경망 학습부(310)는 필드데이터 전처리부(200)로부터 상술한 학습데이터를 수신하여 인공신경망을 학습한다. 인공신경망은 셀 전압 예측모델(320)과 셀 온도 예측모델(330)로 학습되는데, 신경망 학습부는 각각을 셀 전압과 셀 온도를 예측하도록 학습되어 저장된다.
신경망 학습부(310)는 또한 소정의 주기로 또는 제어부(500)의 제어에 따라 배터리 정상운전구간의 소정 기간동안의 필드데이터를 새로운 학습데이터로 추가하여 인공신경망을 재학습하여 예측모델들(320, 330)을 갱신하도록 제어될 수 있다.
예를 들어, 예측모델들(320, 330)이 표준 배터리로부터 제공받은 학습데이터로 학습되어 운용되고, 필드데이터를 입력받아 예측값을 생성해나가는 동안 후술하는 배터리 이상거동 검출부(400)에서 이상거동이 검출되지 않는 구간, 즉, 정상구간에서의 필드데이터들을 상기 학습데이터에 추가하여 예측모델들(320, 330)을 재학습시킴으로서, 예측모델들(320, 330)이 실제 필드 배터리의 가동상태로부터 생성되는 필드데이터를 반영하도록 학습되고, 이는 예측모델들(320, 330)의 예측 정확도를 향상시킨다.
상기 학습데이터들로 학습되고 또는 필드데이터를 추가하여 학습이 갱신된 인공신경망은 각각 셀 전압 예측모델(320)과 셀 온도 예측모델(330)로 저장된다.
(2) 셀 전압 예측모델(320)
셀 전압 예측모델(320)은 필드데이터 전처리부(200)로부터 셀 전압 예측을 위한 필드데이터를 입력받아 다음 주기의 셀 전압을 예측하는 학습된 인공신경망이다. 셀 전압 예측을 위한 필드데이터는 Rack.Current(t), Ambient.Temp(t), Fan.ON(t), SOC.Mk(t), SOH.MkCj(t), Cell.V.MkCj(t) 값일 수 있으며, 이를 입력받아 셀 전압 예측값인 Cell.Vprdic.MkCj(t+1)를 산출한다.
(3) 셀 온도 예측모델(330)
셀 온도 예측모델(330)은 필드데이터 전처리부(200)로부터 셀 온도 예측을 위한 필드데이터를 입력받아 다음 주기의 셀 온도를 예측하는 학습된 인공신경망이다. 셀 온도 예측을 위한 필드데이터는 Cell.T.MkCj(t), Ambient.Temp(t), Fan.ON(t) 값일 수 있으며, 이를 입력받아 셀 온도 예측값인 Cell.Tpredic.MkCj(t+1)를 산출한다.
3-4. 배터리 이상거동 검출부(400)
배터리 이상거동 검출부(400)는 인공신경망부(300)의 셀 전압 예측모델(320)과 셀 온도 예측모델(330)이 산출하는 셀 전압과 셀 온도의 예측값을 필드 데이터의 셀 전압 및 셀 온도와 비교하여 배터리의 이상거동을 검출하고 이상거동 검출신호를 제어부로 송신한다. 이상거동 검출신호는 후술하는 셀 전압 이상거동 신호 또는 셀 온도 이상거동 신호 중 적어도 하나 또는 둘 다를 포함할 수 있다.
배터리 이상거동 검출부(400)는 상기 필드데이터 산출부가 출력하는 필드데이터 및 상기 인공신경망부(300)가 출력하는 예측값들을 수신한다.
(1) 셀 전압 이상거동 판정부(410)
셀 전압 이상거동 판정부(410)는 상술한 Cell.Vprdic.MkCj(t+1) 값을 필드데이터의 Cell.V.MkCj(t+1)값과 비교하여 그 편차가 소정 범위 이상인 경우 셀 전압 이상거동으로 판정하고 셀 전압 이상거동 신호를 제어부로 송신한다.
(2) 셀 온도 이상거동 판정부(420)
셀 온도 이상거동 판정부(420)는 상술한 Cell.Tpredic.MkCj(t+1) 값을 필드데이터의 Cell.T.MkCj(t+1) 값과 비교하여 그 편차가 소정 범위 이상인 경우 셀 온도 이상거동으로 판정하고 셀 온도 이상거동 신호를 제어부로 송신한다.
3-5. 제어부(500)
제어부(500)는 이상거동 검출부(400)의 이상거동 검출신호를 수신하여 상술한 진단 및 경보 발생과정(S500)을 수행한다.
제어부는 필드데이터 산출부, 필드데이터 전처리부, 예측모델, 이상거동 검출부와 각각 연결되어 각 구성을 제어할 수 있으며, 다른 실시예에서는 필드데이터 산출부, 필드데이터 전처리부, 예측모델, 이상거동 검출부의 모든 구성이 물리적으로 통합되어 제어부로 구성될 수 있다. 이러한 경우, 통합된 제어부는 배터리의 RACK BMS와 직접 통신 연결되거나 RACK BMS에 통합되어 구현될 수도 있다.
본 발명의 도면에 사용된 부호 및 명칭은 다음과 같다.
100 필드데이터 산출부
200 필드데이터 전처리부
210 셀 전압 예측 필드데이터 전처리부
220 셀 온도 예측 필드데이터 전처리부
300 인공신경망부
310 신경망 학습부
320 셀 전압 예측모델
330 셀 온도 예측모델
400 배터리 이상거동 검출부
410 셀 전압 이상거동 판정부
420 셀 온도 이상거동 판정부
500 제어부

Claims (11)

  1. 배터리의 이상거동을 검출하기 위한 시스템으로서,
    가동중인 배터리로부터 실시간 측정값들을 수신하고 이로부터 필드데이터를 산출하여 출력하는 필드데이터 산출부;
    상기 필드데이터로부터 셀 전압을 예측하기 위한 필드데이터를 추출하여 출력하는 필드데이터 전처리부;
    상기 필드데이터 전처리부의 출력을 입력받아 셀 전압을 예측하고 그 예측값을 출력하는 인공신경망부;
    상기 인공신경망부가 출력하는 예측값을 상기 필드데이터와 비교하여 그 편차가 소정 범위 이상인 경우 배터리 이상거동으로 판정하는 배터리 이상거동 검출부;
    를 포함하여 구성되는 배터리 이상거동 검출 시스템.
  2. 제1항에 있어서,
    상기 필드데이터 전처리부는,
    셀 온도를 예측하기 위한 필드데이터를 추가로 추출하여 출력하며,
    상기 인공신경망부는,
    상기 필드데이터 전처리부의 출력을 입력받아 셀 온도를 추가로 예측하여 그 예측값을 출력하고,
    상기 배터리 이상거동 검출부는,
    상기 인공신경망부가 출력하는 셀 전압 예측값과 필드 데이터 중의 셀 전압값을 비교하여 그 편차가 소정 범위 이상인 경우 또는 상기 인공신경망부가 출력하는 셀 온도 예측값과 필드 데이터 중의 셀 온도값을 비교하여 그 편차가 소정 범위 이상인 경우 배터리 이상거동으로 판정하는 것;
    을 특징으로 하는 배터리 이상거동 검출 시스템.
  3. 제2항에 있어서,
    상기 셀 전압을 예측하기 위한 필드데이터는,
    상기 배터리를 구성하는 각각의 배터리 셀 및 배터리 모듈에 대한 랙 전류, 대기온도, 팬 온오프 정보, 모듈 SOC, 셀 SOH, 셀 전압의 시계열 값들이며,
    상기 셀 온도를 예측하기 위한 필드데이터는,
    상기 배터리를 구성하는 각각의 배터리 셀 및 배터리 모듈에 대한 셀 온도, 대기온도, 팬 온오프 정보의 시계열 값들인 것;
    을 특징으로 하는 배터리 이상거동 검출 시스템.
  4. 제3항에 있어서,
    상기 인공신경망부는,
    상기 셀 전압을 예측하기 위한 필드데이터를 입력받아 다음 주기의 셀 전압의 예측값을 출력하고,
    상기 셀 온도를 예측하기 위한 필드데이터를 입력받아 다음 주기의 셀 온도의 예측값을 출력하는 것;
    을 특징으로 하는 배터리 이상거동 검출 시스템.
  5. 제4항에 있어서,
    상기 인공신경망부는,
    상기 필드데이터를 산출하는 배터리가 아닌 표준 배터리로부터 산출되는 상기 셀 전압을 예측하기 위한 필드데이터 대응값들을 학습데이터로 하여 학습되고, 상기 셀 전압을 예측하기 위한 필드데이터를 입력받아 다음 주기의 셀 전압의 예측값을 출력하는 셀 전압 예측모델;
    상기 필드데이터를 산출하는 배터리가 아닌 표준 배터리로부터 산출되는 상기 셀 온도를 예측하기 위한 필드데이터 대응값들을 학습데이터로 하여 학습되고, 상기 셀 전압을 예측하기 위한 필드데이터를 입력받아 다음 주기의 셀 전압의 예측값을 출력하는 셀 온도 예측모델;
    을 포함하여 구성되는 것을 특징으로 하는 배터리 이상거동 검출 시스템.
  6. 제5항에 있어서,
    상기 인공신경망부는,
    상기 배터리의 정상운전구간의 소정 기간동안의 필드데이터를 새로운 학습데이터로 추가하여 상기 셀 전압 예측모델과 셀 온도 예측모델을 재학습하여 갱신하는 신경망 학습부;
    를 추가로 구비하는 것을 특징으로 하는 배터리 이상거동 검출 시스템.
  7. 배터리 이상거동 검출방법에 있어서,
    운용중인 배터리로부터 실시간 배터리 상태정보 데이터를 측정하고 산출하는 필드데이터 산출과정;
    산출된 필드데이터로부터 셀 전압 예측을 위한 데이터를 추출하는 셀 전압 예측을 위한 필드데이터 전처리과정을 포함하는 필드데이터 전처리 과정;
    상기 셀 전압 예측을 위한 데이터를 셀 전압 예측모델에 입력하여 다음 주기의 셀 전압 예측값을 산출하는 셀 전압 예측과정을 포함하는 실시간 예측과정;
    상기 셀 전압 예측값을 상기 필드데이터의 셀 전압값과 비교하여 그 편차가 소정 범위 이상인 경우 셀 전압 이상 거동 검출 신호를 생성하는 셀 전압 이상 거동 검출과정을 포함하는 배터리 이상거동 검출과정;
    을 포함하여 구성되는 배터리 이상거동 검출방법.
  8. 제7항에 있어서,
    상기 필드데이터 전처리 과정은,
    상기 산출된 필드데이터로부터 셀 온도를 예측하기 위한 데이터를 추출하는 셀 온도 예측을 위한 필드데이터 전처리과정을 추가로 포함하고,
    상기 실시간 예측과정은,
    상기 셀 온도 예측을 위한 데이터를 셀 온도 예측모델에 입력하여 다음 주기의 셀 온도 예측값을 산출하는 셀 온도 예측과정을 추가로 포함하며,
    상기 배터리 이상거동 검출과정은,
    상기 셀 온도 예측값을 상기 필드 데이터의 셀 온도값과 비교하여 그 편차가 소정 범위 이상인 경우, 셀 온도 이상 거동 검출신호를 생성하는 셀 온도 이상거동 검출과정을 추가로 포함하는 것;
    을 특징으로 하는 배터리 이상거동 검출방법.
  9. 제8항에 있어서,
    상기 셀 전압을 예측하기 위한 데이터는,
    상기 배터리를 구성하는 각각의 배터리 셀 및 배터리 모듈에 대한 랙 전류, 대기온도, 팬 온오프 정보, 모듈 SOC, 셀 SOH, 셀 전압의 시계열 값들이며,
    상기 셀 온도를 예측하기 위한 데이터는,
    상기 배터리를 구성하는 각각의 배터리 셀 및 배터리 모듈에 대한 셀 온도, 대기온도, 팬 온오프 정보의 시계열 값들인 것;
    을 특징으로 하는 배터리 이상거동 검출 방법.
  10. 제9항에 있어서,
    상기 셀 전압 예측모델은,
    상기 필드데이터를 산출하는 운용중 배터리가 아닌 표준 배터리로부터 산출되는 상기 셀 전압을 예측하기 위한 데이터 대응값들을 학습데이터로 하여 학습되고, 상기 셀 전압을 예측하기 위한 데이터를 운용중 배터리로부터 입력받아 다음 주기의 셀 전압의 예측값을 출력하고,
    상기 셀 온도 예측모델은,
    상기 필드데이터를 산출하는 운용중 배터리가 아닌 표준 배터리로부터 산출되는 상기 셀 온도를 예측하기 위한 데이터 대응값들을 학습데이터로 하여 학습되고, 상기 셀 온도를 예측하기 위한 데이터를 운용중 배터리로부터 입력받아 다음 주기의 셀 온도의 예측값을 출력하는 것;
    을 특징으로 하는 배터리 이상거동 검출 방법.
  11. 제10항에 있어서,
    상기 필드데이터를 산출하는 운용중 배터리의 정상운전구간의 소정 기간동안의 필드데이터를 새로운 학습데이터로 추가하여 상기 셀 전압 예측모델과 셀 온도 예측모델을 재학습하여 갱신하는 예측모델 갱신과정;
    를 추가로 구비하고,
    상기 실시간 예측과정은,
    상기 셀 전압 및 셀 온도 예측을 위한 데이터를 상기 예측모델 갱신절차를 통하여 갱신된 셀 전압 예측모델 및 셀 온도 예측모델에 입력하여 다음 주기의 셀 전압 및 셀 온도 예측값을 산출하는 것;
    을 특징으로 하는 배터리 이상거동 검출 방법.
PCT/KR2023/001295 2022-03-30 2023-01-27 필드 데이터 기반 인공신경망 배터리 모델을 통한 배터리 이상 검출 방법 및 시스템 WO2023191283A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
AU2023246287A AU2023246287A1 (en) 2022-03-30 2023-01-27 Method and system for battery abnormality detection through artificial neural network battery model based on field data

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0039370 2022-03-30
KR1020220039370A KR20230140743A (ko) 2022-03-30 2022-03-30 필드 데이터 기반 인공신경망 배터리 모델을 통한 배터리 이상 검출 방법 및 시스템

Publications (1)

Publication Number Publication Date
WO2023191283A1 true WO2023191283A1 (ko) 2023-10-05

Family

ID=88203036

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/001295 WO2023191283A1 (ko) 2022-03-30 2023-01-27 필드 데이터 기반 인공신경망 배터리 모델을 통한 배터리 이상 검출 방법 및 시스템

Country Status (3)

Country Link
KR (1) KR20230140743A (ko)
AU (1) AU2023246287A1 (ko)
WO (1) WO2023191283A1 (ko)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090020448A (ko) 2007-09-13 2009-02-26 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
KR20160146032A (ko) * 2015-06-11 2016-12-21 삼성전자주식회사 배터리의 상태를 추정하는 장치 및 방법
KR20180057226A (ko) 2016-11-22 2018-05-30 김갑영 침대 프레임용 방충망 설치대
KR20190022905A (ko) * 2016-07-22 2019-03-06 이오에스 에너지 스토리지 엘엘씨 배터리 관리 시스템
JP2019168451A (ja) * 2018-03-20 2019-10-03 株式会社Ｇｓユアサ 異常要因判定装置、劣化判定装置、コンピュータプログラム、劣化判定方法及び異常要因判定方法
JP2020184516A (ja) * 2019-04-26 2020-11-12 パナソニックＩｐマネジメント株式会社 電池の安全性推定装置および電池の安全性推定方法
KR20220021973A (ko) * 2020-08-14 2022-02-23 주식회사 한국파워셀 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090020448A (ko) 2007-09-13 2009-02-26 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
KR20160146032A (ko) * 2015-06-11 2016-12-21 삼성전자주식회사 배터리의 상태를 추정하는 장치 및 방법
KR20190022905A (ko) * 2016-07-22 2019-03-06 이오에스 에너지 스토리지 엘엘씨 배터리 관리 시스템
KR20180057226A (ko) 2016-11-22 2018-05-30 김갑영 침대 프레임용 방충망 설치대
JP2019168451A (ja) * 2018-03-20 2019-10-03 株式会社Ｇｓユアサ 異常要因判定装置、劣化判定装置、コンピュータプログラム、劣化判定方法及び異常要因判定方法
JP2020184516A (ja) * 2019-04-26 2020-11-12 パナソニックＩｐマネジメント株式会社 電池の安全性推定装置および電池の安全性推定方法
KR20220021973A (ko) * 2020-08-14 2022-02-23 주식회사 한국파워셀 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치

Also Published As

Publication number Publication date
AU2023246287A1 (en) 2024-05-02
KR20230140743A (ko) 2023-10-10

Similar Documents

Publication Publication Date Title
WO2018101722A2 (ko) 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
WO2013151355A1 (ko) 고장 자가 진단 기능을 구비한 절연 저항 측정 장치 및 이를 이용한 자가 진단 방법
WO2022103185A1 (ko) 전지의 용량 측정 장치 및 방법, 및 상기 장치를 포함하는 전지 제어 시스템
WO2019050330A1 (ko) 배터리 충전 상태 추정 장치 및 방법
WO2018124571A1 (ko) 전력설비의 자산관리 방법
WO2022055080A1 (ko) 배터리의 충전상태를 추정하는 방법
WO2022211326A1 (ko) 복수의 시험 도메인에 적용되는 전이요소로 학습된 인공지능 모델을 통해 사용자의 실력을 평가하는 장치, 시스템 및 그것의 동작방법
WO2020005020A1 (ko) 배터리 관리 시스템, 그것을 포함하는 배터리팩 및 전류 측정 회로의 고장 판정 방법
WO2023068899A1 (ko) 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법
WO2020262787A1 (ko) 내부 단락 셀 검출 방법
WO2021040236A1 (ko) Ess 배터리의 상태진단 및 수명예측을 위한 장치 및 방법
WO2020262789A1 (ko) 이상 배터리 셀 검출 방법
WO2020004774A1 (ko) 배터리 관리 시스템에 포함된 회로 기판을 테스트하기 위한 장치 및 방법
WO2018199656A1 (ko) 변전소의 자산 관리 방법
WO2023191283A1 (ko) 필드 데이터 기반 인공신경망 배터리 모델을 통한 배터리 이상 검출 방법 및 시스템
WO2022146050A1 (ko) 우울증 진단을 위한 인공지능 연합학습 방법 및 시스템
WO2021230533A1 (ko) 배터리를 진단하기 위한 장치 및 그 방법
WO2021230642A1 (ko) 배터리를 진단하기 위한 장치 및 그 방법
WO2021025295A1 (ko) 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩
WO2020153625A1 (ko) 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩
WO2023224211A1 (ko) 배터리 진단 방법, 그 방법을 제공하는 배터리 진단 장치 및 배터리 시스템
WO2022030971A1 (ko) 배터리 진단 디바이스, 배터리 팩, 배터리 시스템 및 배터리 진단 방법
WO2023033480A1 (ko) 배터리 진단 시스템 및 방법
WO2022265458A1 (ko) 이차전지 저전압 불량 예측 장치 및 방법, 상기 장치를 포함하는 전지 제어 시스템
WO2023249277A1 (ko) 전기차 진단 및 예지 시스템

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: 23781143

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023781143

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2023781143

Country of ref document: EP

Effective date: 20240409

WWE Wipo information: entry into national phase

Ref document number: AU2023246287

Country of ref document: AU

ENP Entry into the national phase

Ref document number: 2023246287

Country of ref document: AU

Date of ref document: 20230127

Kind code of ref document: A