WO2024019465A1 - 배터리 내부 온도 추정을 위한 배터리 관리 장치 및 방법 - Google Patents

배터리 내부 온도 추정을 위한 배터리 관리 장치 및 방법 Download PDF

Info

Publication number
WO2024019465A1
WO2024019465A1 PCT/KR2023/010247 KR2023010247W WO2024019465A1 WO 2024019465 A1 WO2024019465 A1 WO 2024019465A1 KR 2023010247 W KR2023010247 W KR 2023010247W WO 2024019465 A1 WO2024019465 A1 WO 2024019465A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery
impedance
frequency band
internal temperature
management device
Prior art date
Application number
PCT/KR2023/010247
Other languages
English (en)
French (fr)
Inventor
신철현
Original Assignee
주식회사 배터랩
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
Priority claimed from KR1020230015464A external-priority patent/KR102604673B1/ko
Application filed by 주식회사 배터랩 filed Critical 주식회사 배터랩
Publication of WO2024019465A1 publication Critical patent/WO2024019465A1/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]
    • 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]
    • G01R31/371—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with remote indication, e.g. on external chargers
    • 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries

Definitions

  • Embodiments of the present specification relate to a method and device for estimating the internal temperature of a battery using impedance in a specific frequency band.
  • Today's batteries are designed to have high energy density, making the fire extinguishing process very difficult compared to normal situations when a fire occurs.
  • the battery overheats, such as during a runaway, the electrolyte in the cell burns and more heat is generated, causing a feedback loop that burns more electrolyte, which can result in a high amount of energy released.
  • the battery cells are sealed by the battery pack, etc., making it difficult for fire extinguishing substances to reach the fire area.
  • BMS Battery Management System
  • BMS Battery Management System
  • It calculates battery charge status, provides battery surface temperature status and usage history information, overcharge/overdischarge protection, and maintains communication with external devices. It is a device that manages battery systems such as communications to ensure optimal performance and safe use.
  • BMS Battery Management Systems
  • a battery management device for achieving the above-described problem includes an impedance measurement unit that measures impedance for each frequency band of the battery;
  • the impedance measuring unit controls to apply a signal in a set frequency band to the battery, receives a set impedance corresponding to the set frequency band from the impedance measuring unit, and inputs the set impedance into a learning model to determine the internal temperature of the battery.
  • the learning model may be created based on a data set including the set impedance and the internal temperature of the battery.
  • the learning model may be a polynomial regression model between the internal temperature of the battery and the set impedance.
  • the controller may transmit a fire risk message when the estimated internal temperature of the battery is greater than or equal to a first threshold.
  • the controller may perform a fire diagnosis when the estimated internal temperature of the battery is greater than or equal to a second threshold.
  • the controller may perform fire management when the phase change amount of the set impedance over time is greater than or equal to a third threshold.
  • a battery management method for achieving the above-described problem includes obtaining a set impedance corresponding to a set frequency band from an impedance measurement unit; and estimating the internal temperature of the battery by inputting the set impedance into a learning model, wherein the set frequency band can be determined by the correlation between the impedance for each frequency band and the state of charge (SOC). there is.
  • SOC state of charge
  • the set frequency band may be a frequency band that minimizes the correlation between the impedance for each frequency band and the state of charge.
  • the battery management method may further include transmitting a fire risk message when the estimated internal temperature of the battery is greater than or equal to a first threshold.
  • the battery management method may further include diagnosing a fire when the estimated internal temperature of the battery is greater than or equal to a second threshold.
  • the step of diagnosing a fire may include performing fire management when the amount of phase change in the set impedance over time is greater than or equal to a third threshold.
  • a method for estimating the internal temperature of a battery includes setting the internal temperature of the battery; Obtaining impedance for each frequency band of the battery corresponding to the internal temperature of the battery from an impedance measurement unit; Obtaining a state of charge (SOC) of the battery; determining a set frequency band based on a correlation between the impedance for each frequency band and the charging state; determining a set impedance corresponding to the set frequency band among the impedances for each frequency band and the set internal temperature of the battery as a data set; It may include generating a learning model that estimates the internal temperature of the battery from the set impedance using the data set.
  • SOC state of charge
  • the learning model may be a polynomial regression model between the internal temperature of the battery and the set impedance.
  • the internal temperature of the battery can be estimated and battery fire management can be performed.
  • Figure 1 is a diagram for explaining the progress of a battery fire.
  • FIG. 2 is a diagram schematically showing a management system according to an embodiment of the present invention.
  • Figure 3 is a diagram schematically showing the configuration of a battery management device according to an embodiment of the present invention.
  • Figure 4 is a flowchart showing a fire estimation operation of a battery management device according to an embodiment of the present invention.
  • Figure 5 is a flowchart showing the operation of generating a learning model of a battery management device according to an embodiment of the present invention.
  • 6A to 6D are Bode diagrams showing the first correlation between impedance and state of charge for each frequency band according to an embodiment of the present invention.
  • Figure 7 is an RMSE graph according to frequency band showing the second correlation between impedance and state of charge for each frequency band according to an embodiment of the present invention.
  • Figure 8 is an RMSE graph for frequency bands in which the correlation between impedance and state of charge for each frequency band is low according to an embodiment of the present invention.
  • Figure 9 is a diagram schematically showing a battery pack according to an embodiment of the present invention.
  • Figure 10 is a diagram schematically showing a battery module according to an embodiment of the present invention.
  • Figure 11 is a flowchart showing a fire estimation operation of a battery management device according to an embodiment of the present invention.
  • Figure 12 is a flowchart showing the operation of generating a learning model of a battery management device for each module according to an embodiment of the present invention.
  • Figures 13A to 13C are diagrams showing the correlation of impedance for each channel and frequency band of a specific module.
  • Figure 14 is a flowchart showing the operation of generating a learning model of a battery management device for each channel according to an embodiment of the present invention.
  • Figures 15A to 15C are diagrams showing the correlation of impedance for each module and frequency band of a specific channel.
  • Each logical block may represent a module, segment, or portion of code containing one or more executable instructions to execute a specific logical function. It should be noted that in one embodiment, the functions mentioned for each block may be executed differently from the order described. For example, even if two blocks are shown one after another, the functions described for each block may be performed substantially simultaneously, or may be performed in reverse order as execution conditions or environments vary. In the following examples, singular terms include plural terms unless the context clearly dictates otherwise.
  • Instructions executed through a processor of a computer or other programmable data processing equipment may create a means of performing each function described with reference to a flowchart or block diagram. Instructions can be mounted on a computer, etc., and create processes that are executed on the computer, etc. to perform a series of operation steps.
  • the term ' ⁇ part' used in this embodiment means a component that performs a specific function performed by software or hardware such as FPGA (Field Programmable Gate Array) or ASIC (Application Specific Integrated Circuit).
  • ' ⁇ part' is not limited to being performed by software or hardware.
  • the ' ⁇ part' may exist in the form of data stored in an addressable storage medium, and one or more processors may be configured to execute a specific function.
  • Software may be used to describe various components, but the components should not be limited by these terms. The above terms are used solely for the purpose of distinguishing one component from another.
  • Software may include a computer program, code, instructions, or a combination of one or more of these. , you can configure the processing units to operate as desired, or command the processing units independently or collectively.
  • Software and/or data may be used on any type of machine, component, physical device, virtual equipment, computer storage medium or device to be interpreted by or to provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave.
  • Software may be distributed over networked computer systems and stored or executed in a distributed manner.
  • Software and data may be stored on one or more computer-readable recording media.
  • the battery according to the present disclosure is not limited to a specific battery and may indicate a plurality of batteries in a single battery. Additionally, the battery according to the present disclosure will be considered a concept including a battery cell, a battery module, a battery rack, and a battery pack. Therefore, the battery management device according to the present disclosure can perform internal temperature estimation for battery cells, battery modules, battery racks, and battery packs.
  • the learning model according to the present disclosure is a model for estimating the temperature inside the battery and may be a machine learning model or a neural network model.
  • the neural network model is a representative example of an artificial neural network model that simulates brain nerves and is not specified as a specific algorithm.
  • the internal temperature of the battery according to the present disclosure refers to the internal temperature of the battery.
  • it may indicate the temperature of the internal electrolyte.
  • Figure 1 is a diagram for explaining the progress of a battery fire.
  • Battery fires according to the present disclosure may particularly refer to battery fires based on overcharging.
  • Battery aging (110) is based on chemical and mechanical factors and represents the process of reducing battery life due to the structure of the battery.
  • the structure of the cathode material changes due to chemical and mechanical causes as the battery is repeatedly used, reducing the energy density of the battery. If this process is repeated, it causes subtle changes in the graphite structure of the cathode material, reducing the lifespan of the battery.
  • Cell overcharging 120 may be caused by battery aging 110, battery state of charge (SOC) estimation error, or ripple voltage. If the battery goes through the overcharging process (120), it may be micro-short-circuited by the overcharged electrode plate or electrolyte oxidation-reduction may occur.
  • SOC battery state of charge
  • the process of increasing the internal temperature (130) causes the internal temperature of the battery to gradually increase due to a micro-short circuit due to overcharging of the battery or the oxidation-reduction process of the electrolyte.
  • the battery goes through an impedance phase change (140) process in which the battery impedance phase changes rapidly for about 2 to 10 minutes before thermal runaway (150) occurs.
  • electrolyte gas is generated due to an electrochemical reaction inside the battery, the internal pressure caused by the gas increases, venting occurs, and a thermal runaway process (150) is reached.
  • battery fire management can be performed efficiently by predicting fire using data from the internal temperature rise 130 process.
  • general sensors only measure the battery surface temperature, that is, the internal temperature of the battery, that is, the temperature of the internal electrolyte. It is difficult to measure.
  • a system for predicting a fire based on a model for estimating the internal temperature of a battery is disclosed.
  • FIG. 2 is a diagram schematically showing a management system 200 according to an embodiment of the present invention.
  • the management system 200 may include a battery management system (BMS) 210, a charge/discharge execution unit 220, and a plurality of batteries 230.
  • BMS battery management system
  • the plurality of batteries 230 are devices subject to internal temperature and fire prediction, and can be connected to the charging/discharging executing unit 220 to be charged or discharged, and can be managed by connecting to the battery management device 210.
  • the charging/discharging executing unit 220 may charge or discharge the connected battery 230 under control by the battery management device 210.
  • the battery management device 210 is a device that controls battery charging and discharging, and can perform battery state of charge (SOC) and battery status monitoring. Specifically, the battery management device 210 manages current, cell voltage, surface temperature, SOC, cell balancing, relay or FET control, and fault diagnosis of the battery 230 mounted on an ESS (Energy Storage System), electric vehicle (BEV), etc. , fire prediction, etc. can be performed.
  • SOC battery state of charge
  • ESS Electronicgy Storage System
  • BEV electric vehicle
  • fire prediction etc.
  • the battery management device 210 can estimate the internal temperature of the battery 230 and perform fire diagnosis and fire management. This battery management device 210 may perform an operation according to an embodiment of the present invention. Hereinafter, the battery management device 210 is described in detail with reference to FIG. 3.
  • the management system 200 may include a separate server (not shown).
  • the server may include a learning model, and the battery management device 210 transmits information about the impedance of the battery cell 230 to the server and receives information about the internal temperature of the battery from the server to store the battery cell 230. It can be managed.
  • FIG. 3 is a diagram schematically showing the configuration 300 of the battery management device 210 according to an embodiment of the present invention.
  • the battery management device 210 is shown as being comprised of a controller 310, a memory 320, a battery state measurement unit 330, an impedance measurement unit 340, and a communication unit 350, but it does not necessarily include this. It is not limited.
  • the controller 310, memory 320, battery state measurement unit 330, impedance measurement unit 340, and communication unit 350 may each exist as one physically independent component.
  • the memory 320 may store various data for the overall operation of the battery management device 210, such as a program for processing or controlling the controller 310 in the battery management device 210.
  • the memory 320 may store a plurality of running application programs, data for operating the battery management device 210, and commands.
  • the memory 320 may be implemented as internal memory such as ROM or RAM included in the controller 310, or may be implemented as a memory separate from the controller 310.
  • the memory 320 may store a learning model, current of the battery 230, cell voltage, surface temperature, SOC, etc.
  • the battery state measurement unit 330 can measure the voltage of the battery cell, cell balancing, and the surface temperature of the battery cell.
  • the battery state measuring unit 330 may transmit data sensing the state of the battery to the controller 310.
  • the impedance measurement unit 340 can measure the impedance of the battery for each frequency band.
  • This impedance measurement unit 340 may be implemented as a frequency perturbation unit 341, an impedance voltage measurement unit 343, and an impedance current measurement unit 345.
  • the impedance measurement unit 340 can measure the impedance of the battery using Electrical Impedance Spectroscopy (EIS), that is, electrochemical impedance spectroscopy. Specifically, the impedance measuring unit 340 applies a small sinusoidal current and voltage signal from the high frequency region to the low frequency region and measures the impedance voltage and impedance current signal within the range that does not deviate from the electrical and thermal equilibrium state of the battery. Impedance can be analyzed by measuring changes in amplitude and phase.
  • EIS Electrical Impedance Spectroscopy
  • the impedance measurement unit 340 may apply the frequency band indicated by the controller 310 to the battery 230 to analyze the impedance and transmit at least one of the impedance voltage, impedance current, and impedance to the controller 310.
  • the measurement unit can extract the necessary signals through passive and active filters for impedance voltage and current.
  • the filter function of the measurement unit can be implemented by IC, OPAMP, and RLC elements, or by MCU and RLC elements. After going through a filter, it can be delivered to the controller's analog-to-digital converter (ADC).
  • ADC analog-to-digital converter
  • the frequency perturbation unit 341 may apply a frequency signal to the battery to measure the impedance of the battery for each frequency band.
  • the frequency perturbation unit 341 may apply sinusoidal current and voltage signals related to the frequency band indicated by the controller 310.
  • the impedance voltage measuring unit 343 may measure the impedance voltage of the battery perturbed by the frequency perturbing unit 341.
  • the impedance voltage measuring unit 343 can measure the voltage applied to the battery by the signal applied by the frequency perturbing unit 341.
  • the impedance current measuring unit 345 may measure the impedance current of the battery perturbed by the frequency perturbing unit 341.
  • the impedance current measurement unit 345 can measure the current flowing in the battery by a signal applied by the frequency perturbation unit 341.
  • the communication unit 350 performs functions for transmitting and receiving signals through a network.
  • All or part of the communication unit 350 may be referred to as a transmitting unit, a receiving unit, or a transmitting/receiving unit.
  • the communication unit 350 may provide a function for the battery management device 210 and at least one other node to communicate with each other through a communication network.
  • a request signal is generated according to a program code stored in a recording device such as the memory 320 of the battery management device 210
  • the request signal is transmitted through a communication network under the control of the communication unit 350. It can be passed on to at least one other node.
  • control signals, commands, content, files, etc. provided under the control of a processor of at least one other node may be received by the battery management device 210 through the communication unit 350.
  • the communication unit 350 may transmit impedance information to a server and receive internal temperature information of the battery from the server.
  • the controller 310 may be configured to generally control the battery management device 210.
  • the controller 310 may control the battery management device 210 to perform the operations of FIGS. 4 and 5 .
  • the controller 310 may control the operation of the battery management device 210 using various programs stored in the memory 320 of the battery management device 210.
  • the controller 310 may include a CPU, RAM, ROM, and a system bus.
  • the controller 310 may be implemented with a single CPU or multiple CPUs (or DSP, SOC).
  • the controller 310 may be implemented as a digital signal processor (DSP), a microprocessor, or a time controller (TCON) that processes digital signals.
  • DSP digital signal processor
  • TCON time controller
  • CPU central processing unit
  • MCU micro controller unit
  • MPU micro processing unit
  • controller application processor
  • CP communication processor
  • the controller 310 may be implemented as a SOC (System on Chip) with a built-in processing algorithm, LSI (large scale integration). It can also be implemented in the form of an FPGA (Field Programmable Gate Array).
  • the controller 310 may estimate the state of charge (SOC) of the battery. For example, the controller 310 may estimate the state of charge of the battery based on the battery current, cell voltage, and battery surface temperature received from the battery state measurement unit 330. For example, the controller 310 can estimate the state of charge of the battery through current counting (Coulomb counting) or estimate various states of the battery using an extended Kalman filter.
  • SOC state of charge
  • the controller 310 may control the impedance measurement unit 340 to apply a signal in the frequency band to the battery.
  • the controller 310 can receive the impedance voltage and impedance current from the impedance measurement unit 340 and calculate the impedance using the digital lock in amplifier principle. Additionally, the controller 310 may receive impedance from the impedance measurement unit 340. This impedance can be expressed through real and imaginary parts, and the controller 310 can calculate the magnitude and phase of the impedance.
  • the controller 310 transmits and receives the impedance voltage and impedance current values to an external server or cloud through the communication unit 350 and calculates the impedance using the digital lock in amplifier principle in the external server and cloud.
  • the controller 310 may control the impedance measuring unit 340 to apply a signal in a set frequency band to the battery and receive the measured impedance corresponding to the set frequency band from the impedance measuring unit.
  • the set frequency band can be determined by the correlation between the impedance for each frequency band and the state of charge (SOC).
  • SOC state of charge
  • the set frequency band may indicate a frequency band that minimizes the correlation between impedance and charging state for each frequency band.
  • the set frequency band may indicate a frequency band that minimizes the correlation between impedance and charging state for each frequency band. In other words, it can indicate a frequency band in which the impedance value for each frequency band remains constant regardless of the SOC.
  • the controller 310 creates a learning model that estimates the internal temperature using the SOC and impedance corresponding to the entire frequency range, and in the process of evaluating the learning model, calculates the model performance evaluation score for each SOC between the estimated internal temperature and the actual internal temperature. By looking at , the frequency band with the minimum correlation with SOC can be set as the set frequency band.
  • Model performance evaluation can be determined by MSE (Mean Square Error), RMSE (Root Mean Square Error), R 2 score, etc. depending on the machine learning model or neural network model.
  • the controller 310 may determine the frequency band in which the average RMSE for each SOC of internal temperature is minimum as the set frequency band.
  • controller 310 may use the impedance Bode diagram for each SOC of the battery to determine the frequency band that minimizes the correlation with the SOC as the set frequency band.
  • the above controller 310 can specify frequency bands for multi-modules and multi-channels.
  • the controller 310 controls the impedance measuring unit 340 to apply a signal of a set frequency band corresponding to a specific module to the battery, and receives the measured impedance corresponding to the set frequency band from the impedance measuring unit. You can.
  • the set frequency band corresponding to a specific module may be determined by the relationship between the impedance for each frequency band and the channel.
  • the set frequency band may indicate a frequency band that minimizes the correlation between impedance and channel for each frequency band.
  • the set frequency band may indicate a frequency band that minimizes the correlation between impedance and channel for each frequency band.
  • the frequency response characteristics are similar regardless of the channel, so it is possible to indicate a frequency band in which the impedance value for each frequency band is maintained constant.
  • the controller 310 creates a learning model that estimates the internal temperature using impedances corresponding to the entire channel and frequency, and in the process of evaluating the learning model, calculates the model performance evaluation score for each channel between the estimated internal temperature and the actual internal temperature. After examining, the frequency band with the minimum correlation with the channel can be set as the set frequency band.
  • Model performance evaluation can be determined by MSE (Mean Square Error), RMSE (Root Mean Square Error), R 2 score, etc. depending on the machine learning model or neural network model.
  • the controller 310 may determine the frequency band in which the average RMSE of the internal temperature for each channel is minimum as the set frequency band.
  • controller 310 may use the impedance board diagram for each channel of the battery to determine the frequency band that minimizes correlation with the channel as the set frequency band.
  • the controller 310 controls the impedance measurement unit 340 to apply a signal of a set frequency band corresponding to a specific channel to the battery, and transmits the measurement impedance corresponding to the set frequency band from the impedance measurement unit. You can receive it.
  • the set frequency band corresponding to a specific channel may be determined by the relationship between the impedance for each frequency band and the module.
  • the set frequency band can indicate a frequency band that minimizes the correlation between the impedance for each frequency band and the module.
  • the set frequency band can indicate a frequency band that minimizes the correlation between the impedance for each frequency band and the module.
  • the frequency response characteristics are similar regardless of the module, so it is possible to indicate a frequency band in which the impedance value for each frequency band is maintained constant.
  • the controller 310 creates a learning model that estimates the internal temperature using the impedance corresponding to the module and the entire frequency range, and in the process of evaluating the learning model, the model performance evaluation score for each module is calculated between the estimated internal temperature and the actual internal temperature. By looking at , the frequency band with the minimum correlation with the module can be set as the set frequency band.
  • Model performance evaluation can be determined by MSE (Mean Square Error), RMSE (Root Mean Square Error), R 2 score, etc. depending on the machine learning model or neural network model.
  • the controller 310 may determine the frequency band in which the average RMSE of the internal temperature for each module is minimum as the set frequency band.
  • controller 310 may use the impedance board diagram for each module of the battery to determine the frequency band that minimizes correlation with the module as the set frequency band.
  • the controller 310 may estimate the internal temperature of the battery by inputting a set impedance to the learning model. The operation of creating such a learning model is explained in detail in FIGS. 5, 12, and 14.
  • the learning model is a model that estimates the internal temperature of the battery, such as the temperature of the electrolyte of the battery, from the set impedance, and may be a model based on a GPR or polynomial regression algorithm.
  • the controller 310 may control the battery management device 210 to perform fire diagnosis based on the estimated internal temperature of the battery.
  • the controller 310 may perform a warning notification about a fire risk when the internal temperature is above a first threshold.
  • the controller 310 may transmit a danger signal through the communication unit 350 when the estimated internal temperature is greater than or equal to the first threshold.
  • the controller 310 may perform fire diagnosis when the internal temperature is greater than or equal to the second threshold.
  • the controller 310 may determine that a fire is likely to occur from the battery and control the battery management device 210 to enter the fire diagnosis mode. For example, if the estimated internal temperature is greater than or equal to the second threshold, the controller 310 may reduce the monitoring cycle of the battery status measurement unit 330, reduce the SOC estimation cycle, or reduce the cooling cycle of the battery cooling system. Additionally, the controller 310 may increase the charging margin of the battery through charge/discharge control when the internal temperature is greater than or equal to the second threshold.
  • the controller 310 may control the battery management device 210 to perform battery management in a normal mode when the internal temperature is less than the first threshold.
  • the controller 310 may control the battery management device 210 to perform fire management based on the phase change amount of the set impedance. As described above, there may be a rapid change in the impedance phase before thermal runaway. For example, the controller 310 determines that the probability of a fire occurring is high when the change in the set impedance phase is greater than the third threshold and the battery management device 210 can be controlled to enter fire management mode. For example, the controller 310 can extinguish a battery fire using fire extinguishing equipment when the amount of change in the set impedance phase is greater than the third threshold. The controller 310 can extinguish a battery fire with a fire extinguishing water supply device or separate the battery with separate fire extinguishing water supply equipment.
  • the controller 310 may control the battery management device 210 to perform battery management in a normal mode when the set impedance change amount is less than the third threshold.
  • the above fire management mode may be performed independently and in parallel with the fire risk and diagnosis mode, or may be performed dependent on the fire diagnosis mode.
  • the controller 310 enters the fire hazard mode when the internal temperature is above the first threshold, enters the fire diagnosis mode when the internal temperature is above the second threshold in the fire hazard mode, and performs an impedance operation in the fire diagnosis mode. If the phase change amount of is greater than the third threshold, it can be controlled to enter the fire management mode.
  • the controller 310 may enter the normal mode when the internal temperature is less than the first threshold and may not enter the fire diagnosis mode even if the phase change in impedance in the fire management mode is greater than the third threshold. This is to perform a more reliable prediction by predicting fire based on two variables: the internal temperature of the battery and the change in the impedance phase of the battery.
  • the controller 310 may create a learning model.
  • the controller 310 may determine the set impedance corresponding to the set frequency band and the set internal temperature of the battery as a data set, and use the data set to create a learning model that estimates the internal temperature of the battery from the set impedance.
  • this learning model may be created by a separate computing device including at least one of GPU, CPU, and TPU and stored in the memory 320 or stored in a separate server.
  • Figure 4 is a flowchart showing a fire estimation operation of a battery management device according to an embodiment of the present invention.
  • the battery management device may measure the corresponding set impedance in the set frequency band from the impedance measurement unit in step S410.
  • the set frequency band and specific frequency can be determined by the learning results in FIG. 5.
  • the set frequency band can be determined by the correlation between the impedance for each frequency band and the state of charge (SOC).
  • the set frequency band may indicate a frequency band that minimizes the correlation between impedance and charging state for each frequency band.
  • the battery management device creates a learning model that estimates the internal temperature using the impedance corresponding to the SOC and the frequency band, and in the process of evaluating the learning model, calculates the model performance evaluation score for each SOC between the estimated internal temperature and the actual internal temperature. After examining, the frequency band with the minimum correlation with SOC can be set as the set frequency band.
  • Model performance evaluation can be determined by MSE (Mean Square Error), RMSE (Root Mean Square Error), R 2 score, etc. depending on the machine learning model or neural network model.
  • the battery management device may determine the frequency band in which the average RMSE of the internal temperature for each SOC is minimum as the set frequency band.
  • the battery management device can use the impedance Bode diagram for each SOC of the battery to determine the frequency band that minimizes the correlation between SOC and impedance as the set frequency band.
  • the Bode diagram can use at least one of the impedance size Bode diagram and the phase Bode diagram.
  • the battery management device may estimate the internal temperature of the battery by inputting the set impedance into the learning model in step S420.
  • the battery management device can estimate the internal temperature of the battery by inputting the phase value of the set impedance.
  • the internal temperature of such a battery may indicate the temperature of the electrolyte inside the battery.
  • a learning model according to one embodiment may be created based on a data set including a set impedance and the internal temperature of the battery.
  • the battery management device may perform a battery fire risk notification function in step S430.
  • the battery management device may transmit a fire risk notification message through the communication unit 350 when the estimated internal temperature of the battery is greater than or equal to the first threshold.
  • the battery management device may perform battery fire diagnosis in step S440.
  • the battery management device may perform a fire diagnosis when the estimated internal temperature of the battery is greater than or equal to a second threshold. That is, if the internal temperature is higher than the second threshold, the battery management device may determine that a fire is likely to occur from the battery and enter a mode for fire diagnosis. For example, when the estimated internal temperature is higher than the second threshold, the battery management device may reduce the monitoring cycle of the battery status measurement unit 330, reduce the SOC estimation cycle, or reduce the cooling cycle of the battery cooling system. Additionally, the battery management device may increase the charging margin of the battery through charge/discharge control when the internal temperature is above the second threshold. Additionally, the battery management device according to one embodiment may perform battery management in a normal mode when the internal temperature is less than the first threshold.
  • the battery management device may perform battery fire management in step S450. For example, when the phase change amount of the set impedance is greater than or equal to the third threshold, the battery management device may determine that the probability of a fire occurring is high and enter the fire management mode. The battery management device according to one embodiment may extinguish a battery fire using fire extinguishing equipment when the amount of change in set impedance is greater than or equal to a third threshold. The battery management device can extinguish a battery fire with a fire extinguishing water supply device or isolate the battery with separate fire extinguishing water supply equipment.
  • the battery management device may perform battery management in normal mode when the set impedance change amount is less than the third threshold.
  • the above fire management mode may be performed independently and in parallel with the fire risk and diagnosis mode, or may be performed dependent on the fire diagnosis mode.
  • the battery management device enters the fire risk mode when the internal temperature is above the first threshold, enters the management mode when the internal temperature is above the second threshold, and in the fire management mode, the phase change in impedance is set to the third If it is above the threshold, it can be controlled to enter fire management mode.
  • the battery management device may enter the normal mode when the internal temperature is less than the first threshold and may not enter the fire diagnosis mode even if the amount of phase change in impedance in the fire management mode is greater than or equal to the third threshold. This is to perform a more reliable prediction by predicting fire based on two variables: the internal temperature of the battery and the change in phase of the impedance of the battery.
  • Figure 5 is a flowchart showing the operation of generating a learning model of a battery management device according to an embodiment of the present invention.
  • the battery management device can set the internal temperature of the battery in step S510.
  • the battery management device can use a separate temperature chamber for the battery to set the internal temperature of the battery in a state where the temperature of the battery and the chamber are in thermal balance.
  • the battery management device may obtain the impedance for each frequency band of the battery corresponding to the internal temperature of the battery from the impedance measurement unit in step S520.
  • the battery management device can obtain impedance across frequencies from the impedance measurement unit and store the data.
  • the battery management device may obtain the state of charge (SOC) of the battery in step S530.
  • the battery management device may obtain the state of charge of the battery from the battery state measurement unit or calculate the state of charge of the battery based on the received battery current, cell voltage, and battery surface temperature. That is, the battery management device can obtain the impedance for each frequency band of the battery for each state of charge (SOC) of the battery in steps S510 and S520.
  • the battery management device may determine the set frequency band based on the correlation between the impedance for each frequency band and the state of charge in step S540.
  • the battery management device may use an impedance Bode diagram for each SOC to determine a frequency band that minimizes correlation with the SOC as a set frequency band.
  • the battery management device may determine the set impedance corresponding to the set frequency band among the impedances for each frequency band and the set internal temperature of the battery as a data set in step S550. Specifically, the battery management device may determine a data set using impedance data corresponding to a set frequency band among impedance data across frequencies as a feature and internal temperature data of the battery as a label. For example, the battery management device may determine a data set that is characterized by at least one of the real part, imaginary part, magnitude, or phase of the impedance, and uses internal temperature data as a label.
  • the battery management device may generate a learning model that estimates the internal temperature of the battery from the set impedance using the data set in step S560.
  • the learning model is a model that estimates the internal temperature of the battery from the set impedance and may be a model based on a GPR or polynomial regression algorithm.
  • the battery management device may evaluate a learning model that estimates the internal temperature of the battery from the set impedance in step S570 and determine the learning model.
  • a battery management device may generate a learning model that estimates the internal temperature of the battery from the impedance for each frequency band in step S560.
  • the battery management device can create a learning model that estimates the internal temperature using the state of charge and impedance across frequencies.
  • a battery management device may evaluate a learning model that estimates the internal temperature using the state of charge and impedance across frequencies in step S570.
  • Learning model performance evaluation can be determined by MSE (Mean Square Error), RMSE (Root Mean Square Error), R 2 score, etc. depending on the machine learning model or neural network model.
  • the battery management device can check the Root Mean Square Error (RMSE) for each SOC between the estimated internal temperature and the actual internal temperature.
  • RMSE Root Mean Square Error
  • the battery management device can proceed again to step S540 and determine the frequency band that minimizes the correlation between impedance and charging state for each frequency band as the set frequency band. For example, the battery management device may determine the frequency band with the minimum average RMSE for each state of charge (SOC) of the internal temperature as the set frequency band. By repeating this process, a set frequency band can be determined and a learning model that estimates the internal temperature of the battery can be created using the set impedance corresponding to the set frequency band.
  • SOC state of charge
  • Figures 6a to 6d are Bode diagrams showing the first correlation between the impedance phase and state of charge for each frequency band according to an embodiment of the present invention.
  • the set frequency band may indicate a frequency band that minimizes the correlation between impedance and charging state for each frequency band.
  • the battery management device can use the impedance board diagram for each state of charge (SOC) to determine the frequency band that minimizes the correlation with the state of charge (SOC) as the set frequency band.
  • SOC state of charge
  • the state of charge (SOC) is 70%
  • the first board diagram 610 of the battery is shown.
  • the second board diagram 620 regarding the impedance phase according to internal temperature and Figure 6c
  • the fourth Bode diagram 640 is shown regarding the impedance phase for each internal temperature of the battery.
  • phase change by state of charge (SOC) in the frequency domain of the sidewalk diagram you can see that the phase value by temperature appears similar in the 20hz to 1khz band regardless of the state of charge (SOC).
  • the impedance phase 611 in the first frequency band of the first Bode diagram 610, the impedance phase 621 in the first frequency band of the second Bode diagram 620, and the third Bode diagram 630 Comparing the impedance phase 631 in the first frequency band and the impedance phase 641 in the first frequency band of the fourth board diagram 640, there is a correlation with the state of charge (SOC) in the relationship between impedance and temperature. can be seen.
  • the battery management device may determine the second frequency band, which has a relatively low state of charge (SOC) correlation between impedance and temperature, as the set frequency band.
  • Figure 7 is a RMSE graph according to frequency band showing the second correlation between impedance and charging state for each frequency band according to an embodiment of the present invention
  • Figure 8 is a graph of impedance and charging for each frequency band according to an embodiment of the present invention. This is an RMSE graph according to the frequency band with low state correlation.
  • the set frequency band may indicate a frequency band that minimizes the correlation between impedance and charging state for each frequency band.
  • the battery management device may determine the frequency band with the minimum average RMSE for each state of charge (SOC) of the internal temperature as the set frequency band.
  • the battery management device creates a learning model that estimates the internal temperature using the state of charge (SOC) and impedance corresponding to the entire frequency range, and in the process of evaluating the learning model, it determines the state of charge (SOC) between the estimated internal temperature and the actual internal temperature. By looking at each RMSE, the frequency band with the minimum correlation with the state of charge (SOC) can be set as the set frequency band.
  • SOC state of charge
  • the RMSE value for each state of charge (SOC) of the internal temperature has a minimum value in the first section 710 and the second section 720. Accordingly, the battery management device may determine one of the first section 710 and the second section 720 as the set frequency band.
  • the battery management device can narrow or widen the set frequency band by repeatedly performing this process.
  • the set frequency band may be 40hz to 80hz, or the specific frequency may be 44hz.
  • Figure 9 is a diagram schematically showing a battery pack 900 according to an embodiment of the present invention.
  • Figure 9 is a battery management system for a battery pack 900 having a plurality of battery modules and a plurality of channels, including a plurality of battery modules 910, a battery management unit (BMU) 930, and a cell management unit ( It may include a Cell Monitoring Unit (CMU) (920).
  • BMU battery management unit
  • CMU Cell Monitoring Unit
  • FIG. 9 may correspond to some of the components of FIG. 2.
  • the battery module 910 may be composed of a plurality of batteries 230, and this battery module 910 will be described in detail with reference to FIG. 10.
  • the plurality of CMUs 920 and the plurality of BMUs 930 may be combined to perform at least one operation of the battery management device 210.
  • the CMU 920 can monitor and manage battery cells. The voltage, temperature, and impedance of each battery cell can be measured and the data transmitted to the BMU (930).
  • the CMU 920 manages battery modules. For example, a single CMU 920 can manage 2 to 4 to 8 battery modules 910.
  • the BMU 930 can monitor and manage the status of the entire battery system. Data can be received from each of the plurality of CMUs 920, and based on this, the state of charge (SOC) and state of health (SOH) of the entire battery pack can be estimated. Additionally, the BMU 930 can protect the battery in situations such as overcharging, overdischarging, and overheating.
  • the BMU 930 may specifically determine the set frequency band for each of the multi-modules and multi-channels or measure the set impedance value in the set frequency band to estimate the battery internal temperature.
  • FIG. 10 is a diagram schematically showing a battery module according to an embodiment of the present invention.
  • one battery module 910 may include a plurality of battery cells 1001.
  • the battery module 910 may include a plurality of battery cells 1001 connected in series and parallel.
  • a battery module 910 in which battery cells xPs 1010 are connected in parallel and battery cells xSs 1020 are connected in series can be designated as an xPxS battery module, and the series connection unit of these battery cells 1001 is It can be called a channel 1030.
  • the 2P6S battery module 910 may have a total of 6 channels. In this way, when there are a plurality of battery modules 910, it can be referred to as a multi-module, multi-channel battery system.
  • Figure 11 is a flowchart showing a fire estimation operation of a battery management device according to an embodiment of the present invention.
  • the battery management device measures the corresponding first set impedance in the first set frequency band for a specific module from the impedance measurement unit, and measures the corresponding first set impedance in the second set frequency band for a specific channel.
  • the corresponding second set impedance can be measured. For example, if the first set impedance band is 20hz, the impedance for the corresponding band can be measured, and if the second set impedance band is 100hz, the impedance for the corresponding band can be measured.
  • This first set impedance can be determined by the learning result of FIG. 12 and the second set impedance can be determined by the learning result of FIG. 14.
  • the first set frequency band can be calculated from the impedance for each channel and frequency band for each battery module.
  • the first set frequency band may be determined by the relationship between the impedance for each frequency band and the channel.
  • the battery management device creates a first learning model that estimates the internal temperature using the impedance for each channel and frequency band for each battery module, and in the process of evaluating the model, evaluates model performance for each channel between the estimated internal temperature and the actual internal temperature.
  • the frequency band that minimizes the correlation between channels and impedance can be determined as the set frequency band using an impedance Bode diagram or Nyquest plot for each channel and frequency band.
  • the Bode diagram can use at least one of the impedance size Bode diagram and the phase Bode diagram.
  • Model performance evaluation can be determined by MSE (Mean Square Error), RMSE (Root Mean Square Error), R 2 score, etc. depending on the machine learning model or neural network model.
  • the second set frequency band may be calculated from the impedance for each frequency band for each module for each battery channel.
  • the second set frequency band may be determined by the relationship between the impedance for each frequency band and the module.
  • the battery management device creates a second learning model that estimates the internal temperature using the impedance for each module and frequency band for each battery channel, and in the process of evaluating the model, evaluates model performance for each channel between the estimated internal temperature and the actual internal temperature.
  • the frequency band that minimizes the correlation between modules and impedance can be determined as the set frequency band using an impedance Bode diagram or Nyquest plot for each module and frequency band.
  • the Bode diagram can use at least one of the impedance size Bode diagram and the phase Bode diagram.
  • Model performance evaluation can be determined by MSE (Mean Square Error), RMSE (Root Mean Square Error), R 2 score, etc. depending on the machine learning model or neural network model.
  • the battery management device may input the first set impedance to the first learning model and input the second set impedance to the second learning model in step S1120 to estimate the internal temperature of the battery.
  • the internal temperature of such a battery may indicate the temperature of the electrolyte inside the battery.
  • the battery management device may use the first internal temperature estimated by the first learning model and the second internal temperature estimated by the second learning model to estimate the internal temperature by varying weights. This can be expressed as Equation 1.
  • T is the estimated internal temperature
  • T 1 is the first internal temperature
  • T 2 is the second internal temperature
  • a is the weight. That is, the battery management device has a first internal temperature
  • the battery management device measures the impedance of battery module number 8 in a battery pack consisting of 32 2P6S modules in i) the first set frequency band corresponding to battery module number 8 and inputs it into the first learning model, and ii) channel 3.
  • the impedance of channel 3 in the second set frequency band corresponding to and inputting it into the second learning model can be estimated.
  • steps S1130 to S1150 are described in detail in steps S430 to S450 of FIG. 4, and redundant description will be omitted.
  • Figure 12 is a flowchart showing the operation of generating a learning model of a battery management device for each module according to an embodiment of the present invention.
  • the battery management device can set the internal temperature of the battery in step S1210.
  • the battery management device can use a separate temperature chamber for the battery to set the internal temperature of the battery in a state where the temperature of the battery and the chamber are in thermal balance.
  • the battery management device may obtain the impedance for each channel and frequency band for each battery module from the impedance measurement unit in step S1220.
  • the battery management device may obtain the impedance across all frequencies for each channel for each battery module from the impedance measurement unit and store the data.
  • the battery management device determines the impedance for each frequency band and the correlation for each channel in step S1230.
  • a set frequency band corresponding to a specific battery module can be determined.
  • the battery management device may determine the frequency band that minimizes correlation with the channel as the set frequency band using an impedance Bode diagram or Nyquest plot for each channel.
  • a set frequency band in which all channels have similar frequency response characteristics can be determined and used to estimate the internal temperature.
  • the battery management device can identify a board diagram for the size of impedance for each frequency band with a legend for each channel of a specific battery module in the battery pack, as shown in FIG. 13A. At this time, it can be seen that the correlation between the channel and the impedance size is low in the frequency band of 2hz to 30hz.
  • the battery management device may determine a frequency band with a low correlation between the channel and the impedance size as a set frequency band corresponding to a specific battery module.
  • the battery management device can identify a Bode diagram for the phase of impedance for each frequency band with a legend for each channel of a specific battery module in the battery pack. At this time, it can be seen that the correlation between the channel and the impedance phase is low in the frequency band of 2 to 30 hz.
  • the battery management device may determine a frequency band with a low correlation between the channel and the impedance phase as a set frequency band corresponding to a specific battery module.
  • the battery management device can identify a Nyquest plot for the phase of impedance for each frequency band with a legend for each channel of a specific battery module in the battery pack, as shown in FIG. 13C. At this time, it can be seen that the correlation between the channel and impedance is low in the frequency band of 2hz to 30hz.
  • the battery management device may determine a frequency band with a low correlation between channels and impedance as a set frequency band corresponding to a specific battery module.
  • the battery management device may determine the set impedance corresponding to the set frequency band among the impedances for each frequency band and the set internal temperature of the battery as a data set in step S1240. Specifically, the battery management device may determine a data set using impedance data corresponding to a set frequency band among impedance data across frequencies as a feature and internal temperature data of the battery as a label. For example, the battery management device may determine a data set that is characterized by at least one of the real part, imaginary part, magnitude, or phase of the impedance, and uses internal temperature data as a label.
  • the battery management device may generate a learning model that estimates the internal temperature of the battery from the set impedance using a data set in step S1250.
  • the learning model is a model that estimates the internal temperature of the battery from the set impedance corresponding to a specific battery module and may be a model based on a GPR or polynomial regression algorithm.
  • the battery management device may evaluate a learning model that estimates the internal temperature of the battery from the set impedance and determine the learning model in step S1260.
  • a battery management device may generate a learning model that estimates the internal temperature of the battery from the impedance for each frequency band in step S1250.
  • the battery management device can create a learning model that estimates the internal temperature using impedance across channels and frequencies.
  • a battery management device may evaluate a learning model that estimates the internal temperature using impedance across channels and frequencies in step S1260.
  • Model performance evaluation can be determined by MSE (Mean Square Error), RMSE (Root Mean Square Error), R 2 score, etc. depending on the machine learning model or neural network model.
  • the battery management device can check the Root Mean Square Error (RMSE) for each channel between the estimated internal temperature and the actual internal temperature.
  • RMSE Root Mean Square Error
  • the battery management device can proceed again to step S1230 and determine the frequency band that minimizes the correlation between the impedance for each frequency band and the channel as the set frequency band. For example, the battery management device may determine the frequency band in which the average RMSE of the internal temperature for each channel is minimum as the set frequency band. By repeating this process, a set frequency band can be determined and a learning model that estimates the internal temperature of the battery can be created using the set impedance corresponding to the set frequency band.
  • Figure 14 is a flowchart showing the operation of generating a learning model of a battery management device for each channel according to an embodiment of the present invention.
  • the battery management device can set the internal temperature of the battery in step S1410.
  • the battery management device can use a separate temperature chamber for the battery to set the internal temperature of the battery in a state where the temperature of the battery and the chamber are in thermal balance.
  • the battery management device may obtain the impedance for each module and frequency band for each channel from the impedance measurement unit in step S1420.
  • the battery management device may obtain the impedance for the entire frequency range for each module for each channel from the impedance measurement unit and store the data.
  • the battery management device may determine a set frequency band corresponding to a specific channel based on the impedance for each frequency band and the correlation for each module in step S1430.
  • the battery management device may determine the frequency band that minimizes correlation with the module as the set frequency band using an impedance Bode diagram or Nyquest plot for each module.
  • a set frequency band in which all modules have similar frequency response characteristics can be determined and used to estimate the internal temperature.
  • the battery management device can identify a board diagram for the size of impedance for each frequency band with a legend for each module of a specific channel in the battery pack, as shown in FIG. 15A. At this time, it can be seen that the correlation between the module and the impedance size is low in the frequency band of 100hz to 350hz.
  • the battery management device may determine a set frequency band that corresponds to a specific channel in a frequency band with a low correlation between the module and the impedance size.
  • the battery management device can identify a Bode diagram for the phase of impedance for each frequency band with a legend for each module of a specific channel in the battery pack. At this time, it can be seen that the correlation between the module and the impedance phase is low in the frequency band of 100hz to 350hz.
  • the battery management device may determine a set frequency band corresponding to a specific channel in a frequency band with low correlation between the module and impedance.
  • the battery management device can identify a Nyquest plot for the phase of impedance for each frequency band with a legend for each module of a specific channel in the battery pack, as shown in FIG. 15C. At this time, it can be seen that the correlation between the module and impedance is low in the frequency band of 100hz to 350hz.
  • the battery management device may determine a set frequency band corresponding to a specific channel in a frequency band with low correlation between the module and impedance.
  • the battery management device may determine the set impedance corresponding to the set frequency band among the impedances for each frequency band and the set internal temperature of the battery as a data set in step S1440. Specifically, the battery management device may determine a data set using impedance data corresponding to a set frequency band among impedance data across frequencies as a feature and internal temperature data of the battery as a label. For example, the battery management device may determine a data set that is characterized by at least one of the real part, imaginary part, magnitude, or phase of the impedance, and uses internal temperature data as a label.
  • the battery management device may generate a learning model that estimates the internal temperature of the battery from the set impedance using the data set in step S1450.
  • the learning model is a model that estimates the internal temperature of the battery from the set impedance corresponding to a specific channel and may be a model based on a GPR or polynomial regression algorithm.
  • the battery management device may evaluate a learning model that estimates the internal temperature of the battery from the set impedance and determine the learning model in step S1460.
  • a battery management device may generate a learning model that estimates the internal temperature of the battery from the impedance for each frequency band in step S1450.
  • the battery management device can create a learning model that estimates the internal temperature using impedance across modules and frequencies.
  • a battery management device may evaluate a learning model that estimates the internal temperature using impedance across modules and frequencies in step S1460.
  • Model performance evaluation can be determined by MSE (Mean Square Error), RMSE (Root Mean Square Error), R 2 score, etc. depending on the machine learning model or neural network model.
  • the battery management device can check the RMSE (Root Mean Square Error) for each module between the estimated internal temperature and the actual internal temperature.
  • the battery management device can proceed again to step S1430 and determine the frequency band that minimizes the correlation between the impedance for each frequency band and the module as the set frequency band. For example, the battery management device may determine the frequency band in which the average RMSE of each module of the internal temperature is minimum as the set frequency band. By repeating this process, a set frequency band can be determined and a learning model that estimates the internal temperature of the battery can be created using the set impedance corresponding to the set frequency band.
  • the battery management device may estimate the internal temperature of the battery in the above embodiments. Additionally, the battery management device can perform fire prediction, diagnosis, and management by estimating the internal temperature of the battery.
  • impedance may be measured and internal temperature may be estimated based on the set frequency band corresponding to a specific module and the set frequency band determined by the correlation between the SOC.
  • impedance may be measured and internal temperature may be estimated based on the set frequency band corresponding to a specific channel and the set frequency band determined by the correlation between the SOC.
  • the learning model according to the present invention may be generated by a separate computing device including at least one of GPU, CPU, and TPU and stored in the memory of the battery management device, or may be stored in a separate server and provided through communication.

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Power Engineering (AREA)
  • Secondary Cells (AREA)

Abstract

본 명세서의 실시예들은 특정 주파수 대역의 임피던스를 이용하여 배터리의 내부 온도를 추정하는 방법 및 장치에 관한 것이다. 본 명세서의 일 실시예에 따른 배터리 관리 장치는, 배터리의 주파수 대역별 임피던스를 측정하는 임피던스 측정부; 상기 임피던스 측정부가 설정 주파수 대역의 신호를 상기 배터리에 인가하도록 제어하고, 상기 임피던스 측정부로부터 상기 설정 주파수 대역에 대응하는 설정 임피던스를 전달 받고, 학습 모델에 상기 설정 임피던스를 입력하여 상기 배터리의 내부 온도를 추정하는 컨트롤러를 포함하며, 상기 설정 주파수 대역은 상기 주파수 대역별 임피던스와 충전 상태(SOC, State of Charge)의 상관관계에 의해 결정될 수 있다.

Description

배터리 내부 온도 추정을 위한 배터리 관리 장치 및 방법
본 명세서의 실시예들은 특정 주파수 대역의 임피던스를 이용하여 배터리의 내부 온도를 추정하는 방법 및 장치에 관한 것이다.
오늘날 배터리는 에너지 밀집도가 높게 설계되어 화재 발생시 일반적인 상황에 비해 화재 진화 과정이 매우 까다롭다. 먼저 폭주와 같이 배터리가 과열되면 셀의 전해질이 연소되고 더 많은 열이 발생하여 더 많은 전해질 연소시키는 피드백 루프에 의해 방출되는 에너지의 양이 높을 수 있다. 또한 진화 과정에서 배터리 셀은 배터리 팩 등에 의해 밀봉되어 있어 화재 영역까지 소화 물질이 도달하기가 까다롭다.
따라서 배터리의 경우 배터리 상태를 지속적으로 모니터링하여 사전에 화재 발생 가능성을 예측하는 것이 중요하다. 이에 BMS(Battery Management System)란 배터리 셀, 모듈, 랙 또는 배터리 팩을 유지 관리하는 전자적 시스템으로, 배터리 충전상태 연산, 배터리 표면온도상태 및 사용 이력 정보제공, 과충전/과방전 보호, 외부기기와의 통신 등 배터리 시스템이 최적의 성능을 발휘하면서 안전하게 사용될 수 있도록 관리하는 장치다.
이러한 BMS는 소형 배터리 제품에서부터, 자동차, ESS 등의 대형 배터리 제품에 이르기까지 다양한 영역에서 사용되고 있다.
전술한 배경 기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 기술이라 할 수 없다.
본 명세서에 기재된 다양한 실시예들은 상술한 문제점을 해결하기 위하여 제안된 것으로 배터리 내부 온도를 추정하는 방법 및 장치를 제공한다.
상술한 과제를 달성하기 위한 본 명세서의 일 실시예에 따른 배터리 관리 장치는, 배터리의 주파수 대역별 임피던스를 측정하는 임피던스 측정부; 상기 임피던스 측정부가 설정 주파수 대역의 신호를 상기 배터리에 인가하도록 제어하고, 상기 임피던스 측정부로부터 상기 설정 주파수 대역에 대응하는 설정 임피던스를 전달 받고, 학습 모델에 상기 설정 임피던스를 입력하여 상기 배터리의 내부 온도를 추정하는 컨트롤러를 포함하며, 상기 설정 주파수 대역은 상기 주파수 대역별 임피던스와 충전 상태(SOC, State of Charge)의 상관관계에 의해 결정될 수 있다.
상기 학습 모델은, 상기 설정 임피던스 및 상기 배터리의 상기 내부 온도를 포함하는 데이터 세트에 기초하여 생성될 수 있다.
상기 학습 모델은, 상기 배터리의 상기 내부 온도와 상기 설정 임피던스 사이의 다항 회귀 모델일 수 있다.
상기 컨트롤러는, 추정된 상기 배터리의 상기 내부 온도가 제1 임계값 이상인 경우, 화재 위험 메시지를 전송할 수 있다.
상기 컨트롤러는, 추정된 상기 배터리의 상기 내부 온도가 제2 임계값 이상인 경우, 화재 진단을 할 수 있다.
상기 컨트롤러는, 시간에 따른 상기 설정 임피던스의 위상 변화량이 제3 임계값 이상인 경우, 화재 관리를 할 수 있다.
상술한 과제를 달성하기 위한 본 명세서의 일 실시예에 따른 배터리 관리 방법은 임피던스 측정부로부터 설정 주파수 대역에 대응하는 설정 임피던스를 획득하는 단계; 및 학습 모델에 상기 설정 임피던스를 입력하여 상기 배터리의 내부 온도를 추정하는 단계를 포함하고, 상기 설정 주파수 대역은 상기 주파수 대역별 임피던스와 충전 상태(SOC, State of Charge)의 상관관계에 의해 결정될 수 있다.
상기 설정 주파수 대역은 상기 주파수 대역별 임피던스와 상기 충전 상태의 상관관계를 최소화 하는 주파수 대역일 수 있다.
일 실시예에 따른 배터리 관리 방법은 추정된 상기 배터리의 상기 내부 온도가 제1 임계값 이상인 경우, 화재 위험을 메시지를 전송하는 단계를 더 포함할 수 있다.
일 실시예에 따른 배터리 관리 방법은 추정된 상기 배터리의 상기 내부 온도가 제2 임계값 이상인 경우, 화재 진단을 하는 단계를 더 포함할 수 있다.
상기 화재 진단을 하는 단계는, 시간에 따른 상기 설정 임피던스의 위상 변화량이 제3 임계값 이상인 경우, 화재 관리를 하는 단계를 포함할 수 있다.
상술한 과제를 달성하기 위한 본 명세서의 일 실시 예에 따른 배터리의 내부 온도를 추정하기 위한 방법은, 배터리 내부 온도를 설정하는 단계; 임피던스 측정부로부터 상기 배터리 내부 온도에 대응하는 상기 배터리의 주파수 대역별 임피던스를 획득하는 단계; 상기 배터리의 충전 상태(SOC, State of Charge)를 획득하는 단계; 상기 주파수 대역별 임피던스와 상기 충전 상태 사이의 상관관계에 기초하여 설정 주파수 대역을 결정하는 단계; 상기 주파수 대역별 임피던스 중 상기 설정 주파수 대역에 대응하는 설정 임피던스 및 설정된 상기 배터리의 상기 내부 온도를 데이터 세트로 결정하는 단계; 상기 데이터 세트를 이용하여 상기 설정 임피던스으로부터 상기 배터리의 상기 내부 온도를 추정하는 학습 모델을 생성하는 단계를 포함할 수 있다.
상기 학습 모델은, 상기 배터리의 상기 내부 온도와 상기 설정 임피던스 사이의 다항 회귀 모델일 수 있다.
본 발명의 일 실시예에 따르면 배터리의 내부 온도를 추정하고 배터리 화재 관리를 수행할 수 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않는다.
도 1은 배터리 화재의 진행 과정을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 관리 시스템을 개략적으로 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 배터리 관리 장치의 구성을 개략적으로 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 배터리 관리 장치의 화재 추정 동작을 나타내는 순서도이다.
도 5는 본 발명의 일 실시예에 따른 배터리 관리 장치의 학습 모델을 생성하는 동작을 나타내는 순서도이다.
도 6a 내지 도 6d는 본 발명의 일 실시예에 따른 주파수 대역별 임피던스와 충전 상태의 제1 상관관계를 나타내는 보드선도이다.
도 7은 본 발명의 일 실시예에 따른 주파수 대역별 임피던스와 충전 상태의 제2 상관관계를 나타내는 주파수 대역에 따른 RMSE 그래프이다.
도 8은 본 발명의 일 실시예에 따른 주파수 대역별 임피던스와 충전 상태의 상관관계가 낮은 주파수 대역에 따른 RMSE 그래프이다.
도 9는 본 발명의 일 실시예에 따른 배터리 팩을 개략적으로 도시한 도면이다.
도 10은 본 발명의 일 실시예에 따른 배터리 모듈을 개략적으로 도시한 도면이다.
도 11는 본 발명의 일 실시예에 따른 배터리 관리 장치의 화재 추정 동작을 나타내는 순서도이다.
도 12는 본 발명의 일 실시예에 따른 모듈 각각에 대한 배터리 관리 장치의 학습 모델을 생성하는 동작을 나타내는 순서도이다.
도 13a 내지 도 13c는 특정 모듈의 채널별 주파수 대역별 임피던스의 상관관계를 나타내는 도면이다.
도 14는 본 발명의 일 실시예에 따른 채널 각각에 대한 배터리 관리 장치의 학습 모델을 생성하는 동작을 나타내는 순서도이다.
도 15a 내지 도 15c는 특정 채널의 모듈별 주파수 대역별 임피던스의 상관관계를 나타내는 도면이다.
본 발명은 다양하게 변형될 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
각 논리 블록은 특정 논리적 기능을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 일 실시예에서는 각 블록에 대해 언급된 기능들이 기재된 순서와 다르게 실행되는 것도 가능하다는 것에 주목해야 한다. 예를 들면, 두 개의 블록들이 잇달아 도시되더라도, 각 블록들에 대해 기재된 기능들은 실질적으로 동시에 수행될 수도 있고, 실행 조건 또는 환경이 달라짐에 따라 역순으로 수행될 수도 있다. 이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다.
이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 본 명세서에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징 또는 구성요소가 부가될 가능성을 배제하는 것은 아니다.
컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 실행되는 인스트럭션들은 흐름도 또는 블록도를 참조로 설명되는 각 기능을 수행하는 수단을 생성할 수 있다. 인스트럭션들은 컴퓨터 등 상에 탑재되어, 일련의 동작 단계들을 수행하기 위해 컴퓨터 등에서 실행되는 프로세스들을 생성할 수 있다.
이때, 본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(Field Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어에 의해 수행되는 특정 기능을 수행하는 구성요소를 의미한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 의해 수행되는 것으로 한정되지 않는다. '~부'는 어드레싱할 수 있는 저장 매체에 저장된 데이터 형태로 존재할 수도 있고, 하나 또는 그 이상의 프로세서들이 특정 기능을 실행하도록 구성될 수도 있다.
도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다. 또한, 본 개시에서, 특정 조건의 만족(satisfied), 충족(fulfilled) 여부를 판단하기 위해, 초과 또는 미만의 표현이 사용되었으나, 이는 일 예를 표현하기 위한 기재일 뿐 이상 또는 이하의 기재를 배제하는 것이 아니다. '이상'으로 기재된 조건은 '초과', '이하'로 기재된 조건은 '미만', '이상 및 미만'으로 기재된 조건은 '초과 및 이하'로 대체될 수 있다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
본 개시에 따른 배터리란 특정 배터리에 제한되지 않으며 단일 배터리에서 복수개의 배터리를 지시할 수 있다. 또한 본 개시에 따른 배터리는 배터리 셀, 배터리 모듈, 배터리 랙, 배터리 팩을 포함하는 개념이라 할 것이다. 따라서 본 개시에 따른 배터리 관리 장치는 배터리 셀, 배터리 모듈, 배터리 랙 및 배터리 팩에 대해서 내부 온도 추정을 수행할 수 있다.
본 개시에 따른 학습 모델이란 배터리 내부의 온도를 추정하기 위한 모델로서, 기계학습 모델 또는 신경망 모델일 수 있다. 이때 신경망 모델의 경우 뇌 신경을 모사한 인공신경망 모델의 대표적인 예시로서 어느 알고리즘으로 특정되는 것은 아니다.
본 개시에 따른 배터리 내부 온도란 배터리의 내부 온도로서 예컨대 리튬 이온 배터리의 경우 내부 전해액의 온도를 지시할 수 있다.
도 1은 배터리 화재의 진행 과정을 설명하기 위한 도면이다.
도 1을 참고하면 일반적인 배터리의 화재의 진행 과정이 도시된다. 화재의 진행 과정은 크게 배터리 노화(110), 셀 과충전(120), 내부 온도 상승(130), 임피던스 위상 변화(140) 및 열폭주(150)의 과정을 거치게 된다. 본 개시에 따른 배터리 화재는 특히 과충전에 근거한 배터리 화재를 지시할 수 있다.
배터리 노화(110)란 화학적·기계적 요인에 근거한 것으로서 배터리의 구조에 의해 배터리 수명이 줄어드는 과정을 나타낸다. 예컨대 리튬 이온 배터리의 경우 배터리를 반복적으로 사용하면서 화학적·기계적원인에 의해 음극 소재의 구조가 변해 배터리의 에너지밀도가 감소된다. 이 과정이 반복되면 음극 소재의 흑연 구조에 미세한 변화를 일으키면서 배터리의 수명이 감소한다.
셀 과충전(120)은 배터리 노화(110), 배터리의 충전 상태(SOC, State of Charge)추정 오류 또는 리플 전압에 의해 발생될 수 있다. 배터리가 과충전(120) 과정을 거치면 과충전된 극판에 의해 마이크로 단락되거나 전해액 산화환원 될 수 있다.
내부 온도 상승(130) 과정은 배터리의 과충전에 따른 마이크로 단락되거나 전해액의 산화환원과정에 의해 배터리의 내부 온도가 서서히 증가하게 된다.
이후 열폭주(150)가 발생하기 이전 약 2~10분 사이에 배터리 임피던스 위상이 급격한 변화를 가지는 임피던스 위상 변화(140) 과정을 거친다.
이후 배터리 내부에서 전기적 화학적 반응에 의해 전해질의 가스가 발생하고 가스에 의한 내부 압력이 높아지다 벤팅(venting)이 발생한 뒤 열폭주(150) 과정에 도달하게 된다.
이러한 과정에서 내부 온도 상승(130) 과정에서의 데이터를 이용하여 화재를 예측하면 효율적으로 배터리 화재 관리를 수행할 수 있으나, 일반적인 센서로는 배터리 표면 온도를 측정할 뿐 배터리 내부 온도 즉 내부 전해액의 온도를 측정하는 것은 어려움이 있다.
이하 본 발명의 일 실시예에 따르면 배터리의 내부 온도를 추정하는 모델에 기초하여 화재를 예측하는 시스템을 개시한다.
도 2는 본 발명의 일 실시예에 따른 관리 시스템(200)을 개략적으로 도시한 도면이다.
도 2를 참고하면 관리 시스템(200)은 배터리 관리 장치(BMS, Battery Management System)(210), 충방전 실행부(220) 및 복수개의 배터리(230)을 포함할 수 있다.
복수개의 배터리(230)은 내부 온도 및 화재 예측의 대상이 되는 장치로서 충방전 실행부(220)와 연결되어 충전되거나 방전될 수 있으며, 배터리 관리 장치(210)와 연결되어 관리될 수 있다.
충방전 실행부(220)는 배터리 관리 장치(210)에 의해 제어되어 연결되어 있는 배터리(230)에 대해 충전 또는 방전을 수행할 수 있다.
배터리 관리 장치(210)는 배터리 충방전을 제어하는 장치로서, 배터리 충전상태(SOC), 배터리 상태 모니터링 등을 수행할 수 있다. 구체적으로 배터리 관리 장치(210)는 ESS(Energy Storage System), 전기자동차(BEV) 등 에 탑재된 배터리(230)의 전류, 셀 전압, 표면온도, SOC, 셀 밸런싱, 릴레이 또는 FET 제어, 고장진단, 화재 예측 등을 수행할 수 있다.
본 발명의 일 실시예에 따른 배터리 관리 장치(210)는 배터리(230)의 내부 온도를 추정하고 화재 진단 및 화재 관리를 수행할 수 있다. 이러한 배터리 관리 장치(210)는 본 발명의 일 실시예에 따른 동작을 수행할 수 있다. 이하 배터리 관리 장치(210)는 도 3에 의해 상세하게 설명된다.
본 발명의 일 실시 예에 따른 관리 시스템(200)은 별도의 서버(미도시)를 포함할 수 있다. 예컨대 서버는 학습 모델을 포함할 수 있고, 배터리 관리 장치(210)는 서버로 배터리 셀(230)의 임피던스에 관한 정보를 송신하고 서버로부터 배터리 내부 온도에 관한 정보를 수신하여 배터리 셀(230)을 관리할 수 있다.
도 3은 본 발명의 일 실시예에 따른 배터리 관리 장치(210)의 구성(300)을 개략적으로 도시한 도면이다.
도 3을 참고하면 배터리 관리 장치(210)는 컨트롤러(310), 메모리(320), 배터리 상태 측정부(330), 임피던스 측정부(340) 및 통신부(350)에 의해 구성되는 것으로 도시하였으나 반드시 이에 한정되는 것이 아니다. 예컨대 컨트롤러(310), 메모리(320), 배터리 상태 측정부(330), 임피던스 측정부(340) 및 통신부(350)는 각각 물리적으로 독립한 하나의 구성부로서 존재할 수 있다.
메모리(320)는 배터리 관리 장치(210)에서 컨트롤러(310)의 처리 또는 제어를 위한 프로그램 등 배터리 관리 장치(210) 전반의 동작을 위한 다양한 데이터를 저장할 수 있다. 메모리(320)는 구동되는 다수의 응용 프로그램(Application program), 배터리 관리 장치(210)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 메모리(320)는 컨트롤러(310)에 포함된 롬(ROM), 램(RAM)등의 내부 메모리로 구현되거나 컨트롤러(310)와 별도의 메모리로 구현될 수 있다.
일 실시예에 따른 메모리(320)는 학습 모델, 배터리(230)의 전류, 셀 전압, 표면 온도, SOC 등을 저장할 수 있다.
배터리 상태 측정부(330)는 배터리 셀의 전압, 셀 밸런싱 및 배터리 셀의 표면 온도를 측정할 수 있다. 배터리 상태 측정부(330)는 배터리의 상태를 센싱한 데이터를 컨트롤러(310)로 전달할 수 있다.
임피던스 측정부(340)는 배터리의 주파수 대역별 임피던스를 측정할 수 있다. 이러한 임피던스 측정부(340)는 주파수 섭동부(341), 임피던스 전압 측정부(343) 및 임피던스 전류 측정부(345)로 구현될 수 있다. 임피던스 측정부(340)는 EIS(Electrical Impedance Spectroscopy) 즉 전기화학 임피던스 분광법을 이용하여 배터리의 임피던스를 측정할 수 있다. 구체적으로 임피던스 측정부(340)는 고주파수 영역에서 저주파수 영역까지 미소한 정현 파 전류 및 전압 신호를 인가해 배터리의 전기적 평형 상태와 열적 평형 상태를 벗어나지 않는 범위에서 응답된 임피던스 전압 및 임피던스 전류 신호를 통해 진폭과 위상의 변화를 측정하여 임피던스를 분석할 수 있다. 임피던스 측정부(340)는 컨트롤러(310)에 의해 지시되는 주파수 대역을 배터리(230)에 인가하여 임피던스를 분석하고 컨트롤러(310)에 임피던스 전압, 임피던스 전류 및 임피던스 중 적어도 하나를 전달할 수 있다. 측정부는 임피던스 전압 및 전류에 대한 수동 및 능동필터를 통해 필요한 신호를 추출 해 낼 수 있다. 측정부의 필터기능은 IC, OPAMP 및 RLC소자에 의해 구성되거나 MCU와 RLC소자에 의해 구현될 수 있다. 필터를 거친 후 컨터롤러의 아날로그디지털컨버터(ADC)에 전달될 수 있다.
주파수 섭동부(341)는 배터리의 주파수 대역별 임피던스를 측정하기 위해 배터리에 주파수 신호를 인가할 수 있다. 주파수 섭동부(341)는 컨트롤러(310)에 의해 지시 받은 주파수 대역에 관한 정현 파 전류 및 전압 신호를 인가할 수 있다.
임피던스 전압 측정부(343)는 주파수 섭동부(341)에 의해 섭동된 배터리의 임피던스 전압을 측정할 수 있다. 임피던스 전압 측정부(343)는 주파수 섭동부(341)에 의해 인가되는 신호에 의해 배터리에 걸리는 전압을 측정할 수 있다.
임피던스 전류 측정부(345)는 주파수 섭동부(341)에 의해 섭동된 배터리의 임피던스 전류을 측정할 수 있다. 임피던스 전류 측정부(345)는 주파수 섭동부(341)에 의해 인가되는 신호에 의해 배터리에 흐르는 전류를 측정할 수 있다.
통신부(350)는 네트워크를 통해 신호를 송수신하기 위한 기능들을 수행한다.
통신부(350)의 전부 또는 일부는 송신부, 수신부, 송수신부로 지칭될 수 있다. 통신부(350)는 통신망을 통해 배터리 관리 장치(210)와 적어도 하나의 다른 노드가 서로 통신하기 위한 기능을 제공할 수 있다. 본 개시의 일 실시예에 따르면 배터리 관리 장치(210)의 메모리(320)와 같은 기록 장치에 저장된 프로그램 코드에 따라 요청 신호를 생성한 경우, 요청 신호는 통신부(350)의 제어에 따라 통신망을 통해 적어도 하나의 다른 노드로 전달될 수 있다. 역으로, 적어도 하나의 다른 노드의 프로세서의 제어에 따라 제공되는 제어 신호나 명령, 콘텐츠, 파일 등이 통신부(350)를 통해 배터리 관리 장치(210)로 수신될 수 있다. 일 실시예에 따른 통신부(350)는 임피던스 정보를 서버로 전송하고 서버로부터 배터리의 내부 온도 정보를 수신할 수 있다.
컨트롤러(310)는 배터리 관리 장치(210)를 전반적으로 제어하기 위한 구성일 수 있다. 예컨대 컨트롤러(310)는 도 4 및 도 5의 동작을 수행하도록 배터리 관리 장치(210)를 제어할 수 있다.
구체적으로 컨트롤러(310)는 배터리 관리 장치(210)의 메모리(320)에 저장된 각종 프로그램을 이용하여 배터리 관리 장치(210)의 동작을 제어할 수 있다. 컨트롤러(310)는 CPU, 램(RAM), 롬(ROM), 시스템 버스 등을 포함할 수 있다. 컨트롤러(310)는 단일 CPU 또는 복수의 CPU(또는 DSP, SOC)로 구현될 수 있다. 일 실시예로, 컨트롤러(310)는 디지털 신호를 처리하는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로프로세서(microprocessor), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 컨트롤러(310)는 프로세싱 알고리즘이 내장된 SOC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, FPGA(Field Programmable gate array)형태로 구현될 수도 있다.
일 실시예에 따른 컨트롤러(310)는 배터리의 충전 상태(SOC, State of Charge)를 추정할 수 있다. 예컨대 컨트롤러(310)는 배터리 상태 측정부(330)로부터 전달받은 배터리 전류, 셀의 전압 및 배터리의 표면 온도에 근거하여 배터리의 충전 상태를 추정할 수 있다. 예컨대 컨트롤러(310)는 전류적산법(Coulomb count- ing)을 통해서 배터리의 충전상태를 추정하거나 확장 칼만 필터를 사용하여 배터리의 다양한 상태를 추정할 수 있다.
일 실시예에 따른 컨트롤러(310)는 임피던스 측정부(340)가 주파수 대역의 신호를 배터리에 인가하도록 제어할 수 있다. 컨트롤러(310)는 임피던스 측정부(340)로부터 임피던스 전압 및 임피던스 전류를 전달받아 디지탈락인앰프(Digital Lock In Amplifier)원리로 임피던스를 산출할 수 있다. 또한 컨트롤러(310)는 임피던스 측정부(340)로부터 임피던스를 전달받을 수도 있다. 이러한 임피던스는 실수부와 허수부를 통해 나타낼 수 있고 컨트롤러(310)는 임피던스의 크기와 위상을 계산할 수 있다. 그리고 컨트롤러(310)은 임피던스 전압 및 임피던스 전류값을 통신부(350)를 통해 외부 서버 또는 클라우드와 송수신하여 외부 서버 및 클라우드에서 디지탈락인앰프(Digital Lock In Amplifier)원리로 임피던스를 산출할 수 있다.
일 실시예에 따른 컨트롤러(310)는 임피던스 측정부(340)가 설정 주파수 대역의 신호를 배터리에 인가하도록 제어하고, 임피던스 측정부로부터 설정 주파수 대역에 대응하는 측정 임피던스를 전달 받을 수 있다. 이때 설정 주파수 대역은 주파수 대역별 임피던스와 충전 상태(SOC, State of Charge)의 상관관계에 의해 결정될 수 있다. 구체적으로 설정 주파수 대역은 주파수 대역별 임피던스와 충전 상태의 상관관계를 최소화 하는 주파수 대역을 지시할 수 있다.
설정 주파수 대역이란 주파수 대역별 임피던스와 충전 상태의 상관관계를 최소화 하는 주파수 대역을 지시할 수 있다. 다시말해 SOC에 관계없이 주파수 대역별 임피던스 값이 일정하게 유지되는 주파수 대역을 지시할 수 있다. 예컨대 컨트롤러(310)는 SOC와 주파수 전역에 대응하는 임피던스를 이용하여 내부 온도를 추정하는 학습 모델을 생성하고, 학습 모델을 평가하는 과정에서 추정 내부 온도와 실제 내부 온도와의 SOC별 모델성능평가 점수를 살피고, SOC와의 상관 관계가 최소인 주파수 대역을 설정 주파수 대역으로 할 수 있다. 모델성능평가는 기계학습모델이나 신경망모델에 따라 MSE(Mean Square Error), RMSE(Root Mean Square Error) , R2 스코어 등으로 정할 수 있다. 예컨대 컨트롤러(310)는 내부 온도의 SOC별 RMSE의 평균이 최소인 주파수 대역을 설정 주파수 대역으로 결정할 수 있다.
또한 컨트롤러(310)는 배터리의 SOC별 임피던스 보드선도를 이용하여 SOC와 상관관계를 최소화하는 주파수 대역을 설정 주파수 대역으로 결정할 수 있다.
위와 같은 컨트롤러(310)는 멀티모듈, 멀티채널에 대해서도 주파수 대역을 특정할 수 있다.
다른 실시예에 따른 컨트롤러(310)는 임피던스 측정부(340)가 특정 모듈에 대응하는 설정 주파수 대역의 신호를 배터리에 인가하도록 제어하고, 임피던스 측정부로부터 설정 주파수 대역에 대응하는 측정 임피던스를 전달 받을 수 있다. 이때 특정 모듈에 대응하는 설정 주파수 대역은 주파수 대역별 임피던스와 채널의 연관성에 의해 결정될 수 있다. 구체적으로 설정 주파수 대역은 주파수 대역별 임피던스와 채널의 연관성관계를 최소화 하는 주파수 대역을 지시할 수 있다.
즉 설정 주파수 대역이란 주파수 대역별 임피던스와 채널의 연관성을 최소화 하는 주파수 대역을 지시할 수 있다. 다시말해 채널에 관계없이 주파수 응답 특성이 유사하여, 주파수 대역별 임피던스 값이 일정하게 유지되는 주파수 대역을 지시할 수 있다. 예컨대 컨트롤러(310)는 채널과 주파수 전역에 대응하는 임피던스를 이용하여 내부 온도를 추정하는 학습 모델을 생성하고, 학습 모델을 평가하는 과정에서 추정 내부 온도와 실제 내부 온도와의 채널별 모델성능평가 점수을 살피고, 채널과의 상관 관계가 최소인 주파수 대역을 설정 주파수 대역으로 할 수 있다. 모델성능평가는 기계학습모델이나 신경망모델에 따라 MSE(Mean Square Error), RMSE(Root Mean Square Error) , R2 스코어 등으로 정할 수 있다. 예컨대 컨트롤러(310)는 내부 온도의 채널별 RMSE의 평균이 최소인 주파수 대역을 설정 주파수 대역으로 결정할 수 있다.
또한 컨트롤러(310)는 배터리의 채널별 임피던스 보드선도를 이용하여 채널과의 연관성을 최소화하는 주파수 대역을 설정 주파수 대역으로 결정할 수 있다.
또 다른 실시예에 따른 컨트롤러(310)는 임피던스 측정부(340)가 특정 채널에 대응하는 설정 주파수 대역의 신호를 배터리에 인가하도록 제어하고, 임피던스 측정부로부터 설정 주파수 대역에 대응하는 측정 임피던스를 전달 받을 수 있다. 이때 특정 채널에 대응하는 설정 주파수 대역은 주파수 대역별 임피던스와 모듈의 연관성에 의해 결정될 수 있다. 구체적으로 설정 주파수 대역은 주파수 대역별 임피던스와 모듈의 연관성을 최소화 하는 주파수 대역을 지시할 수 있다.
즉 설정 주파수 대역이란 주파수 대역별 임피던스와 모듈의 연관성을 최소화 하는 주파수 대역을 지시할 수 있다. 다시말해 모듈에 관계없이 주파수 응답 특성이 유사하여, 주파수 대역별 임피던스 값이 일정하게 유지되는 주파수 대역을 지시할 수 있다. 예컨대 컨트롤러(310)는 모듈과 주파수 전역에 대응하는 임피던스를 이용하여 내부 온도를 추정하는 학습 모델을 생성하고, 학습 모델을 평가하는 과정에서 추정 내부 온도와 실제 내부 온도와의 모듈별 모델성능평가 점수를 살피고, 모듈과의 상관 관계가 최소인 주파수 대역을 설정 주파수 대역으로 할 수 있다. 모델성능평가는 기계학습모델이나 신경망모델에 따라 MSE(Mean Square Error), RMSE(Root Mean Square Error) , R2 스코어 등으로 정할 수 있다. 예컨대 컨트롤러(310)는 내부 온도의 모듈별 RMSE의 평균이 최소인 주파수 대역을 설정 주파수 대역으로 결정할 수 있다.
또한 컨트롤러(310)는 배터리의 모듈별 임피던스 보드선도를 이용하여 모듈과의 연관성을 최소화하는 주파수 대역을 설정 주파수 대역으로 결정할 수 있다.
이러한 설정 주파수 대역을 설정하는 동작은 도 5 내지 도 8 및 도 12 내지 도 15에서 상세하게 설명한다.
일 실시예에 따른 컨트롤러(310)는 학습 모델에 설정 임피던스을 입력하여 배터리의 내부 온도를 추정할 수 있다. 이러한 학습 모델을 생성하는 동작은 도 5, 도 12 및 도 14에서 상세하게 설명한다.
학습 모델은 설정 임피던스로부터 배터리의 내부 온도 예컨대 배터리의 전해액의 온도를 추정하는 모델로서 GPR 또는 다항 회귀 알고리즘에 근거한 모델일 수 있다.
일 실시예에 따른 컨트롤러(310)는 추정된 배터리의 내부 온도에 근거하여 배터리 관리 장치(210)가 화재 진단을 수행하도록 제어할 수 있다. 컨트롤러(310)는 내부 온도가 제1 임계값 이상인 경우 화재 위험에 대한 경고 알림을 수행할 수 있다. 예컨대 컨트롤러(310)는 추정된 내부 온도가 제1 임계값 이상인 경우 통신부(350)를 통해 위험 신호를 전송할 수 있다.
컨트롤러(310)는 내부 온도가 제2 임계값 이상인 경우 화재 진단을 수행할 수 있다.
즉 컨트롤러(310)는 내부 온도가 제2 임계값 이상인 경우 배터리로부터 화재가 발생될 가능성이 있다고 판단하고 배터리 관리 장치(210)가 화재 진단 모드로 진입하도록 제어할 수 있다. 예컨대 컨트롤러(310)는 추정된 내부 온도가 제2 임계값 이상인 경우 배터리 상태 측정부(330)의 모니터링 주기를 줄이거나, SOC 추정 주기를 줄이거나 배터리 냉각시스템 냉각주기를 줄일 수 있다. 또한 컨트롤러(310)는 내부 온도가 제2 임계값 이상인 경우 충방전 제어를 통해 배터리의 충전 마진을 증가시킬 수 있다.
일 실시예에 따른 컨트롤러(310)는 내부 온도가 제1 임계값 미만인 경우 일반 모드로 배터리 관리를 수행하도록 배터리 관리 장치(210)를 제어할 수 있다.
일 실시예에 따른 컨트롤러(310)는 설정 임피던스의 위상 변화량에 근거하여 배터리 관리 장치(210)가 화재 관리를 수행하도록 제어할 수 있다. 전술한 바와 같이 열폭주 이전에 임피던스 위상의 급격한 변화량이 있을 수 있는 바 예컨대 컨트롤러(310)는 설정 임피던스 위상의 변화량이 제3 임계값 이상인 경우, 화재 발생 확률이 높다고 판단하고 배터리 관리 장치(210)가 화재 관리 모드로 진입하도록 제어할 수 있다. 예컨대 컨트롤러(310)는 설정 임피던스 위상의 변화량이 제3 임계값 이상인 경우 소화 장비를 이용하여 배터리 화재를 진압할 수 있다. 컨트롤러(310)는 화재소화급수 장치로 배터리 화재를 진압하거나 별도의 화재소화 급수 장비로 배터리를 이격시킬 수 있다.
일 실시예에 따른 컨트롤러(310)는 설정 임피던스 변화량이 제3 임계값 미만인 경우 일반 모드로 배터리 관리를 수행하도록 배터리 관리 장치(210)를 제어할 수 있다.
위와 같은 화재 관리 모드는 화재 위험, 진단 모드와 독립적 병렬적으로 수행되거나, 화재 진단 모드에 종속되어 수행될 수도 있다. 예컨대 일 실시예에 따른 컨트롤러(310)는 내부 온도가 제1 임계값 이상인 경우 화재 위험 모드로 진입하고 화재 위험 모드에서 내부 온도가 제2 임계값 이상인 경우 화재 진단 모드로 진입하고 화재 진단 모드에서 임피던스의 위상변화량이 제3 임계값 이상인 경우 화재 관리 모드로 진입하도록 제어할 수 있다.
일 실시예에 따른 컨트롤러(310)는 내부 온도가 제1 임계값 미만인 경우 일반 모드로 진입하고 화재 관리 모드에서 임피던스의 위상 변화량이 제3 임계값 이상이더라도 경우 화재 진단 모드로 진입하지 않을 수 있다. 이는 배터리의 내부 온도와 배터리의 임피던스 위상 변화량 두가지 변수에 근거하여 화재 예측을 수행하여 보다 신뢰성 예측을 수행하기 위함이다.
일 실시예에 따른 컨트롤러(310)는 학습 모델을 생성할 수 있다. 컨트롤러(310)는 설정 주파수 대역에 대응하는 설정 임피던스 및 설정된 배터리의 내부 온도를 데이터 세트로 결정하고 데이터 세트를 이용하여 설정 임피던스으로부터 배터리의 내부 온도를 추정하는 학습 모델을 생성할 수 있다. 다만 이러한 학습 모델은 GPU, CPU 및 TPU 중 적어도 하나를 포함하는 별도의 컴퓨팅 장치에 의해 생성되어 메모리(320)에 저장되어 있거나 별도의 서버에 저장되어 있을 수 있다.
도 4는 본 발명의 일 실시예에 따른 배터리 관리 장치의 화재 추정 동작을 나타내는 순서도이다.
도 4를 참고하면 배터리 관리 장치는 S410 단계에서, 임피던스 측정부로부터 설정 주파수 대역에서 대응하는 설정 임피던스를 측정할 수 있다. 설정 주파수 대역 및 특정 주파수는 도 5의 학습결과에 의해 결정될 수 있다. 설정 주파수 대역은 주파수 대역별 임피던스와 충전 상태(SOC, State of Charge)의 상관관계에 의해 결정될 수 있다.
일 실시예에 따른 설정 주파수 대역이란 주파수 대역별 임피던스와 충전 상태의 상관관계를 최소화 하는 주파수 대역을 지시할 수 있다. 예컨대 배터리 관리 장치는 SOC와 주파수 대역에 대응하는 임피던스를 이용하여 내부 온도를 추정하는 학습 모델을 생성하고, 학습 모델을 평가하는 과정에서 추정 내부 온도와 실제 내부 온도와의 SOC별 모델성능평가 점수를 살피고, SOC와의 상관 관계가 최소인 주파수 대역을 설정 주파수 대역으로 할 수 있다. 모델성능평가는 기계학습모델이나 신경망모델에 따라 MSE(Mean Square Error), RMSE(Root Mean Square Error) , R2 스코어 등으로 정할 수 있다. 예컨대 배터리 관리 장치는 내부 온도의 SOC별 RMSE의 평균이 최소인 주파수 대역을 설정 주파수 대역으로 결정할 수 있다.
또한 배터리 관리 장치는 배터리의 SOC별 임피던스 보드선도를 이용하여 SOC와 임피던스 사이의 상관관계를 최소화하는 주파수 대역을 설정 주파수 대역으로 결정할 수 있다. 이때 보드선도는 임피던스의 크기 보드선도 및 위상 보드선도 중 적어도 하나를 이용할 수 있다.
일 실시예에 따른 배터리 관리 장치는 S420 단계에서 설정 임피던스를 학습 모델에 입력하여 배터리의 내부 온도를 추정할 수 있다. 예컨대 배터리 관리 장치는 설정 임피던스의 위상값을 입력하여 배터리의 내부 온도를 추정할 수 있다. 이러한 배터리의 내부 온도란 배터리 내부의 전해액의 온도를 지시할 수 있다.
일 실시예에 따른 학습 모델은 설정 임피던스 및 배터리의 내부 온도를 포함하는 데이터 세트에 기초하여 생성될 수 있다.
일 실시예에 따른 배터리 관리 장치는 S430 단계에서, 배터리 화재 위험 알림 기능을 수행할 수 있다. 예컨대 배터리 관리 장치는 추정된 배터리의 내부 온도가 제1 임계값 이상인 경우 통신부(350)을 통해 화재 위험 알림 메시지를 전송할 수 있다.
일 실시예에 따른 배터리 관리 장치는 S440 단계에서, 배터리 화재 진단을 수행할 수 있다. 예컨대 배터리 관리 장치는 추정된 배터리의 내부 온도가 제2 임계값 이상인 경우 화재 진단을 수행할 수 있다. 즉 배터리 관리 장치는 내부 온도가 제2 임계값 이상인 경우 배터리로부터 화재가 발생될 가능성이 있다고 판단하고 화재 진단을 위한 모드로 진입할 수 있다. 예컨대 배터리 관리 장치는 추정된 내부 온도가 제2 임계값 이상인 경우 배터리 상태 측정부(330)의 모니터링 주기를 줄이거나, SOC 추정 주기를 줄이거나 배터리 냉각시스템 냉각주기를 줄일 수 있다. 또한 배터리 관리 장치는 내부 온도가 제2 임계값 이상인 경우 충방전 제어를 통해 배터리의 충전 마진을 증가시킬 수 있다. 또한 일 실시예에 따른 배터리 관리 장치는 내부 온도가 제1 임계값 미만인 경우 일반 모드로 배터리 관리를 수행하도록 할 수 있다.
일 실시예에 따른 배터리 관리 장치는 S450 단계에서, 배터리 화재 관리 수행할 수 있다. 예컨대 배터리 관리 장치는 설정 임피던스의 위상 변화량이 제3 임계값 이상인 경우, 화재 발생 확률이 높다고 판단하고 화재 관리 모드로 진입할 수 있다. 일 실시예에 따른 배터리 관리 장치는 설정 임피던스의 변화량이 제3 임계값 이상인 경우 소화 장비를 이용하여 배터리 화재를 진압할 수 있다. 배터리 관리 장치는 화재소화급수 장치로 배터리 화재를 진압하거나 별도의 화재소화 급수 장비로 배터리를 이격시킬 수 있다.
배터리 관리 장치는 설정 임피던스 변화량이 제3 임계값 미만인 경우 일반 모드로 배터리 관리를 수행할 수 있다.
위와 같은 화재 관리 모드는 화재 위험, 진단 모드와 독립적 병렬적으로 수행되거나, 화재 진단 모드에 종속되어 수행될 수도 있다. 예컨대 일 실시 예에 따른 배터리 관리 장치는 내부 온도가 제1 임계값 이상인 경우 화재 위험 모드로 진입하고 내부 온도가 제2 임계값 이상인 경우 관리 모드로 진입하고 화재 관리 모드에서 임피던스의 위상 변화량이 제3 임계값 이상인 경우 화재 관리 모드로 진입하도록 제어할 수 있다.
일 실시 예에 따른 배터리 관리 장치는 내부 온도가 제1 임계값 미만인 경우 일반 모드로 진입하고 화재 관리 모드에서 임피던스의 위상 변화량이 제3 임계값 이상이더라도 경우 화재 진단 모드로 진입하지 않을 수 있다. 이는 배터리의 내부 온도와 배터리의 임피던스 위상 변화량 두가지 변수에 근거하여 화재 예측을 수행하여 보다 신뢰성 예측을 수행하기 위함이다.
도 5는 본 발명의 일 실시예에 따른 배터리 관리 장치의 학습 모델을 생성하는 동작을 나타내는 순서도이다.
도 5를 참고하면 배터리 관리 장치는 S510 단계에서 배터리의 내부 온도를 설정할 수 있다. 예컨대 배터리 관리 장치는 배터리를 별도의 온도 챔버를 이용하여 배터리와 챔버 온도가 열 평형을 이루는 상태로 배터리의 내부 온도를 설정할 수 있다.
배터리 관리 장치는 S520 단계에서 임피던스 측정부로부터 배터리 내부 온도에 대응하는 배터리의 주파수 대역별 임피던스를 획득할 수 있다. 배터리 관리 장치는 임피던스 측정부로부터 주파수 전역에 대한 임피던스를 획득하여 데이터를 저장할 수 있다.
일 실시예에 따른 배터리 관리 장치는 S530 단계에서 배터리의 충전 상태(SOC, State of Charge)를 획득할 수 있다. 배터리 관리 장치는 배터리 상태 측정부로부터 배터리의 충전 상태를 획득하거나 전달받은 배터리 전류, 셀의 전압 및 배터리의 표면 온도에 근거하여 배터리의 충전 상태를 산출할 수 있다. 즉 배터리 관리 장치는 S510 및 S520 단계에서 배터리의 충전상태(SOC) 각각에 대한 배터리의 주파수 대역별 임피던스를 획득할 수 있다.
일 실시예에 따른 배터리 관리 장치는 S540 단계에서 주파수 대역별 임피던스와 충전 상태 사이의 상관관계에 기초하여 설정 주파수 대역을 결정할 수 있다. 일 실시예에 따른 배터리 관리 장치는 SOC별 임피던스 보드선도를 이용하여 SOC와 상관관계를 최소화하는 주파수 대역을 설정 주파수 대역으로 결정할 수 있다.
일 실시예에 따른 배터리 관리 장치는 S550 단계에서 주파수 대역별 임피던스 중 설정 주파수 대역에 대응하는 설정 임피던스 및 설정된 배터리의 내부 온도를 데이터 세트로 결정할 수 있다. 구체적으로 배터리 관리 장치는 주파수 전역에 관한 임피던스 데이터 중에서 설정 주파수 대역에 대응하는 임피던스 데이터를 특징(feature)으로 배터리의 내부 온도 데이터를 레이블(label)로 하여 데이터 세트를 결정할 수 있다. 예컨대 배터리 관리 장치는 임피던스의 실수부, 허수부, 크기 또는 위상 중 적어도 하나이상을 특징으로 하고, 내부 온도 데이터를 레이블로 하여 데이터 세트를 결정할 수 있다.
일 실시예에 따른 배터리 관리 장치는 S560 단계에서 데이터 세트를 이용하여 설정 임피던스로부터 배터리의 내부 온도를 추정하는 학습 모델을 생성할 수 있다. 학습 모델은 설정 임피던스로부터 배터리의 내부 온도를 추정하는 모델로서 GPR 또는 다항 회귀 알고리즘에 근거한 모델일 수 있다.
일 실시예에 따른 배터리 관리 장치는 S570 단계에서 설정 임피던스로부터 배터리의 내부 온도를 추정하는 학습 모델을 평가하고 학습 모델을 결정할 수 있다.
다른 실시예에 따른 배터리 관리 장치는 S560 단계에서 주파수 대역별 임피던스로부터 배터리의 내부 온도를 추정하는 학습 모델을 생성할 수 있다. 즉 배터리 관리 장치는 충전상태와 주파수 전역의 임피던스를 이용하여 내부 온도를 추정하는 학습 모델을 생성할 수 있다.
다른 실시예에 따른 배터리 관리 장치는 S570 단계에서 충전상태와 주파수 전역의 임피던스를 이용하여 내부 온도를 추정하는 학습 모델을 평가할 수 있다. 학습모델성능평가는 기계학습모델이나 신경망모델에 따라 MSE(Mean Square Error), RMSE(Root Mean Square Error), R2 스코어 등으로 정할 수 있다. 구체적으로 배터리 관리 장치는 추정 내부 온도와 실제 내부 온도와의 SOC별 RMSE(Root Mean Square Error)를 확인할 수 있다.
이후 배터리 관리 장치는 S540 단계로 다시 진행하여 주파수 대역별 임피던스와 충전 상태의 상관관계를 최소화 하는 주파수 대역을 설정 주파수 대역으로 결정할 수 있다. 예컨대 배터리 관리 장치는 내부 온도의 충전상태(SOC)별 RMSE의 평균이 최소인 주파수 대역을 설정 주파수 대역으로 결정할 수 있다. 이와 같은 과정을 반복하여 설정 주파수 대역을 결정하고 설정 주파수 대역에 대응하는 설정 임피던스를 이용하여 배터리의 내부 온도를 추정하는 학습 모델을 생성할 수 있다.
도 6a 내지 도 6d은 본 발명의 일 실시예에 따른 주파수 대역별 임피던스 위상과 충전 상태의 제1 상관관계를 나타내는 보드선도이다.
전술한 바와 같이 설정 주파수 대역이란 주파수 대역별 임피던스와 충전 상태의 상관관계를 최소화 하는 주파수 대역을 지시할 수 있다. 배터리 관리 장치는 충전상태(SOC)별 임피던스 보드선도를 이용하여 충전상태(SOC)와 상관관계를 최소화하는 주파수 대역을 설정 주파수 대역으로 결정할 수 있다.
도 6a을 참고하면, 충전상태(SOC) 가 95%인 경우 배터리의 내부 온도별 임피던스 위상에 관한 제1 보드선도(610), 도 6b를 참고하면 충전상태(SOC) 가 70%인 경우 배터리의 내부 온도별 임피던스 위상에 관한 제2 보드선도(620), 도 6c를 참고하면 충전상태(SOC) 가 50%인 경우 배터리의 내부 온도별 임피던스 위상에 관한 제3 보드선도(630) 및 도 6d를 참고하면 충전상태(SOC) 가 25%인 경우 배터리의 내부 온도별 임피던스 위상에 관한 제4 보드선도(640)가 도시되어 있다.
보도선도의 주파수 도메인에서 충전상태(SOC)별 위상 변화를 보면 20hz부터 1khz대역은 충전상태(SOC)에 무관하게 온도별 위상 값이 유사하게 나타남을 알 수 있다. 구체적으로 제1 보드선도(610)의 제1 주파수 대역에서의 임피던스 위상(611), 제2 보드선도(620)의 제1 주파수 대역에서의 임피던스 위상(621), 제3 보드선도(630)의 제1 주파수 대역에서의 임피던스 위상(631) 및 제4 보드선도(640)의 제1 주파수 대역에서의 임피던스 위상(641)을 비교하면 임피던스와 온도와의 관계에서 충전상태(SOC)와 상관성을 가짐을 알 수 있다. 하지만 제1 보드선도(610)의 제2 주파수 대역에서의 임피던스 위상(613), 제2 보드선도(620)의 제2 주파수 대역에서의 임피던스 위상(623), 제3 보드선도(630)의 제2 주파수 대역에서의 임피던스 위상(633) 및 제4 보드선도(640)의 제2 주파수 대역에서의 임피던스 위상(643)을 비교하면 임피던스와 온도와의 관계에서 비교적 충전상태(SOC)가 낮은 상관성을 가짐을 알 수 있다. 이에 배터리 관리 장치는 임피던스와 온도와의 관계에서 비교적 충전상태(SOC)가 낮은 상관성을 가지는 제2 주파수 대역을 설정 주파수 대역으로 결정할 수 있다.
도 7은 본 발명의 일 실시예에 따른 주파수 대역별 임피던스와 충전 상태의 제2 상관관계를 나타내는 주파수 대역에 따른 RMSE 그래프이고, 도 8은 본 발명의 일 실시예에 따른 주파수 대역별 임피던스와 충전 상태의 상관관계가 낮은 주파수 대역에 따른 RMSE 그래프이다.
전술한 바와 같이 설정 주파수 대역이란 주파수 대역별 임피던스와 충전 상태의 상관관계를 최소화 하는 주파수 대역을 지시할 수 있다. 배터리 관리 장치는 내부 온도의 충전상태(SOC)별 RMSE의 평균이 최소인 주파수 대역을 설정 주파수 대역으로 결정할 수 있다.
배터리 관리 장치는 충전상태(SOC)와 주파수 전역에 대응하는 임피던스를 이용하여 내부 온도를 추정하는 학습 모델을 생성하고 학습 모델을 평가하는 과정에서 추정 내부 온도와 실제 내부 온도와의 충전상태(SOC)별 RMSE를 살피고, 충전상태(SOC)와의 상관 관계가 최소인 주파수 대역을 설정 주파수 대역으로 할 수 있다.
도 7 및 도 8을 참고하면 내부 온도의 충전상태(SOC)별 RMSE 값은 제1 구간(710) 및 제2 구간(720)에서 최소값을 가진다. 이에 배터리 관리 장치는 제1 구간(710) 및 제2 구간(720) 중 어느 하나의 구간을 설정 주파수 대역으로 결정할 수 있다. 배터리 관리 장치는 이와 같은 과정을 반복적으로 수행하여 설정 주파수 대역을 좁히거나 넓힐 수 있다. 예컨대 설정 주파수 대역은 40hz~80hz 대역 또는 특정 주파수는 44hz 일 수 있다.
도 9는 본 발명의 일 실시예에 따른 배터리 팩(900)을 개략적으로 도시한 도면이다. 도9 는 복수개의 배터리 모듈 및 복수개의 채널을 가지는 배터리 팩(900)에 대한 배터리 관리 시스템으로서 복수개의 배터리 모듈(910), 배터리 관리 유닛(BMU, Battery Management Unit)(930) 및 셀 관리 유닛(CMU, Cell Monitoring Unit)(920)을 포함할 수 있다.
이러한 도 9는 도 2의 구성 일부와 대응할 수 있다. 예컨대 배터리 모듈(910)은 복수개의 배터리(230)로 구성될 수 있으며, 이러한 배터리 모듈(910)에 대해서는 도 10에 의해 상세하게 설명한다. 복수개의 CMU(920) 및 복수개의 BMU(930)는 결합하여 배터리 관리 장치(210)의 동작을 적어도 하나 수행할 수 있다.
CMU(920)는 배터리 셀을 모니터링하고 관리할 수 있다. 각 배터리 셀의 전압, 온도 및 임피던스를 측정하고 BMU(930)에 데이터를 전달할 수 있다. CMU(920)는 배터리 모듈을 관리하며 예컨대 단일 CMU(920)는 2개내지 4개내지 8개의 배터리 모듈(910)을 관리할 수 있다.
BMU(930)는 전체 배터리 시스템의 상태를 모니터링하고 관리할 수 있다. 복수개의 CMU(920) 각각으로부터 데이터를 수신하고 이에 기초하여 전체 배터리 팩의 충전상태(SOC) 와 수명상태(SOH, State Of Health)를 추정할 수 있다. 또한 BMU(930)는 과충전, 과방전, 과열 등의 상황에서 배터리를 보호할 수 있다. BMU(930)는 구체적으로 멀티 모듈 및 멀티 채널 각각에 대한 설정 주파수 대역을 결정하거나 설정 주파수 대역에서의 설정 임피던스 값을 측정하여 배터리 내부 온도 추정을 수행할 수 있다.
도 10은 본 발명의 일 실시예에 따른 배터리 모듈을 개략적으로 도시한 도면이다. 도 10을 참고하면 하나의 배터리 모듈(910)은 복수개의 배터리 셀(1001)을 포함할 수 있다. 구체적으로 배터리 모듈(910)은 복수개의 배터리 셀(1001)의 직렬 및 병렬 연결을 구비할 수 있다. 예컨대 배터리 셀 xP들(1010)을 병렬 연결하고, 배터리 셀 xS들(1020)을 직렬 연결한 배터리 모듈(910)은 xPxS 배터리 모듈이라 지시할 수 있고, 이러한 배터리 셀(1001)의 직렬 연결 단위를 채널(1030)이라고 할 수 있다. 예를 들어, 2P6S 배터리 모듈(910)에서 총 6개의 채널을 가질 수 있다. 이와 같이 배터리 모듈(910)이 복수 개 있는 경우 멀티 모듈, 멀티 채널 배터리 시스템이라고 할 수 있다.
도 11는 본 발명의 일 실시예에 따른 배터리 관리 장치의 화재 추정 동작을 나타내는 순서도이다.
도 11을 참고하면, 배터리 관리 장치는 S1110 단계에서, 임피던스 측정부로부터 특정 모듈을 대상으로 제1 설정 주파수 대역 에서 대응하는 제1 설정 임피던스를 측정하고, 특정 채널을 대상으로 제2 설정 주파수 대역에서 대응하는 제2 설정 임피던스를 측정할 수 있다. 예컨대 제1 설정 임피던스 대역이 20hz 인 경우 해당 대역에 대한 임피던스를 측정하고, 제2 설정 임피던스 대역이 100hz 인 경우 해당 대역에 대한 임피던스를 각각 측정할 수 있다.
이러한 제1 설정 임피던스는 도 12의 학습 결과에 의해 결정될 수 있으며 제2 설정 임피던스는 도 14의 학습 결과에 의해 결정될 수 있다.
제1 설정 주파수 대역은 배터리 모듈 각각에 대해 채널별 주파수 대역별 임피던스로부터 산출될 수 있다. 예컨대 제1 설정 주파수 대역은 주파수 대역별 임피던스와 채널의 연관성 의해 결정될 수 있다.
예컨대 배터리 관리 장치는 배터리 모듈 각각에 대해 채널별 주파수 대역별 임피던스를 이용하여 내부 온도를 추정하는 제1 학습 모델을 생성하고 모델을 평가하는 과정에서 추정 내부 온도와 실제 내부와의 채널별 모델성능평가 점수를 살피고 채널과 연관성이 최소인 주파수 대역을 설정 주파수 대역으로 할 수 있다. 또는 채널별 주파수 대역별 임피던스 보드선도 또는 나이퀘스트 플롯을 이용하여 채널과 임피턴스 사이의 연관성을 최소화하는 주파수 대역을 설정 주파수 대역으로 결정할 수 있다. 이때 보드선도는 임피던스의 크기 보드선도 및 위상 보드선도 중 적어도 하나를 이용할 수 있다. 모델성능평가는 기계학습모델이나 신경망모델에 따라 MSE(Mean Square Error), RMSE(Root Mean Square Error), R2 스코어 등으로 정할 수 있다.
또한 제2 설정 주파수 대역은 배터리 채널 각각에 대해 모듈별 주파수 대역별 임피던스로부터 산출될 수 있다. 예컨대 제2 설정 주파수 대역은 주파수 대역별 임피던스와 모듈의 연관성에 의해 결정될 수 있다.
예컨대 배터리 관리 장치는 배터리 채널 각각에 대해 모듈별 주파수 대역별 임피던스를 이용하여 내부 온도를 추정하는 제2 학습 모델을 생성하고 모델을 평가하는 과정에서 추정 내부 온도와 실제 내부와의 채널별 모델성능평가 점수를 살피고 모듈과 연관성이 최소인 주파수 대역을 설정 주파수 대역으로 할 수 있다. 또는 모듈별 주파수 대역별 임피던스 보드선도 또는 나이퀘스트 플롯을 이용하여 모듈과 임피턴스 사이의 연관성을 최소화하는 주파수 대역을 설정 주파수 대역으로 결정할 수 있다. 이때 보드선도는 임피던스의 크기 보드선도 및 위상 보드선도 중 적어도 하나를 이용할 수 있다. 모델성능평가는 기계학습모델이나 신경망모델에 따라 MSE(Mean Square Error), RMSE(Root Mean Square Error), R2 스코어 등으로 정할 수 있다.
일 실시예에 따른 배터리 관리 장치는 S1120 단계에서 제1 설정 임피던스를 제1 학습 모델에 입력하고 제2 설정 임피던스를 제2 학습 모델에 입력하여 배터리의 내부 온도를 추정할 수 있다. 이러한 배터리의 내부 온도란 배터리 내부의 전해액의 온도를 지시할 수 있다.
예컨대 배터리 관리 장치는 제1 학습 모델에 의해 추정되는 제1 내부 온도, 제2 학습 모델에 의해 추정되는 제2 내부 온도를 가중치를 달리하여 내부 온도 추정에 사용할 수 있다. 이는 수학식 1으로 나타낼 수 있다.
[수학식 1]
T = aT1+(1-a)T2
T는 추정 내부온도, T1은 제1 내부온도, T2는 제2 내부온도 및 a 는 가중치이다. 즉 배터리 관리 장치는 제1 내부 온도
예컨대 배터리 관리 장치는 32개의 2P6S모듈로 이루어진 배터리 팩에서 i)8번 배터리 모듈에 대응하는 제1 설정 주파수 대역으로 8번 배터리 모듈의 임피던스를 측정하고 제1 학습 모델에 입력하고, ii)채널3에 대응하는 제2 설정 주파수 대역으로 채널3의 임피던스를 측정하고 제2 학습 모델에 입력하면, 8번 배터리 모듈의 채널3에 대한 내부 온도 추정할 수 있다.
이하 단계 S1130 내지 S1150 는 도 4의 단계 S430 내지 S450에서 상술되어 중복되는 설명은 생략하기로 한다.
도 12는 본 발명의 일 실시예에 따른 모듈 각각에 대한 배터리 관리 장치의 학습 모델을 생성하는 동작을 나타내는 순서도이다.
도 12를 참고하면 배터리 관리 장치는 S1210 단계에서 배터리의 내부 온도를 설정할 수 있다. 예컨대 배터리 관리 장치는 배터리를 별도의 온도 챔버를 이용하여 배터리와 챔버 온도가 열 평형을 이루는 상태로 배터리의 내부 온도를 설정할 수 있다.
배터리 관리 장치는 S1220 단계에서 임피던스 측정부로부터 배터리 모듈 각각에 대한 채널별 주파수 대역별 임피던스를 획득할 수 있다. 배터리 관리 장치는 임피던스 측정부로부터 배터리 모듈 각각에 대한 채널별 주파수 전역에 대한 임피던스를 획득하여 데이터를 저장할 수 있다.
일 실시예에 따른 배터리 관리 장치는 S1230 단계에서 주파수 대역별 임피던스와 채널별 연관성에
기초하여 특정 배터리 모듈에 대응하는 설정 주파수 대역을 결정할 수 있다. 일 실시예에 따른 배터리 관리 장치는 채널별 임피던스 보드선도 또는 나이퀘스트 플롯을 이용하여 채널과 연관성을 최소화하는 주파수 대역을 설정 주파수 대역으로 결정할 수 있다. 배터리 모듈 각각에서 모든 채널의 주파수 응답 특성이 유사한 설정 주파수 대역을 결정하여 내부 온도 추정에 사용할 수 있다.
예컨대 배터리 관리 장치는 도 13a에 도시된 것과 같이 배터리 팩에서 특정 배터리 모듈의 채널별 범례를 둔 주파수 대역별 임피던스의 크기에 대한 보드선도를 식별할 수 있다. 이때 주파수 대역 2hz 내지 30hz에서 채널과 임피던스 크기 사이의 연관성이 낮음을 확인할 수 있다. 배터리 관리 장치는 채널과 임피던스 크기 사이의 연관성이 낮은 주파수 대역을 특정 배터리 모듈에 대응하는 설정 주파수 대역을 결정할 수 있다.
배터리 관리 장치는 도 13b에 도시된 것과 같이 배터리 팩에서 특정 배터리 모듈의 채널별 범례를 둔 주파수 대역별 임피던스의 위상에 대한 보드선도를 식별할 수 있다. 이때 주파수 대역 2hz 내지 30hz에서 채널과 임피던스 위상 사이의 연관성이 낮음을 확인할 수 있다. 배터리 관리 장치는 채널과 임피던스 위상 사이의 연관성이 낮은 주파수 대역을 특정 배터리 모듈에 대응하는 설정 주파수 대역을 결정할 수 있다.
배터리 관리 장치는 도 13c에 도시된 것과 같이 배터리 팩에서 특정 배터리 모듈의 채널별 범례를 둔 주파수 대역별 임피던스의 위상에 대한 나이퀘스트 플롯을 식별할 수 있다. 이때 주파수 대역 2hz 내지 30hz에서 채널과 임피던스 사이의 연관성이 낮음을 확인할 수 있다. 배터리 관리 장치는 채널과 임피던스 사이의 연관성이 낮은 주파수 대역을 특정 배터리 모듈에 대응하는 설정 주파수 대역을 결정할 수 있다.
일 실시예에 따른 배터리 관리 장치는 S1240 단계에서 주파수 대역별 임피던스 중 설정 주파수 대역에 대응하는 설정 임피던스 및 설정된 배터리의 내부 온도를 데이터 세트로 결정할 수 있다. 구체적으로 배터리 관리 장치는 주파수 전역에 관한 임피던스 데이터 중에서 설정 주파수 대역에 대응하는 임피던스 데이터를 특징(feature)으로 배터리의 내부 온도 데이터를 레이블(label)로 하여 데이터 세트를 결정할 수 있다. 예컨대 배터리 관리 장치는 임피던스의 실수부, 허수부, 크기 또는 위상 중 적어도 하나이상을 특징으로 하고, 내부 온도 데이터를 레이블로 하여 데이터 세트를 결정할 수 있다.
일 실시예에 따른 배터리 관리 장치는 S1250 단계에서 데이터 세트를 이용하여 설정 임피던스로부터 배터리의 내부 온도를 추정하는 학습 모델을 생성할 수 있다. 학습 모델은 특정 배터리 모듈에 대응하는 설정 임피던스로부터 배터리의 내부 온도를 추정하는 모델로서 GPR 또는 다항 회귀 알고리즘에 근거한 모델일 수 있다.
일 실시예에 따른 배터리 관리 장치는 S1260 단계에서 설정 임피던스로부터 배터리의 내부 온도를 추정하는 학습 모델을 평가하고 학습 모델을 결정할 수 있다.
다른 실시예에 따른 배터리 관리 장치는 S1250 단계에서 주파수 대역별 임피던스로부터 배터리의 내부 온도를 추정하는 학습 모델을 생성할 수 있다. 즉 배터리 관리 장치는 채널과 주파수 전역의 임피던스를 이용하여 내부 온도를 추정하는 학습 모델을 생성할 수 있다.
다른 실시예에 따른 배터리 관리 장치는 S1260 단계에서 채널과 주파수 전역의 임피던스를 이용하여 내부 온도를 추정하는 학습 모델을 평가할 수 있다. 모델성능평가는 기계학습모델이나 신경망모델에 따라 MSE(Mean Square Error), RMSE(Root Mean Square Error), R2 스코어 등으로 정할 수 있다. 구체적으로 배터리 관리 장치는 추정 내부 온도와 실제 내부 온도와의 채널별 RMSE(Root Mean Square Error)를 확인할 수 있다.
이후 배터리 관리 장치는 S1230 단계로 다시 진행하여 주파수 대역별 임피던스와 채널 사이의 연관성을 최소화 하는 주파수 대역을 설정 주파수 대역으로 결정할 수 있다. 예컨대 배터리 관리 장치는 내부 온도의 채널별 RMSE의 평균이 최소인 주파수 대역을 설정 주파수 대역으로 결정할 수 있다. 이와 같은 과정을 반복하여 설정 주파수 대역을 결정하고 설정 주파수 대역에 대응하는 설정 임피던스를 이용하여 배터리의 내부 온도를 추정하는 학습 모델을 생성할 수 있다.
도 14는 본 발명의 일 실시예에 따른 채널 각각에 대한 배터리 관리 장치의 학습 모델을 생성하는 동작을 나타내는 순서도이다.
도 14를 참고하면 배터리 관리 장치는 S1410 단계에서 배터리의 내부 온도를 설정할 수 있다. 예컨대 배터리 관리 장치는 배터리를 별도의 온도 챔버를 이용하여 배터리와 챔버 온도가 열 평형을 이루는 상태로 배터리의 내부 온도를 설정할 수 있다.
일 실시예에 따른 배터리 관리 장치는 S1420 단계에서 임피던스 측정부로부터 채널 각각에 대한 모듈별 주파수 대역별 임피던스를 획득할 수 있다. 배터리 관리 장치는 임피던스 측정부로부터 채널 각각에 대한 모듈별 주파수 전역에 대한 임피던스를 획득하여 데이터를 저장할 수 있다.
일 실시예에 따른 배터리 관리 장치는 S1430 단계에서 주파수 대역별 임피던스와 모듈별 연관성에 기초하여 특정 채널에 대응하는 설정 주파수 대역을 결정할 수 있다. 일 실시예에 따른 배터리 관리 장치는 모듈별 임피던스 보드선도 또는 나이퀘스트 플롯을 이용하여 모듈과 연관성을 최소화하는 주파수 대역을 설정 주파수 대역으로 결정할 수 있다. 배터리 채널 각각에서 모든 모듈의 주파수 응답 특성이 유사한 설정 주파수 대역을 결정하여 내부 온도 추정에 사용할 수 있다.
예컨대 배터리 관리 장치는 도 15a에 도시된 것과 같이 배터리 팩에서 특정 채널의 모듈별 범례를 둔 주파수 대역별 임피던스의 크기에 대한 보드선도를 식별할 수 있다. 이때 주파수 대역 100hz 내지 350hz에서 모듈과 임피던스 크기 사이의 연관성이 낮음을 확인할 수 있다. 배터리 관리 장치는 모듈과 임피던스 크기 사이의 연관성 낮은 주파수 대역을 특정 채널에 대응하는 설정 주파수 대역을 결정할 수 있다.
배터리 관리 장치는 도 15b에 도시된 것과 같이 배터리 팩에서 특정 채널의 모듈별 범례를 둔 주파수 대역별 임피던스의 위상에 대한 보드선도를 식별할 수 있다. 이때 주파수 대역 100hz 내지 350hz에서 모듈과 임피던스 위상 사이의 연관성이 낮음을 확인할 수 있다. 배터리 관리 장치는 모듈과 임피던스 사이의 연관성이 낮은 주파수 대역을 특정 채널에 대응하는 설정 주파수 대역을 결정할 수 있다.
배터리 관리 장치는 도 15c에 도시된 것과 같이 배터리 팩에서 특정 채널의 모듈별 범례를 둔 주파수 대역별 임피던스의 위상에 대한 나이퀘스트 플롯을 식별할 수 있다. 이때 주파수 대역 100hz 내지 350hz에서 모듈과 임피던스 사이의 연관성이 낮음을 확인할 수 있다. 배터리 관리 장치는 모듈과 임피던스 사이의 연관성이 낮은 주파수 대역을 특정 채널에 대응하는 설정 주파수 대역을 결정할 수 있다.
일 실시예에 따른 배터리 관리 장치는 S1440 단계에서 주파수 대역별 임피던스 중 설정 주파수 대역에 대응하는 설정 임피던스 및 설정된 배터리의 내부 온도를 데이터 세트로 결정할 수 있다. 구체적으로 배터리 관리 장치는 주파수 전역에 관한 임피던스 데이터 중에서 설정 주파수 대역에 대응하는 임피던스 데이터를 특징(feature)으로 배터리의 내부 온도 데이터를 레이블(label)로 하여 데이터 세트를 결정할 수 있다. 예컨대 배터리 관리 장치는 임피던스의 실수부, 허수부, 크기 또는 위상 중 적어도 하나이상을 특징으로 하고, 내부 온도 데이터를 레이블로 하여 데이터 세트를 결정할 수 있다.
일 실시예에 따른 배터리 관리 장치는 S1450 단계에서 데이터 세트를 이용하여 설정 임피던스로부터 배터리의 내부 온도를 추정하는 학습 모델을 생성할 수 있다. 학습 모델은 특정 채널에 대응하는 설정 임피던스로부터 배터리의 내부 온도를 추정하는 모델로서 GPR 또는 다항 회귀 알고리즘에 근거한 모델일 수 있다.
일 실시예에 따른 배터리 관리 장치는 S1460 단계에서 설정 임피던스로부터 배터리의 내부 온도를 추정하는 학습 모델을 평가하고 학습 모델을 결정할 수 있다.
다른 실시예에 따른 배터리 관리 장치는 S1450 단계에서 주파수 대역별 임피던스로부터 배터리의 내부 온도를 추정하는 학습 모델을 생성할 수 있다. 즉 배터리 관리 장치는 모듈과 주파수 전역의 임피던스를 이용하여 내부 온도를 추정하는 학습 모델을 생성할 수 있다.
다른 실시예에 따른 배터리 관리 장치는 S1460 단계에서 모듈과 주파수 전역의 임피던스를 이용하여 내부 온도를 추정하는 학습 모델을 평가할 수 있다. 모델성능평가는 기계학습모델이나 신경망모델에 따라 MSE(Mean Square Error), RMSE(Root Mean Square Error), R2 스코어 등으로 정할 수 있다. 구체적으로 배터리 관리 장치는 추정 내부 온도와 실제 내부 온도와의 모듈별 RMSE(Root Mean Square Error)를 확인할 수 있다.
이후 배터리 관리 장치는 S1430 단계로 다시 진행하여 주파수 대역별 임피던스와 모듈의 연관성을 최소화 하는 주파수 대역을 설정 주파수 대역으로 결정할 수 있다. 예컨대 배터리 관리 장치는 내부 온도의 모듈별 RMSE의 평균이 최소인 주파수 대역을 설정 주파수 대역으로 결정할 수 있다. 이와 같은 과정을 반복하여 설정 주파수 대역을 결정하고 설정 주파수 대역에 대응하는 설정 임피던스를 이용하여 배터리의 내부 온도를 추정하는 학습 모델을 생성할 수 있다.
배터리 관리 장치는 이상의 실시예들에 배터리 내부 온도를 추정할 수 있다. 또한 배터리 관리 장치는 배터리 내부 온도를 추정하여 화재 예측, 진단 및 관리를 수행할 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 본 발명의 원리와 일치하는 다른 실시예에서는 이 동작들의 순서가 변경될 수 있다. 또, 비종속적인(non-dependent) 동작들은 병렬로 실행될 수 있다.
예컨대 특정 모듈에 대응하는 설정 주파수 대역 및 SOC의 상관관계에 의해 결정된 설정 주파수 대역에 기초해서 임피던스 측정을 하고 내부온도 추정을 할 수도 있다. 또는 특정 채널에 대응하는 설정 주파수 대역 및 SOC의 상관관계에 의해 결정된 설정 주파수 대역에 기초해서 임피던스 측정을 하고 내부온도 추정을 할 수도 있다.
또한 본 발명에 따른 학습 모델은 GPU, CPU 및 TPU 중 적어도 하나를 포함하는 별도의 컴퓨팅 장치에 의해 생성되어 배터리 관리 장치의 메모리에 저장되어 있거나 별도의 서버에 저장되어 통신을 통해 제공될 수 있다.
그러므로, 다른 구현들, 일 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (14)

  1. 배터리의 주파수 대역별 임피던스를 측정하는 임피던스 측정부;
    상기 임피던스 측정부가 설정 주파수 대역의 신호를 상기 배터리에 인가하도록 제어하고, 상기 임피던스 측정부로부터 상기 설정 주파수 대역에 대응하는 설정 임피던스를 전달 받고, 학습 모델에 상기 설정 임피던스를 입력하여 상기 배터리의 내부 온도를 추정하는 컨트롤러를 포함하며,
    상기 설정 주파수 대역은 상기 주파수 대역별 임피던스와 충전 상태(SOC, State of Charge)의 상관관계에 의해 결정되는 배터리 관리 장치.
  2. 제1 항에 있어서,
    상기 설정 주파수 대역은 상기 주파수 대역별 임피던스와 상기 충전 상태의 상관관계를 최소화 하는 주파수 대역인 배터리 관리 장치.
  3. 제1 항에 있어서,
    상기 학습 모델은,
    상기 설정 임피던스 및 상기 배터리의 상기 내부 온도를 포함하는 데이터 세트에 기초하여 생성되는 배터리 관리 장치.
  4. 제3 항에 있어서,
    상기 학습 모델은,
    상기 배터리의 상기 내부 온도와 상기 설정 임피던스 사이의 다항 회귀 모델인 배터리 관리 장치.
  5. 제1 항에 있어서,
    상기 컨트롤러는,
    추정된 상기 배터리의 상기 내부 온도가 제1 임계값 이상인 경우, 화재 위험 메시지를 전송하는 배터리 관리 장치.
  6. 제1 항에 있어서,
    상기 컨트롤러는,
    추정된 상기 배터리의 상기 내부 온도가 제2 임계값 이상인 경우, 화재 진단을 하는 배터리 관리 장치.
  7. 제6 항에 있어서,
    상기 컨트롤러는,
    시간에 따른 상기 설정 임피던스의 위상 변화량이 제3 임계값 이상인 경우, 화재 관리를 하는 배터리 관리 장치.
  8. 배터리 관리 방법에 있어서,
    임피던스 측정부로부터 설정 주파수 대역에 대응하는 설정 임피던스를 측정하는 단계; 및
    학습 모델에 상기 설정 임피던스를 입력하여 상기 배터리의 내부 온도를 추정하는 단계를 포함하고,
    상기 설정 주파수 대역은 주파수 대역별 임피던스와 충전 상태(SOC, State of Charge)의 상관관계에 의해 결정되는 배터리 관리 방법.
  9. 제8 항에 있어서,
    상기 설정 주파수 대역은 상기 주파수 대역별 임피던스와 상기 충전 상태의 상관관계를 최소화 하는 주파수 대역인 배터리 관리 방법.
  10. 제8 항에 있어서,
    추정된 상기 배터리의 상기 내부 온도가 제1 임계값 이상인 경우, 화재 위험을 알리는 단계를 더 포함하는 배터리 관리 방법.
  11. 제8 항에 있어서,
    추정된 상기 배터리의 상기 내부 온도가 제2 임계값 이상인 경우, 화재 진단을 하는 단계를 더 포함하는 배터리 관리 방법.
  12. 제11 항에 있어서,
    상기 화재 진단을 하는 단계는,
    시간에 따른 상기 설정 임피던스의 위상 변화량이 제3 임계값 이상인 경우, 화재 관리를 하는 단계를 포함하는 배터리 관리 방법.
  13. 배터리의 내부 온도를 추정하기 위한 방법에 있어서,
    배터리 내부 온도를 설정하는 단계;
    임피던스 측정부로부터 상기 배터리 내부 온도에 대응하는 상기 배터리의 주파수 대역별 임피던스를 획득하는 단계;
    상기 배터리의 충전 상태(SOC, State of Charge)를 획득하는 단계;
    상기 주파수 대역별 임피던스와 상기 충전 상태 사이의 상관관계에 기초하여 설정 주파수 대역을 결정하는 단계;
    상기 주파수 대역별 임피던스 중 상기 설정 주파수 대역에 대응하는 설정 임피던스 및 설정된 상기 배터리의 상기 내부 온도를 데이터 세트로 결정하는 단계;
    상기 데이터 세트를 이용하여 상기 설정 임피던스로부터 상기 배터리의 상기 내부 온도를 추정하는 학습 모델을 생성하는 단계를 포함하는 배터리의 내부 온도를 추정하기 위한 방법.
  14. 제13 항에 있어서,
    상기 학습 모델은,
    상기 배터리의 상기 내부 온도와 상기 설정 임피던스 사이의 다항 회귀 모델인 배터리의 내부 온도를 추정하기 위한 방법.
PCT/KR2023/010247 2022-07-18 2023-07-18 배터리 내부 온도 추정을 위한 배터리 관리 장치 및 방법 WO2024019465A1 (ko)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
KR10-2022-0087934 2022-07-18
KR20220087934 2022-07-18
KR10-2022-0089385 2022-07-20
KR20220089385 2022-07-20
KR1020230015464A KR102604673B1 (ko) 2023-02-06 2023-02-06 배터리 내부 온도 추정을 위한 배터리 관리 장치 및 방법
KR10-2023-0015464 2023-02-06

Publications (1)

Publication Number Publication Date
WO2024019465A1 true WO2024019465A1 (ko) 2024-01-25

Family

ID=89618203

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/010247 WO2024019465A1 (ko) 2022-07-18 2023-07-18 배터리 내부 온도 추정을 위한 배터리 관리 장치 및 방법

Country Status (1)

Country Link
WO (1) WO2024019465A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140372055A1 (en) * 2013-06-14 2014-12-18 Hrl Laboratories, Llc Methods and apparatus for sensing the internal temperature of an electrochemical device
KR20170043056A (ko) * 2015-10-12 2017-04-20 삼성전자주식회사 배터리의 온도 추정 장치 및 방법, 배터리 관리 장치 및 방법
KR20200117794A (ko) * 2019-04-05 2020-10-14 주식회사 엘지화학 배터리 관리 장치 및 방법
KR20220057228A (ko) * 2020-10-29 2022-05-09 (주)비에이에너지 가상 센서 데이터를 이용한 에너지저장장치(ess)의 공조 시스템 제어 방법.
KR20220090633A (ko) * 2020-12-22 2022-06-30 주식회사 더센 하나 이상의 2차전지 셀을 포함하는 배터리 팩 또는 모듈을 위한 배터리 안전 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140372055A1 (en) * 2013-06-14 2014-12-18 Hrl Laboratories, Llc Methods and apparatus for sensing the internal temperature of an electrochemical device
KR20170043056A (ko) * 2015-10-12 2017-04-20 삼성전자주식회사 배터리의 온도 추정 장치 및 방법, 배터리 관리 장치 및 방법
KR20200117794A (ko) * 2019-04-05 2020-10-14 주식회사 엘지화학 배터리 관리 장치 및 방법
KR20220057228A (ko) * 2020-10-29 2022-05-09 (주)비에이에너지 가상 센서 데이터를 이용한 에너지저장장치(ess)의 공조 시스템 제어 방법.
KR20220090633A (ko) * 2020-12-22 2022-06-30 주식회사 더센 하나 이상의 2차전지 셀을 포함하는 배터리 팩 또는 모듈을 위한 배터리 안전 시스템

Similar Documents

Publication Publication Date Title
WO2018199434A1 (ko) 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법
TWI776155B (zh) 電池系統及其控制方法
WO2021049800A1 (ko) 배터리 이상 상태를 진단하기 위한 방법, 이를 위한 전자 장치 및 저장 매체
WO2017082705A1 (ko) 이차 전지의 출력 파라미터를 조정하는 시스템 및 그 방법
WO2018139764A2 (ko) 배터리 관리 장치 및 방법
WO2022114871A1 (ko) 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
WO2019208924A1 (ko) 배터리 상태 추정 방법
WO2017043890A1 (ko) 이차 전지의 못 관통 시험 장치 및 방법
WO2017034277A1 (ko) 이차 전지의 퇴화도 추정 장치 및 방법
WO2019074221A1 (ko) 이차 전지의 충전 상태를 추정하기 위한 장치 및 그 방법
WO2023068899A1 (ko) 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법
WO2022103185A1 (ko) 전지의 용량 측정 장치 및 방법, 및 상기 장치를 포함하는 전지 제어 시스템
WO2021049753A1 (ko) 배터리 진단 장치 및 방법
WO2021256638A1 (ko) 배터리의 충방전 특성을 사용하여 배터리를 전기 에너지를 저장하기 위한 ess 시스템
WO2021080161A1 (ko) 배터리 관리 시스템, 배터리 팩, 전기 차량 및 배터리 관리 방법
WO2020262787A1 (ko) 내부 단락 셀 검출 방법
WO2018194225A1 (ko) 배터리 모니터링 및 보호 시스템
WO2021080219A1 (ko) 배터리 퇴화도 진단 장치 및 방법
WO2020262789A1 (ko) 이상 배터리 셀 검출 방법
WO2022149917A1 (ko) 배터리 관리 장치 및 방법
WO2024019465A1 (ko) 배터리 내부 온도 추정을 위한 배터리 관리 장치 및 방법
WO2021230642A1 (ko) 배터리를 진단하기 위한 장치 및 그 방법
WO2018131874A1 (ko) 에너지 절약 및 빠른 셀 밸런싱이 가능한 충전 제어 장치 및 방법
WO2023224414A1 (ko) 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
WO2021040217A1 (ko) 에너지저장시스템(ess)의 셀 안정화 방법 및 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: 23843311

Country of ref document: EP

Kind code of ref document: A1