WO2024049172A1 - 배터리 상태 예측 장치 및 그것의 동작 방법 - Google Patents

배터리 상태 예측 장치 및 그것의 동작 방법 Download PDF

Info

Publication number
WO2024049172A1
WO2024049172A1 PCT/KR2023/012809 KR2023012809W WO2024049172A1 WO 2024049172 A1 WO2024049172 A1 WO 2024049172A1 KR 2023012809 W KR2023012809 W KR 2023012809W WO 2024049172 A1 WO2024049172 A1 WO 2024049172A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery
data
state
predicting
state data
Prior art date
Application number
PCT/KR2023/012809
Other languages
English (en)
French (fr)
Inventor
정원석
조빛나
박준철
Original Assignee
주식회사 엘지에너지솔루션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 엘지에너지솔루션 filed Critical 주식회사 엘지에너지솔루션
Publication of WO2024049172A1 publication Critical patent/WO2024049172A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • Embodiments disclosed in this document relate to a battery state prediction device and a method of operating the same.
  • Electric vehicles receive electricity from outside, charge the battery, and then obtain power by driving the motor with the voltage charged in the battery.
  • Electric vehicle batteries can generate heat due to chemical reactions that occur during the charging and discharging process, and this heat can damage the performance and lifespan of the battery. Therefore, a battery management system (BMS, Battery Management System) that monitors the temperature, voltage, and current of the battery is operated to predict the battery life (SOH, State of Health).
  • BMS Battery Management System
  • Battery management devices can analyze the state of the battery by training large amounts of battery data into an artificial intelligence model that analyzes the state of the battery.
  • the efficiency of battery management devices decreases in the process of managing and analyzing large amounts of battery data, which reduces the performance and speed of artificial intelligence models and causes errors. Therefore, it is necessary to analyze the state of the battery by constructing a suitable learning data set to be input into the artificial intelligence model.
  • One purpose of the embodiments disclosed in this document is a battery state prediction device and its The goal is to provide a method of operation.
  • a battery state prediction device includes first battery data acquired during a predetermined time after the charging of the battery is completed and second battery data acquired during a predetermined time after the discharging of the battery is completed.
  • a data management unit that extracts and applies the first battery data to a first deep learning model to obtain first state data predicting the state of the battery, and applies the second battery data to a second deep learning model to obtain the first state data that predicts the state of the battery. It may include a controller that acquires second state data predicting the state of the battery and predicts the state of the battery based on the first state data and the second state data.
  • the controller may generate third state data by combining the first state data and the second state data, and predict the state of the battery based on the third state data.
  • the controller applies the first battery data to a first convolutional neural network (CNN) model to extract features of the first battery data and the second battery data.
  • the characteristics of the second battery data can be extracted by applying to the second convolutional neural network model.
  • the controller is based on a weighted sum of a first value obtained by converting the characteristics of the first battery data into an embedding vector and a second value obtained by converting the characteristics of the second battery data into an embedding vector.
  • a third value can be generated, and the state of the battery can be predicted based on the third value.
  • the first battery data and the second battery data include cumulatively measured voltage, current, and temperature of the battery, and the first state data, the second state data, and the third The state data may include a state of health (SOH) of the battery calculated based on the first battery data and the second battery data.
  • SOH state of health
  • a method of operating a battery state prediction device includes extracting first battery data acquired during a predetermined time after charging of the battery is completed from among battery data, Extracting second battery data acquired during a predetermined time after discharge is completed, applying the first battery data to a first deep learning model to obtain first state data predicting the state of the battery, Applying the second battery data to a second deep learning model to obtain second state data predicting the state of the battery, and predicting the state of the battery based on the first state data and the second state data.
  • predicting the state of the battery based on the first state data and the second state data includes combining the first state data and the second state data to generate third state data; , the state of the battery can be predicted based on the third state data.
  • the step of obtaining first state data predicting the state of the battery by applying the first battery data to a first deep learning model includes applying the first battery data to a first convolutional neural network model.
  • the step of extracting the characteristics of the first battery data and applying the second battery data to a second deep learning model to obtain second state data predicting the state of the battery includes applying the second battery data to the second battery data.
  • the characteristics of the second battery data can be extracted by applying a convolutional neural network model.
  • predicting the state of the battery based on the first state data and the second state data includes converting the characteristics of the first battery data into an embedding vector and converting the first value and the second battery
  • a third value may be generated based on a weighted sum of the second values obtained by converting data characteristics into an embedding vector, and the state of the battery may be predicted based on the third value.
  • predicting the state of the battery based on the first state data and the second state data may predict SOH of the battery.
  • FIG. 1 is a diagram showing a battery pack according to an embodiment disclosed in this document.
  • FIG. 2 is a diagram for generally explaining a battery state prediction device according to an embodiment disclosed in this document.
  • FIG. 3 is a block diagram showing the configuration of a battery state prediction device according to an embodiment disclosed in this document.
  • FIG. 4A is a graph showing voltage changes in battery data according to an embodiment disclosed in this document.
  • FIG. 4B is a graph showing a change in voltage of first battery data according to an embodiment disclosed in this document.
  • Figure 4c is a graph showing the voltage change of second battery data according to an embodiment disclosed in this document.
  • FIG. 5 is a flowchart showing a method of operating a battery state prediction device according to an embodiment disclosed in this document.
  • Figure 6 is a block diagram showing the hardware configuration of a computing system that implements a battery state prediction device according to an embodiment disclosed in this document.
  • FIG. 1 is a diagram showing a battery pack according to an embodiment disclosed in this document.
  • a battery pack 1000 may include a battery module 100, a battery state prediction device 200, and a relay 300.
  • the battery module 100 may include a plurality of battery cells 110, 120, 130, and 140. Although the plurality of battery cells is shown in FIG. 1 as four, the battery module 100 is not limited thereto, and the battery module 100 may be configured to include n (n is a natural number of 2 or more) battery cells.
  • the battery module 100 may supply power to a target device (not shown). To this end, the battery module 100 may be electrically connected to the target device.
  • the target device may include an electrical, electronic, or mechanical device that operates by receiving power from the battery pack 1000 including a plurality of battery cells 110, 120, 130, and 140, for example.
  • the target device may be an electric vehicle (EV) or an energy storage system (ESS), but is not limited thereto.
  • EV electric vehicle
  • ESS energy storage system
  • a plurality of battery cells are the basic units of a battery that can be used by charging and discharging electrical energy, and include a lithium-ion (Li-ion) battery, a lithium-ion polymer (Li-ion polymer) battery, and a nickel battery. It may be a cadmium (Ni-Cd) battery, a nickel hydride (Ni-MH) battery, etc., but is not limited thereto. Meanwhile, in FIG. 1, there is shown a single battery module 100, but depending on the embodiment, the battery module 100 may be comprised of a plurality of battery modules 100.
  • the battery state prediction device 200 determines the lifespan (SOH) of the plurality of battery cells 110, 120, 130, and 140 based on the temperature, current, and voltage data of the plurality of battery cells 110, 120, 130, and 140.
  • the state of the battery cells included can be predicted.
  • the battery state prediction device 200 determines the status of the plurality of battery cells 110, 120, 130, and 140 for each temperature, current, and voltage of the battery based on the battery data of the plurality of battery cells 110, 120, 130, and 140. can be predicted.
  • the battery state prediction device 200 may be implemented in the form of a battery management system (BMS). Additionally, depending on the embodiment, the battery state prediction device 200 may be mounted on a battery management device.
  • BMS battery management system
  • the battery management device may manage and/or control the status and/or operation of the battery module 100.
  • the battery management device may manage and/or control the status and/or operation of the plurality of battery cells 110, 120, 130, and 140 included in the battery module 100.
  • the battery management device may manage charging and/or discharging of the battery module 100.
  • the battery management device may monitor the voltage, current, temperature, etc. of the battery module 100 and/or each of the plurality of battery cells 110, 120, 130, and 140 included in the battery module 100. Additionally, for monitoring by the battery management device, sensors or various measurement modules, not shown, may be additionally installed in the battery module 100, the charging/discharging path, or any other location in the battery module 100.
  • the battery management device can calculate parameters indicating the state of the battery module 100, such as SOC (State of Charge) or SOH (State of Health), based on monitored measured values such as voltage, current, and temperature. there is.
  • the battery management device can control the operation of the relay 300. For example, the battery management device may short-circuit the relay 300 to supply power to the target device. Additionally, the battery management device may short-circuit the relay 300 when a charging device is connected to the battery pack 1000.
  • the battery management device may calculate the cell balancing time of each of the plurality of battery cells 110, 120, 130, and 140.
  • the cell balancing time may be defined as the time required to balance battery cells.
  • the battery management device may calculate the cell balancing time based on the state of charge (SOC), battery capacity, and balancing efficiency of each of the plurality of battery cells 110, 120, 130, and 140.
  • FIG. 2 is a diagram for generally explaining a battery state prediction device according to an embodiment disclosed in this document.
  • the battery state prediction device 200 extracts part of the battery data (A) and
  • the battery state prediction device 200 may acquire battery data A of a plurality of battery cells 110, 120, 130, and 140.
  • the battery management device checks the degradation performance, that is, SOH, of the plurality of battery cells 110, 120, 130, and 140 when the SOC of the battery reaches a voltage value of 100% from the voltage value at which the SOC of the battery is 0%.
  • Battery data (A) including battery measurement values can be obtained up to. Accordingly, the battery state prediction device 200 can acquire battery data (A) including the voltage, current, and temperature of the plurality of battery cells 110, 120, 130, and 140 cumulatively measured during the charging and discharging period. there is,
  • the battery state prediction device 200 may build a learning data set to be used in a deep learning model of the battery state prediction device 200 based on the battery data A.
  • Deep learning is one of the types of machine learning algorithms and refers to a technology that connects artificial neural networks in the form of numerous layers.
  • Machine learning is a technology that trains computers to predict certain results.
  • the results using machine learning include the process of preparing training data to train the machine and training it in a way suitable for the problem, the process of validating the model with test data, It includes the process of predicting results using a model that has passed verification.
  • machine learning it is important that the learning data well represent the characteristics that are intended to be generalized through machine learning, so it is generated using training data that is limitedly selected according to certain criteria. If the correlation between the characteristics to be generalized through machine learning and the characteristics of the learning data is low, sampling noise occurs and it is difficult for the machine problem analysis model to find inherent patterns, which is independent of the accuracy of the machine problem analysis model itself. There is a problem that the model's reliability decreases as the model's error increases. Therefore, machine learning technology must invest time in evaluating and processing learning data to select a learning data set.
  • the battery state prediction device 200 may generate a learning data set by extracting part of the battery data (A) in order to train the first deep learning model 221 and the second deep learning model 222.
  • the first deep learning model 221 and the second deep learning model 222 may refer to a learning model capable of predicting the state of the battery, including the battery life (SOH), based on input battery data. .
  • the battery state prediction device 200 generates a learning data set for machine learning the first deep learning model 221 and the second deep learning model 222, and It is possible to reduce errors in machine learning of the learning model 222 and increase reliability.
  • the battery state prediction device 200 can predict the states of a plurality of battery cells 110, 120, 130, and 140 by inputting the learning data set into the first deep learning model 221 and the second deep learning model 222. there is.
  • FIG. 3 is a block diagram showing the configuration of a battery state prediction device according to an embodiment disclosed in this document.
  • the battery state prediction device 200 may include a data management unit 210 and a controller 220.
  • the data management unit 210 may collect battery data (A).
  • the battery data (A) may be defined as a value recording the change in the amount of electricity from a discharged state to a fully charged state or from a fully charged state to a discharged state of a plurality of battery cells 110, 120, 130, and 140. .
  • the data management unit 210 provides first battery data (A1) acquired during a predetermined time after the charging of the battery is completed and second battery data acquired during a predetermined time after the discharging of the battery is completed. (A2) can be extracted.
  • the first battery data (A1) and the second battery data (A2) may include cumulatively measured voltage, current, and temperature of the battery.
  • FIG. 4A is a graph showing voltage changes in battery data according to an embodiment disclosed in this document.
  • a section in which the voltage of the battery changes suddenly can be extracted from the battery data (A).
  • a section in which the voltage of the battery changes suddenly during an idle section after charging the battery may be set as the first battery data (A1).
  • a section in which the voltage of the battery changes suddenly during a discharge section after the battery is at rest can be set as second battery data (A2).
  • the data management unit 210 may extract first battery data (A1) and second battery data (A2) from the battery data (A) as data necessary for predicting the lifespan of the battery when the voltage or current of the battery changes suddenly.
  • FIG. 4B is a graph showing a change in voltage of first battery data according to an embodiment disclosed in this document.
  • the first battery data A1 shown in FIG. 4B includes information on the voltage change of the battery in the rest period after charging the battery.
  • the data management unit 210 may extract the first battery data (A1) corresponding to the voltage change in the idle period after charging the battery and use it for training a deep learning model.
  • the first battery data A1 may include data of the last 1 second of the battery charging period and 60 seconds of the rest period immediately after charging the battery. That is, the first battery data A1 may include battery data A corresponding to a total period of 61 seconds.
  • Figure 4c is a graph showing the voltage change of second battery data according to an embodiment disclosed in this document.
  • the second battery data A2 shown in FIG. 4C includes information on the voltage change of the battery when the battery enters a discharge section after resting.
  • the battery may be affected by Ohmic Resistance, which is generated by the internal resistance of the battery as current is applied to the battery when discharge begins after resting.
  • the second battery data A2 which includes information on the change in voltage of the battery during the discharge period after the battery is idle, may include a voltage drop (IR Drop) phenomenon caused by the internal resistance of the battery.
  • the voltage drop phenomenon refers to the potential difference between two points in the conducting phase while the current flows.
  • the data management unit 210 may extract the second battery data (A2) corresponding to the voltage change in the discharge section after the battery is idle and use it for training a deep learning model.
  • the second battery data A2 may include data of the last 1 second of the battery rest period after charging and 40 seconds of the discharge period immediately after the battery rest. That is, the second battery data A2 may include battery data A corresponding to a total period of 41 seconds.
  • the data management unit 110 may collect first battery data (A1) and second battery data (A2) as a learning data set to be input into a deep learning model.
  • the data management unit 210 may manage the first battery data (A1) and the second battery data (A2) by dividing them into respective time series data (Time Series).
  • time series data refers to data arranged at regular time intervals over time.
  • the controller 220 processes the first battery data (A1) and the second battery data (A2) including temperature, current, and voltage changes of a plurality of battery cells (110, 120, 130, and 140) using a deep learning time series analysis structure.
  • the state of the battery can be predicted by applying it to the model.
  • the controller 220 may apply the first battery data A1 to the first deep learning model 221 to obtain first state data predicting the state of the battery. Additionally, the controller 220 may apply the second battery data A2 to the second deep learning model 222 to obtain second state data predicting the state of the battery. That is, the controller 220 may obtain separate output data (Output) by inputting the first battery data (A1) and the second battery data (A2) into separate deep learning models.
  • Output output data
  • the first state data and the second state data are battery life (SOH) data and second battery data (A2) calculated by using the first battery data (A1) as learning data of the first deep learning model 221. It may include battery life (SOH) data calculated by using as learning data of the second deep learning model 222.
  • SOH battery life
  • the first deep learning model 221 and the second deep learning model 222 may include, for example, a 1D Convolutional Neural Network (1D CNN) model.
  • the convolutional neural network model can mainly extract features of matrix data or image data.
  • one-dimensional means that the kernel for convolution and the sequence of applied data have a one-dimensional shape.
  • One-dimensional convolutional neural networks can analyze the characteristics of time series data or text.
  • the controller 220 may apply the first battery data A1 to a first convolutional neural network model to extract features of the first battery data A1. Additionally, the controller 220 may extract characteristics of the second battery data (A2) by applying the second battery data (A2) to the second convolutional neural network model.
  • the controller 220 may predict the state of the battery based on the first state data and the second state data. Specifically, the controller 220 may generate third state data by combining the first state data and the second state data. The controller 220 may predict the state of the battery based on the third state data.
  • the third state data may include battery life data.
  • the controller 220 may generate a first value obtained by converting the characteristics of the first battery data A1 into an embedding vector and a second value obtained by converting the characteristics of the second battery data A2 into an embedding vector. You can create a third value by combining.
  • embedding can be defined as the process of converting the natural language used by humans into an array of numbers that machines can understand.
  • the controller 220 may combine the first value and the second value by inputting them into a sequential function (CONCATENATE).
  • the controller 220 may generate a third value by inputting data generated by combining the first value and the second value into a single-layer perceptron model.
  • the single-layer perceptron model can receive multiple signals as input and output one signal.
  • the single-layer perceptron model assigns weights to a plurality of input signals and can generate an output signal based on a weighted sum obtained by multiplying each signal by its unique weight.
  • the weighted sum can be defined as the average value obtained by reflecting the weight corresponding to the importance or influence of the data value when calculating the average of the data.
  • the controller 220 may input the first and second values into the single-layer perceptron model and generate the third value based on the weighted sum of the first and second values.
  • the third value can be created by multiplying the first value and the second value by a weight, and adding the values multiplied by the weight.
  • the weight between the first value and the second value can be determined as a value that maximizes accuracy through experimentation using a test data set.
  • the controller 220 may obtain a third value that is prediction data on the state of the battery.
  • the third value data may include battery life data.
  • One purpose of the embodiments disclosed in this document is a battery state prediction device and its The goal is to provide a method of operation.
  • the battery state prediction device can improve the accuracy of the deep learning model by extracting some of the battery data as a learning data set and training it on a plurality of deep learning models.
  • the battery status prediction device can reduce the computing time of a deep learning model that predicts the status of the battery in real time by simplifying and lightweighting the learning data, and can also shorten the time required to collect and manage the learning data.
  • FIG. 5 is a flowchart showing a method of operating a battery state prediction device according to an embodiment disclosed in this document.
  • the battery state prediction device 200 may be substantially the same as the battery state prediction device 200 described with reference to FIGS. 1 to 4C, it will be briefly described below to avoid duplication of description.
  • the method of operating the battery state prediction device includes extracting first battery data (A1) acquired during a predetermined time after the charging of the battery is completed from the battery data (A).
  • Step (S101) extracting the second battery data (A2) acquired during a predetermined time after the discharge of the battery is completed among the battery data (S102), applying the first battery data (A1) to the first deep learning model ( 221) to obtain first state data predicting the state of the battery (S103), and applying the second battery data A2 to the second deep learning model 222 to predict the state of the battery (S103). It may include obtaining state data (S104) and predicting the state of the battery based on the first state data and the second state data (S105).
  • the data management unit 210 may collect battery data (A) of a plurality of battery cells (110, 120, 130, and 140).
  • the battery data (A) may be defined as a value recording the change in the amount of electricity from a discharged state to a fully charged state or from a fully charged state to a discharged state of a plurality of battery cells 110, 120, 130, and 140.
  • the data management unit 210 may acquire battery data (A) including the voltage, current, and temperature of the plurality of battery cells 110, 120, 130, and 140 cumulatively measured during the charge and discharge period.
  • the data management unit 210 may extract the first battery data (A1) acquired during a predetermined period of time after the charging of the battery is completed from the battery data (A). In step S101, the data management unit 210 may extract the first battery data (A1) corresponding to the voltage change in the rest period after charging the battery and use it for training a deep learning model.
  • the first battery data A1 may include the cumulatively measured voltage, current, and temperature of the battery.
  • the first battery data A1 may include data of the last 1 second of the battery charging period and 60 seconds of the rest period immediately after charging the battery. That is, the first battery data A1 may include battery data A corresponding to a total period of 61 seconds.
  • the data management unit 210 may extract the second battery data (A2) acquired during a predetermined period of time after the battery was completely discharged from the battery data (A). In step S102, the data management unit 210 may extract the second battery data (A2) corresponding to the voltage change in the discharge section after the battery is idle and use it for training a deep learning model.
  • the second battery data A2 may include the cumulatively measured voltage, current, and temperature of the battery.
  • the second battery data A2 may include data of the last 1 second of the battery rest period after charging and 40 seconds of the discharge period immediately after the battery rest. That is, the second battery data A2 may include battery data A corresponding to a total period of 41 seconds.
  • step S103 the controller 220 may obtain first state data predicting the state of the battery by applying the first battery data A1 to the first deep learning model 221.
  • step S103 specifically, the controller 220 processes the first battery data (A1) including temperature, current, and voltage changes of the plurality of battery cells (110, 120, 130, and 140) into a deep learning model with a time series analysis structure. By applying it, you can predict the state of the battery.
  • the first state data may include battery life (SOH) data calculated by using the first battery data (A1) as training data for the first deep learning model 221.
  • the first deep learning model 221 may include, for example, a one-dimensional convolutional neural network model.
  • Convolutional neural network models can mainly extract features of matrix data or image data.
  • one-dimensional means that the kernel for convolution and the sequence of applied data have a one-dimensional shape.
  • One-dimensional convolutional neural networks can analyze the characteristics of time series data or text.
  • step S103 the controller 220 may apply the first battery data A1 to the first convolutional neural network model to extract characteristics of the first battery data A1.
  • step S104 the controller 220 may apply the second battery data A2 to the second deep learning model 222 to obtain second state data predicting the state of the battery.
  • step S104 specifically, the controller 220 processes the second battery data (A2) including temperature, current, and voltage changes of the plurality of battery cells (110, 120, 130, and 140) into a deep learning model with a time series analysis structure.
  • the second state data may include battery life (SOH) data calculated by using the second battery data (A2) as training data for the second deep learning model 222.
  • the second deep learning model 222 may include, for example, a one-dimensional convolutional neural network model.
  • step S104 the controller 220 may apply the second battery data A2 to the second convolutional neural network model to extract features of the second battery data A2.
  • step S105 the controller 220 may predict the state of the battery based on the first state data and the second state data.
  • step S105 specifically, the controller 220 may generate third state data by combining the first state data and the second state data.
  • the controller 220 may predict the state of the battery based on the third state data.
  • the third state data may include battery life data.
  • step S105 the controller 220 converts the first value by converting the characteristics of the first battery data (A1) into an embedding vector and the characteristics of the second battery data (A2) into an embedding vector.
  • a third value can be created by combining one second value.
  • embedding can be defined as the process of converting natural language used by humans into an array of numbers that machines can understand.
  • step S105 specifically, the controller 220 may input the first value and the second value into a sequential function and combine them.
  • the controller 220 may generate a third value by inputting data generated by combining the first value and the second value into a single-layer perceptron model.
  • the single-layer perceptron model can receive multiple signals as input and output one signal.
  • the single-layer perceptron model assigns weights to each of the multiple input signals and can generate an output signal based on a weighted sum obtained by multiplying each signal by its unique weight.
  • step S105 the controller 220 may input the first and second values into the single-layer perceptron model and generate a third value based on the weighted sum of the first and second values.
  • the third value can be created by multiplying the first value and the second value by a weight, and adding the values multiplied by the weight.
  • step S105 a third value that is prediction data of the state of the battery of the controller 220 may be obtained.
  • the third value data may include battery life data.
  • Figure 6 is a block diagram showing the hardware configuration of a computing system that implements a battery state prediction device according to an embodiment disclosed in this document.
  • the computing system 2000 may include an MCU 2100, a memory 2200, an input/output I/F 2300, and a communication I/F 2400. there is.
  • the MCU 2100 executes various programs (e.g., battery state prediction programs) stored in the memory 2200, processes various data through these programs, and operates the battery management device 200 shown in FIG. 1 described above. It may be a processor that performs the functions of.
  • programs e.g., battery state prediction programs
  • the memory 2200 may store various programs related to the operation of the battery state prediction device 200. Additionally, the memory 2200 may store operating data of the battery state prediction device 200.
  • the memory 2200 may be a volatile memory or a non-volatile memory.
  • the memory 2200 as a volatile memory may use RAM, DRAM, SRAM, etc.
  • the memory 2200 as a non-volatile memory may be ROM, PROM, EAROM, EPROM, EEPROM, flash memory, etc.
  • the examples of memories 2200 listed above are merely examples and are not limited to these examples.
  • the input/output I/F 2300 is an interface that connects input devices such as a keyboard, mouse, and touch panel (not shown) and output devices such as a display (not shown) and the MCU 2100 to transmit and receive data. can be provided.
  • the communication I/F 2400 is a component that can transmit and receive various data with a server, and may be various devices that can support wired or wireless communication. For example, programs or various data for resistance measurement and abnormality diagnosis can be transmitted and received from a separately provided external server through the communication I/F 2400.
  • A1 First battery data
  • A2 Second battery data

Landscapes

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

Abstract

본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치는 배터리의 충전이 완료된 시점 이후의 소정 시간 동안에 획득된 제1 배터리 데이터 및 상기 배터리의 방전이 완료된 시점 이후의 소정 시간 동안에 획득된 제2 배터리 데이터를 추출하는 데이터 관리부 및 상기 제1 배터리 데이터를 제1 딥러닝 모델에 적용하여 상기 배터리의 상태를 예측한 제1 상태 데이터를 획득하고, 상기 제2 배터리 데이터를 제2 딥러닝 모델에 적용하여 상기 배터리의 상태를 예측한 제2 상태 데이터를 획득하고, 상기 제1 상태 데이터 및 상기 제2 상태 데이터에 기초하여 상기 배터리의 상태를 예측하는 컨트롤러를 포함할 수 있다.

Description

배터리 상태 예측 장치 및 그것의 동작 방법
관련출원과의 상호인용
본 출원은 2022년 8월 30일자로 출원된 대한민국 특허출원 제10-2022-0109524호에 기초한 우선권의 이익을 주장하며, 해당 특허출원의 문헌에 개시된 모든 내용을 본 명세서의 일부로서 포함한다.
기술분야
본 문서에 개시된 실시예들은 배터리 상태 예측 장치 및 그것의 동작 방법에 관한 것이다.
전기차는 외부로부터 전기를 공급받아 배터리를 충전한 후, 배터리에 충전된 전압으로 모터를 구동시켜 동력을 얻는다. 전기차의 배터리는 전기를 충전 및 방전하는 과정에서 발생하는 화학적 반응으로 열이 발생할 수 있고, 이러한 열은 배터리 의 성능 및 수명을 손상시킬 수 있다. 따라서 배터리의 온도, 전압 및 전류를 모니터링하는 배터리 관리 장치(BMS, Battery Management System)가 구동되어 배터리의 수명(SOH, State of Health)을 예측할 수 있다.
배터리 관리 장치는 대용량의 배터리 데이터를 배터리의 상태를 분석하는 인공 지능 모델에 학습시켜 배터리의 상태를 분석할 수 있다. 그러나 배터리 관리 장치는 대용량의 배터리 데이터를 관리 및 분석하는 과정에서 효율이 저하되어 인공 지능 모델의 성능 및 속도가 하락하고 오류가 발생하는 문제가 있다. 따라서, 인공 지능 모델에 투입될 적합한 학습 데이터 셋을 구축하여 배터리의 상태를 분석할 필요가 있다.
본 문서에 개시되는 실시예들의 일 목적은 배터리 데이터 중 일부를 학습 데이터로 추출하여 배터리 상태를 분석하는 인공 지능 모델을 학습시켜, 인공 지능 모델의 성능을 향상시킬 수 있는 배터리 상태 예측 장치 및 그것의 동작 방법을 제공하는 데 있다.
본 문서에 개시된 실시예들의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치는 배터리의 충전이 완료된 시점 이후의 소정 시간 동안에 획득된 제1 배터리 데이터 및 상기 배터리의 방전이 완료된 시점 이후의 소정 시간 동안에 획득된 제2 배터리 데이터를 추출하는 데이터 관리부 및 상기 제1 배터리 데이터를 제1 딥러닝 모델에 적용하여 상기 배터리의 상태를 예측한 제1 상태 데이터를 획득하고, 상기 제2 배터리 데이터를 제2 딥러닝 모델에 적용하여 상기 배터리의 상태를 예측한 제2 상태 데이터를 획득하고, 상기 제1 상태 데이터 및 상기 제2 상태 데이터에 기초하여 상기 배터리의 상태를 예측하는 컨트롤러를 포함할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 제1 상태 데이터 및 상기 제2 상태 데이터를 결합하여 제3 상태 데이터를 생성하고, 상기 제3 상태 데이터에 기초하여 상기 배터리의 상태를 예측할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 제1 배터리 데이터를 제1 합성곱 신경망 (Convolutional Neural Network, CNN) 모델에 적용하여 상기 제1 배터리 데이터의 특성(feature)을 추출하고, 상기 제2 배터리 데이터를 제2 합성곱 신경망 모델에 적용하여 상기 제2 배터리 데이터의 특성을 추출할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 제1 배터리 데이터의 특성을 임베딩(Embedding) 벡터로 변환한 제1 값과 상기 제2 배터리 데이터의 특성을 임베딩 벡터로 변환한 제2 값의 가중합에 기초하여 제3 값을 생성하고, 상기 제3 값에 기초하여 상기 배터리의 상태를 예측할 수 있다.
일 실시예에 따라, 상기 제1 배터리 데이터 및 상기 제2 배터리 데이터는 누적적으로 측정된 상기 배터리의 전압, 전류 및 온도를 포함하고, 상기 제1 상태 데이터, 상기 제2 상태 데이터 및 상기 제3 상태 데이터는 상기 제1 배터리 데이터 및 상기 제2 배터리 데이터를 기초로 산출된 상기 배터리의 SOH(State of Health)를 포함할 수 있다.
본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치의 동작 방법은 배터리 데이터 중 상기 배터리의 충전이 완료된 시점 이후의 소정 시간 동안에 획득된 제1 배터리 데이터를 추출하는 단계, 상기 배터리 데이터 중 상기 배터리의 방전이 완료된 시점 이후의 소정 시간 동안에 획득된 제2 배터리 데이터를 추출하는 단계, 상기 제1 배터리 데이터를 제1 딥러닝 모델에 적용하여 상기 배터리의 상태를 예측한 제1 상태 데이터를 획득하는 단계, 상기 제2 배터리 데이터를 제2 딥러닝 모델에 적용하여 상기 배터리의 상태를 예측한 제2 상태 데이터를 획득하는 단계 및 상기 제1 상태 데이터 및 상기 제2 상태 데이터에 기초하여 상기 배터리의 상태를 예측할 수 있다.
일 실시예에 따라, 상기 제1 상태 데이터 및 상기 제2 상태 데이터에 기초하여 상기 배터리의 상태를 예측하는 단계는 상기 제1 상태 데이터 및 상기 제2 상태 데이터를 결합하여 제3 상태 데이터를 생성하고, 상기 제3 상태 데이터에 기초하여 상기 배터리의 상태를 예측할 수 있다.
일 실시예에 따라, 상기 제1 배터리 데이터를 제1 딥러닝 모델에 적용하여 상기 배터리의 상태를 예측한 제1 상태 데이터를 획득하는 단계는 상기 제1 배터리 데이터를 제1 합성곱 신경망 모델에 적용하여 상기 제1 배터리 데이터의 특성을 추출하고, 상기 제2 배터리 데이터를 제2 딥러닝 모델에 적용하여 상기 배터리의 상태를 예측한 제2 상태 데이터를 획득하는 단계는 상기 제2 배터리 데이터를 제2 합성곱 신경망 모델에 적용하여 상기 제2 배터리 데이터의 특성을 추출할 수 있다.
일 실시예에 따라, 상기 제1 상태 데이터 및 상기 제2 상태 데이터에 기초하여 상기 배터리의 상태를 예측하는 단계는 상기 제1 배터리 데이터의 특성을 임베딩 벡터로 변환한 제1 값과 상기 제2 배터리 데이터의 특성을 임베딩 벡터로 변환한 제2 값의 가중합에 기초하여 제3 값을 생성하고, 상기 제3 값에 기초하여 상기 배터리의 상태를 예측할 수 있다.
일 실시예에 따라, 상기 제1 상태 데이터 및 상기 제2 상태 데이터에 기초하여 상기 배터리의 상태를 예측하는 단계는 상기 배터리의 SOH를 예측할 수 있다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 팩을 보여주는 도면이다.
도 2는 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치를 전반적으로 설명하기 위한 도면이다.
도 3은 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치의 구성을 보여주는 블록도이다.
도 4a 본 문서에 개시된 일 실시예에 따른 배터리 데이터의 전압 변화를 보여주는 그래프이다.
도 4b 본 문서에 개시된 일 실시예에 따른 제1 배터리 데이터의 전압 변화를 보여주는 그래프이다.
도 4c 본 문서에 개시된 일 실시예에 따른 제2 배터리 데이터의 전압 변화를 보여주는 그래프이다.
도 5는 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치의 동작 방법을 보여주는 흐름도이다.
도 6은 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치를 구현하는 컴퓨팅 시스템의 하드웨어 구성을 나타내는 블록도이다.
이하, 본 문서에 개시된 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 문서에 개시된 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 문서에 개시된 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 문서에 개시된 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 문서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 팩을 보여주는 도면이다.
도 1을 참조하면, 본 문서에 개시된 일 실시예에 따른 배터리 팩(1000)은 배터리 모듈(100), 배터리 상태 예측 장치(200), 및 릴레이(300)를 포함할 수 있다.
배터리 모듈(100)은 복수의 배터리 셀들(110, 120, 130, 140)을 포함할 수 있다. 도 1에서는 복수의 배터리 셀들이 4개인 것으로 도시되었지만, 이에 한정되는 것은 아니며, 배터리 모듈(100)은 n(n은 2이상의 자연수)개의 배터리 셀들을 포함하여 구성될 수 있다.
배터리 모듈(100)은 대상 장치(미도시)에 전원을 공급할 수 있다. 이를 위해, 배터리 모듈(100)은 대상 장치와 전기적으로 연결될 수 있다. 여기서, 대상 장치는 복수의 배터리 셀들(110, 120, 130, 140)을 포함하는 배터리 팩(1000)으로부터 전원을 공급받아 동작하는 전기적, 전자적, 또는 기계적인 장치를 포함할 수 있으며, 예를 들어, 대상 장치는 전기 자동차(EV) 또는 에너지 저장 시스템(ESS, Energy Storage System)일 수 있으나 이에 한정되는 것은 아니다.
복수의 배터리 셀들(110, 120, 130, 140)은 전기 에너지를 충방전하여 사용할 수 있는 배터리의 기본 단위로, 리튬이온(Li-ion) 전지, 리튬이온 폴리머(Li-ion polymer) 전지, 니켈 카드뮴(Ni-Cd) 전지, 니켈 수소(Ni-MH) 전지 등일 수 있으며, 이에 한정되지 않는다. 한편, 도 1에서는 배터리 모듈(100)이 한 개인 경우로 도시되나, 실시예에 따라 배터리 모듈(100)은 복수개로 구성될 수도 있다.
배터리 상태 예측 장치(200)는 복수의 배터리 셀들(110, 120, 130, 140)의 온도, 전류 및 전압 데이터에 기초하여 복수의 배터리 셀들(110, 120, 130, 140)의 수명(SOH)를 포함하는 배터리 셀들의 상태를 예측할 수 있다. 배터리 상태 예측 장치(200)는 복수의 배터리 셀들(110, 120, 130, 140)의 배터리 데이터에 기초하여 배터리의 온도, 전류 및 전압별 복수의 배터리 셀들(110, 120, 130, 140)의 상태를 예측할 수 있다.
일 실시예에 따라, 배터리 상태 예측 장치(200)는 배터리 관리 장치(BMS, Battery Management System)의 형태로 구현될 수 있다. 또한, 실시예에 따라, 배터리 상태 예측 장치(200)는 배터리 관리 장치에 탑재될 수 있다.
여기서 배터리 관리 장치는 배터리 모듈(100)의 상태 및/또는 동작을 관리 및/또는 제어할 수 있다. 예를 들어, 배터리 관리 장치는 배터리 모듈(100)에 포함된 복수의 배터리 셀들(110, 120, 130, 140)의 상태 및/또는 동작을 관리 및/또는 제어할 수 있다. 배터리 관리 장치는 배터리 모듈(100)의 충전 및/또는 방전을 관리할 수 있다.
또한, 배터리 관리 장치는 배터리 모듈(100) 및/또는 배터리 모듈(100)에 포함된 복수의 배터리 셀들(110, 120, 130, 140) 각각의 전압, 전류, 온도 등을 모니터링 할 수 있다. 그리고 배터리 관리 장치에 의한 모니터링을 위해 도시하지 않은 센서나 각종 측정 모듈이 배터리 모듈(100)이나 충방전 경로, 또는 배터리 모듈(100) 등의 임의의 위치에 추가로 설치될 수 있다. 배터리 관리 장치는 모니터링 한 전압, 전류, 온도 등의 측정값에 기초하여 배터리 모듈(100)의 상태를 나타내는 파라미터, 예를 들어 SOC(State of Charge)나 SOH(State of Health) 등을 산출할 수 있다.
배터리 관리 장치는 릴레이(300)의 동작을 제어할 수 있다. 예를 들어, 배터리 관리 장치는 대상 장치에 전원을 공급하기 위해 릴레이(300)를 단락시킬 수 있다. 또한, 배터리 관리 장치는 배터리 팩(1000)에 충전 장치가 연결되는 경우 릴레이(300)를 단락시킬 수 있다.
배터리 관리 장치는 복수의 배터리 셀들(110, 120, 130, 140) 각각의 셀 밸런싱 타임을 산출할 수 있다. 여기서, 셀 밸런싱 타임은 배터리 셀의 밸런싱에 소요되는 시간으로 정의될 수 있다. 예를 들어, 배터리 관리 장치는 복수의 배터리 셀들(110, 120, 130, 140) 각각의 SOC(State of Charge), 배터리 용량 및 밸런싱 효율에 기초하여 셀 밸런싱 타임을 산출할 수 있다.
도 2는 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치를 전반적으로 설명하기 위한 도면이다.
도 2를 참조하면, 배터리 상태 예측 장치(200)는 배터리 데이터(A)의 일부를 추출하여
배터리 상태 예측 장치(200)는 복수의 배터리 셀들(110, 120, 130, 140)의 배터리 데이터(A)를 획득할 수 있다. 배터리 관리 장치는 복수의 배터리 셀들(110, 120, 130, 140)의 퇴화 성능, 즉 SOH를 확인하기 위해 배터리의 SOC가 0%인 전압 값에서 배터리의 SOC가 100% 인 전압 값에 도달할 때까지 배터리의 측정값을 포함하는 배터리 데이터(A)를 획득할 수 있다. 따라서, 배터리 상태 예측 장치(200)는 충방전 기간에 누적적으로 측정된 복수의 배터리 셀들(110, 120, 130, 140)의 전압, 전류 및 온도를 포함하는 배터리 데이터(A)를 획득할 수 있다,
배터리 상태 예측 장치(200)는 배터리 데이터(A)를 기초로 배터리 상태 예측 장치(200)의 딥 러닝(Deep Learning) 모델에 사용될 학습 데이터 셋(Data Set)을 구축할 수 있다. 딥 러닝은 기계 학습(Machine Learning) 알고리즘의 종류 중 하나로서, 인공 신경망을 수많은 계층 형태로 연결한 기술을 의미한다. 기계 학습은 컴퓨터를 학습시켜 어떠한 결과를 예측할 수 있도록 하는 기술이다. 일반적으로 기계 학습을 이용한 결과는 기계를 학습시키기 위한 학습 데이터(Train data)를 준비하고 문제에 적합한 방식으로 학습(Train)시키는 과정, 테스트 데이터(Test data)로 모델을 검증(Validate)하는 과정, 검증을 통과한 모델로 결과를 예측(Predict)하는 과정을 포함하여 이루어진다.
기계 학습은 학습 데이터가 기계 학습을 통해 일반화하려는 특성(Feature)을 잘 대표하는 것이 중요하므로, 일정한 기준에 따라 한정적으로 선정된 학습 데이터를 사용하여 생성된다. 기계 학습을 통해 일반화하려는 특성과 학습 데이터의 특성 간의 관련성이 낮다면 샘플링 잡음(Sampling Noise)이 생기고, 기계 문제 분석 모델이 내재된 패턴을 찾기 어려워 기계 문제 분석 모델 자체의 정확도(Accuracy)와 별개로 모델의 오차가 증가하게 되어 모델의 신뢰도가 떨어지는 문제가 있다. 따라서, 기계 학습 기술은 학습 데이터의 평가 및 데이터 처리(Data Processing)에 시간을 투자하여 학습 데이터 셋을 선정하여야 한다.
배터리 상태 예측 장치(200)는 제1 딥러닝 모델(221) 및 제2 딥러닝 모델(222)을 학습 시키기 위하여 배터리 데이터(A) 중 일부를 추출하여 학습 데이터 셋을 생성할 수 있다. 여기서, 제1 딥러닝 모델(221) 및 제2 딥러닝 모델(222)은 입력되는 배터리 데이터에 기초하여 배터리의 수명(SOH)을 포함하는 배터리의 상태를 예측할 수 있는 학습 모델을 의미할 수 있다.
즉, 배터리 상태 예측 장치(200)는 제1 딥러닝 모델(221) 및 제2 딥러닝 모델(222)을 기계 학습시키기 위한 학습 데이터 셋을 생성하여 제1 딥러닝 모델(221) 및 제2 딥러닝 모델(222)의 기계 학습의 오차를 줄이고 신뢰도를 높일 수 있다. 배터리 상태 예측 장치(200)는 학습 데이터 셋을 제1 딥러닝 모델(221) 및 제2 딥러닝 모델(222)에 입력하여 복수의 배터리 셀들(110, 120, 130, 140)의 상태를 예측할 수 있다.
도 3은 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치의 구성을 보여주는 블록도이다.
이하에서 도 3을 참조하여 배터리 상태 예측 장치(200)의 구성 및 동작에 대해 구체적으로 설명한다.
도 3을 참조하면, 배터리 상태 예측 장치(200)는 데이터 관리부(210) 및 컨트롤러(220)를 포함할 수 있다.
데이터 관리부(210)는 배터리 데이터(A)를 수집할 수 있다. 예를 들어, 배터리 데이터(A)는 복수의 배터리 셀들(110, 120, 130, 140)의 방전 상태에서 완충 상태 또는 완충 상태에서 방전 상태에 이르기까지의 전기량의 변화를 기록한 값으로 정의될 수 있다.
데이터 관리부(210)는 데이터 관리부(210)는 배터리의 충전이 완료된 시점 이후의 소정 시간 동안에 획득된 제1 배터리 데이터(A1) 및 배터리의 방전이 완료된 시점 이후의 소정 시간 동안에 획득된 제2 배터리 데이터(A2)를 추출할 수 있다. 여기서 제1 배터리 데이터(A1) 및 제2 배터리 데이터(A2)는 누적적으로 측정된 배터리의 전압, 전류 및 온도를 포함할 수 있다.
도 4a 본 문서에 개시된 일 실시예에 따른 배터리 데이터의 전압 변화를 보여주는 그래프이다.
도 4a를 참조하면 배터리 데이터(A) 중 배터리의 전압이 급변하는 구간을 추출할 수 있다. 데이터 관리부(210) 배터리 데이터(A) 중 배터리의 충전 후 휴지 구간 중 배터리의 전압이 급변하는 구간은 제1 배터리 데이터(A1)로 설정할 수 있다. 또한, 데이터 관리부(210) 배터리 데이터(A) 중 배터리의 휴지 후 방전 구간 중 배터리의 전압이 급변하는 구간은 제2 배터리 데이터(A2)로 설정할 수 있다.
종래에는 전체 배터리 데이터(A)의 전압 또는 전류의 거동을 모두 이용하여 딥러닝 모델을 학습하였으나, 배터리 데이터(A) 전체를 학습 데이터로 활용할 경우 분석 시간이 매우 오래 걸리는 문제가 있었다. 데이터 관리부(210)는 배터리 데이터(A) 중 배터리의 전압 또는 전류가 급변하여 배터리의 수명 예측에 필요한 데이터를 제1 배터리 데이터(A1) 및 제2 배터리 데이터(A2)를 추출할 수 있다.
도 4b 본 문서에 개시된 일 실시예에 따른 제1 배터리 데이터의 전압 변화를 보여주는 그래프이다.
도 4b에 도시된 제1 배터리 데이터(A1)는 배터리의 충전 후 휴지 구간의 배터리의 전압 변화 정보를 포함하고 있다. 배터리는 충방전 싸이클(Cycle)이 반복되면 배터리의 저항이 증가함에 따라 배터리의 용량도 일정하게 퇴화할 수 있다. 따라서 배터리의 충전 이후에도 배터리의 전압 또는 개방 회로 전압(OCV, Open Circuit Voltage)은 일정하게 감소할 수 있다. 데이터 관리부(210)는 배터리의 충전 후 휴지 구간의 전압 변화에 대응하는 제1 배터리 데이터(A1)를 추출하여 딥 러닝 모델의 학습에 이용할 수 있다.
예를 들어, 제1 배터리 데이터(A1)는 배터리의 충전 기간의 마지막 1초와 배터리의 충전 직후의 휴지 기간의 60초의 데이터를 포함할 수 있다. 즉, 제1 배터리 데이터(A1)는 총 61초의 기간에 대응하는 배터리 데이터(A)를 포함할 수 있다.
도 4c 본 문서에 개시된 일 실시예에 따른 제2 배터리 데이터의 전압 변화를 보여주는 그래프이다.
도 4c에 도시된 제2 배터리 데이터(A2)는 배터리의 휴지 후 방전 구간 돌입 시의 배터리의 전압 변화 정보를 포함하고 있다. 배터리는 휴지 후 방전 시작 시 배터리에 전류가 인가되면서 배터리의 내부 저항에 의해 발생되는 옴 저항(Ohmic Resistance)의 영향을 받을 수 있다. 따라서 배터리의 휴지 후 방전 구간의 배터리의 전압 변화 정보를 포함하는 제2 배터리 데이터(A2)는 배터리의 내부 저항으로 인해 발생하는 전압 강하(IR Drop) 현상을 포함할 수 있다. 여기서 전압 강하 현상은 전류가 흐르는 동안의 전도 상(Conducting Phase)의 두 지점의 잠재적 전위차를 의미한다. 데이터 관리부(210)는 배터리의 휴지 후 방전 구간의 전압 변화에 대응하는 제2 배터리 데이터(A2)를 추출하여 딥 러닝 모델의 학습에 이용할 수 있다.
예를 들어, 제2 배터리 데이터(A2)는 배터리의 충전 이후 휴지 기간의 마지막 1초와 배터리의 휴지 직후의 방전 기간의 40초의 데이터를 포함할 수 있다. 즉, 제2 배터리 데이터(A2)는 총 41초의 기간에 대응하는 배터리 데이터(A)를 포함할 수 있다.
다시 도 3을 참조하면, 데이터 관리부(110)는 딥러닝 모델에 투입될 학습 데이터 셋으로 제1 배터리 데이터(A1) 및 제2 배터리 데이터(A2)를 수집할 수 있다. 데이터 관리부(210)는 제1 배터리 데이터(A1) 및 제2 배터리 데이터(A2)를 각각의 시계열 데이터(Time Series)로 구분하여 관리할 수 있다. 여기서 시계열 데이터는 시간의 흐름에 따라 일정한 시간 간격으로 배치된 데이터를 의미한다.
컨트롤러(220)는 복수의 배터리 셀들(110, 120, 130, 140)의 온도, 전류 및 전압 변화를 포함하는 제1 배터리 데이터(A1) 및 제2 배터리 데이터(A2)를 시계열 분석 구조의 딥 러닝 모델에 적용하여 배터리의 상태를 예측할 수 있다.
컨트롤러(220)는 제1 배터리 데이터(A1)를 제1 딥러닝 모델(221)에 적용하여 배터리의 상태를 예측한 제1 상태 데이터를 획득할 수 있다. 또한, 컨트롤러(220)는 제2 배터리 데이터(A2)를 제2 딥러닝 모델(222)에 적용하여 배터리의 상태를 예측한 제2 상태 데이터를 획득할 수 있다. 즉, 컨트롤러(220)는 제1 배터리 데이터(A1) 및 제2 배터리 데이터(A2) 각각을 별개의 딥러닝 모델에 입력하여 별개의 출력 데이터(Output)을 획득할 수 있다.
여기서 제1 상태 데이터 및 제2 상태 데이터는 제1 배터리 데이터(A1)를 제1 딥러닝 모델(221)의 학습 데이터로 사용하여 산출된 배터리의 수명(SOH) 데이터 및 제2 배터리 데이터(A2)를 제2 딥러닝 모델(222)의 학습 데이터로 사용하여 산출된 배터리의 수명(SOH) 데이터를 포함할 수 있다.
실시예에 따라, 제1 딥러닝 모델(221) 및 제2 딥러닝 모델(222) 예를 들어 1차원 합성곱 신경망(1D Convolutional Neural Network, 1D CNN) 모델을 포함할 수 있다. 여기서 합성곱 신경망 모델은 주로 Matrix 데이터나 이미지 데이터의 특성(feature)을 추출할 수 있다. 또한 여기서 1차원은 합성곱을 위한 커널(Kernel)과 적용하는 데이터의 시퀀스(sequence)가 1차원의 모양을 가진다는 것을 의미한다. 1차원 합성곱 신경망은 시계열 데이터 또는 텍스트의 특성을 분석할 수 있다.
실시예에 따라, 컨트롤러(220)는 제1 배터리 데이터(A1)를 제1 합성곱 신경망 모델에 적용하여 제1 배터리 데이터(A1)의 특성(feature)을 추출할 수 있다. 또한, 컨트롤러(220)는 제2 배터리 데이터(A2)를 제2 합성곱 신경망 모델에 적용하여 제2 배터리 데이터(A2)의 특성을 추출할 수 있다.
컨트롤러(220)는 제1 상태 데이터 및 제2 상태 데이터에 기초하여 배터리의 상태를 예측할 수 있다. 구체적으로 컨트롤러(220)는 제1 상태 데이터 및 제2 상태 데이터를 결합하여 제3 상태 데이터를 생성할 수 있다. 컨트롤러(220)는 제3 상태 데이터에 기초하여 배터리의 상태를 예측할 수 있다. 여기서 제3 상태 데이터는 배터리의 수명 데이터를 포함할 수 있다.
실시예에 따라, 컨트롤러(220)는 제1 배터리 데이터(A1)의 특성을 임베딩(Embedding) 벡터로 변환한 제1 값과 제2 배터리 데이터(A2)의 특성을 임베딩 벡터로 변환한 제2 값을 결합하여 제3 값을 생성할 수 있다. 여기서 임베딩은 인간이 사용하는 자연어(Natural Language)를 기계가 이해할 수 있는 숫자의 배열로 변환하는 과정으로 정의 될 수 있다. 구체적으로, 컨트롤러(220)는 제1 값과 제2 값을 순차 함수(CONCATENATE)에 입력하여 결합시킬 수 있다.
컨트롤러(220)는 제1 값과 제2 값을 결합하여 생성한 데이터를 단층 퍼셉트론 (Single-layer Perceptron) 모델에 입력하여 제3 값을 생성할 수 있다. 여기서 단층 퍼셉트론 모델은 다수의 신호를 입력으로 받아 하나의 신호를 출력할 수 있다. 단층 퍼셉트론 모델은 입력된 다수의 신호에 각각 가중치를 부여하고 각각의 신호에 고유한 가중치가 곱해진 값을 합한 가중합에 기초하여 출력 신호를 생성할 수 있다. 여기서 가중합은 자료의 평균을 구할 때 자료 값의 중요도나 영향 정도에 해당하는 가중치를 반영하여 구한 평균값으로 정의 될 수 있다.
즉 컨트롤러(220)는 제1 값과 제2 값을 단층 퍼셉트론 모델에 입력하여 제1 값과 제2 값의 가중합에 기초하여 제3 값을 생성할 수 있다. 제3 값은 제1 값과 제2 값에 가중치를 곱하고, 가중치를 곱한 값을 합해서 생성할 수 있다. 여기서 제1 값과 제2 값 사이의 가중치는 테스트 데이터 셋을 이용한 실험을 통해 정확도(Accuracy)를 최대화 하는 값으로 결정 할 수 있다. 컨트롤러(220) 배터리의 상태의 예측 데이터인 제3 값을 획득할 수 있다. 여기서 제3 값은 데이터는 배터리의 수명 데이터를 포함할 수 있다.
본 문서에 개시되는 실시예들의 일 목적은 배터리 데이터 중 일부를 학습 데이터로 추출하여 배터리 상태를 분석하는 인공 지능 모델을 학습시켜, 인공 지능 모델의 성능을 향상시킬 수 있는 배터리 상태 예측 장치 및 그것의 동작 방법을 제공하는 데 있다.
상술한 바와 같이, 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치는 배터리 데이터 중 일부를 학습 데이터 셋으로 추출한 후, 복수의 딥 러닝 모델에 학습시킴으로써 딥 러닝 모델의 정확도를 향상시킬 수 있다.
또한, 배터리 상태 예측 장치는 학습 데이터를 간소화 및 경량화 시켜 실시간으로 배터리의 상태를 예측하는 딥 러닝 모델의 컴퓨팅 시간을 단출할 수 있고, 학습 데이터의 수집 및 관리에 소요되는 시간도 단축할 수 있다.
도 5는 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치의 동작 방법을 보여주는 흐름도이다.
배터리 상태 예측 장치(200)는 도 1 내지 도 4c를 참조하여 설명한 배터리 상태 예측 장치(200)와 실질적으로 동일할 수 있으므로, 이하에서는 설명의 중복을 피하기 위하여 간략히 설명한다.
도 5를 참조하면 배터리 상태 예측 장치의 동작 방법은 배터리 상태 예측 장치의 동작 방법은 배터리 데이터(A) 중 배터리의 충전이 완료된 시점 이후의 소정 시간 동안에 획득된 제1 배터리 데이터(A1)를 추출하는 단계(S101), 배터리 데이터 중 배터리의 방전이 완료된 시점 이후의 소정 시간 동안에 획득된 제2 배터리 데이터(A2)를 추출하는 단계(S102), 제1 배터리 데이터(A1)를 제1 딥러닝 모델(221)에 적용하여 배터리의 상태를 예측한 제1 상태 데이터를 획득하는 단계(S103), 제2 배터리 데이터(A2)를 제2 딥러닝 모델(222)에 적용하여 배터리의 상태를 예측한 제2 상태 데이터를 획득하는 단계(S104) 및 제1 상태 데이터 및 제2 상태 데이터에 기초하여 배터리의 상태를 예측하는 단계(S105)를 포함할 수 있다.
이하에서는 S101 단계 내지 S105 단계에 대해 구체적으로 설명한다.
S101 단계에서, 데이터 관리부(210)는 복수의 배터리 셀들(110, 120, 130, 140)의 배터리 데이터(A)를 수집할 수 있다. 예를 들어, 배터리 데이터(A)는 복수의 배터리 셀들(110, 120, 130, 140)의 방전 상태에서 완충 상태 또는 완충 상태에서 방전 상태에 이르기까지의 전기량의 변화를 기록한 값으로 정의될 수 있다. 따라서, 데이터 관리부(210)는 충방전 기간에 누적적으로 측정된 복수의 배터리 셀들(110, 120, 130, 140)의 전압, 전류 및 온도를 포함하는 배터리 데이터(A)를 획득할 수 있다,
S101 단계에서, 데이터 관리부(210)는 배터리 데이터(A) 중 배터리의 충전이 완료된 시점 이후의 소정 시간 동안에 획득된 제1 배터리 데이터(A1)를 추출할 수 있다. S101 단계에서, 데이터 관리부(210)는 배터리의 충전 후 휴지 구간의 전압 변화에 대응하는 제1 배터리 데이터(A1)를 추출하여 딥 러닝 모델의 학습에 이용할 수 있다.
여기서 제1 배터리 데이터(A1)는 누적적으로 측정된 배터리의 전압, 전류 및 온도를 포함할 수 있다. 예를 들어, 제1 배터리 데이터(A1)는 배터리의 충전 기간의 마지막 1초와 배터리의 충전 직후의 휴지 기간의 60초의 데이터를 포함할 수 있다. 즉, 제1 배터리 데이터(A1)는 총 61초의 기간에 대응하는 배터리 데이터(A)를 포함할 수 있다.
S102 단계에서, 데이터 관리부(210)는 배터리 데이터(A) 중 배터리의 방전이 완료된 시점 이후의 소정 시간 동안에 획득된 제2 배터리 데이터(A2)를 추출할 수 있다. S102 단계에서, 데이터 관리부(210)는 배터리의 휴지 후 방전 구간의 전압 변화에 대응하는 제2 배터리 데이터(A2)를 추출하여 딥 러닝 모델의 학습에 이용할 수 있다.
여기서 제2 배터리 데이터(A2)는 누적적으로 측정된 배터리의 전압, 전류 및 온도를 포함할 수 있다. 예를 들어, 제2 배터리 데이터(A2)는 배터리의 충전 이후 휴지 기간의 마지막 1초와 배터리의 휴지 직후의 방전 기간의 40초의 데이터를 포함할 수 있다. 즉, 제2 배터리 데이터(A2)는 총 41초의 기간에 대응하는 배터리 데이터(A)를 포함할 수 있다.
S103 단계에서, 컨트롤러(220)는 제1 배터리 데이터(A1)를 제1 딥러닝 모델(221)에 적용하여 배터리의 상태를 예측한 제1 상태 데이터를 획득할 수 있다.
S103 단계에서, 구체적으로 컨트롤러(220)는 복수의 배터리 셀들(110, 120, 130, 140)의 온도, 전류 및 전압 변화를 포함하는 제1 배터리 데이터(A1)를 시계열 분석 구조의 딥 러닝 모델에 적용하여 배터리의 상태를 예측할 수 있다.
여기서 제1 상태 데이터는 제1 배터리 데이터(A1)를 제1 딥러닝 모델(221)의 학습 데이터로 사용하여 산출된 배터리의 수명(SOH) 데이터를 포함할 수 있다. 또한, 여기서 제1 딥러닝 모델(221)은 예를 들어 1차원 합성곱 신경망 모델을 포함할 수 있다. 합성곱 신경망 모델은 주로 Matrix 데이터나 이미지 데이터의 특성(feature)을 추출할 수 있다. 또한 여기서 1차원은 합성곱을 위한 커널(Kernel)과 적용하는 데이터의 시퀀스(sequence)가 1차원의 모양을 가진다는 것을 의미한다. 1차원 합성곱 신경망은 시계열 데이터 또는 텍스트의 특성을 분석할 수 있다.
S103 단계에서, 컨트롤러(220)는 제1 배터리 데이터(A1)를 제1 합성곱 신경망 모델에 적용하여 제1 배터리 데이터(A1)의 특성을 추출할 수 있다.
S104 단계에서, 컨트롤러(220)는 제2 배터리 데이터(A2)를 제2 딥러닝 모델(222)에 적용하여 배터리의 상태를 예측한 제2 상태 데이터를 획득할 수 있다.
S104 단계에서, 구체적으로 컨트롤러(220)는 복수의 배터리 셀들(110, 120, 130, 140)의 온도, 전류 및 전압 변화를 포함하는 제2 배터리 데이터(A2)를 시계열 분석 구조의 딥 러닝 모델에 적용하여 배터리의 상태를 예측할 수 있다. 여기서 제2 상태 데이터는 제2 배터리 데이터(A2)를 제2 딥러닝 모델(222)의 학습 데이터로 사용하여 산출된 배터리의 수명(SOH) 데이터를 포함할 수 있다. 여기서 제2 딥러닝 모델(222)은 예를 들어 1차원 합성곱 신경망 모델을 포함할 수 있다.
S104 단계에서, 컨트롤러(220)는 제2 배터리 데이터(A2)를 제2 합성곱 신경망 모델에 적용하여 제2 배터리 데이터(A2)의 특성(feature)을 추출할 수 있다.
S105 단계에서, 컨트롤러(220)는 제1 상태 데이터 및 제2 상태 데이터에 기초하여 배터리의 상태를 예측할 수 있다. S105 단계에서, 구체적으로 컨트롤러(220)는 제1 상태 데이터 및 제2 상태 데이터를 결합하여 제3 상태 데이터를 생성할 수 있다. S105 단계에서, 컨트롤러(220)는 제3 상태 데이터에 기초하여 배터리의 상태를 예측할 수 있다. 여기서 제3 상태 데이터는 배터리의 수명 데이터를 포함할 수 있다.
S105 단계에서, 실시예에 따라, 컨트롤러(220)는 제1 배터리 데이터(A1)의 특성을 임베딩(Embedding) 벡터로 변환한 제1 값과 제2 배터리 데이터(A2)의 특성을 임베딩 벡터로 변환한 제2 값을 결합하여 제3 값을 생성할 수 있다. 여기서 임베딩은 인간이 사용하는 자연어를 기계가 이해할 수 있는 숫자의 배열로 변환하는 과정으로 정의 될 수 있다.
S105 단계에서, 구체적으로, 컨트롤러(220)는 제1 값과 제2 값을 순차 함수에 입력하여 결합시킬 수 있다. S105 단계에서, 컨트롤러(220)는 제1 값과 제2 값을 결합하여 생성한 데이터를 단층 퍼셉트론 모델에 입력하여 제3 값을 생성할 수 있다. 여기서 단층 퍼셉트론 모델은 다수의 신호를 입력으로 받아 하나의 신호를 출력할 수 있다. 단층 퍼셉트론 모델은 입력된 다수의 신호에 각각 가중치를 부여하고 각각의 신호에 고유한 가중치가 곱해진 값을 합한 가중합에 기초하여 출력 신호를 생성할 수 있다.
S105 단계에서, 즉 컨트롤러(220)는 제1 값과 제2 값을 단층 퍼셉트론 모델에 입력하여 제1 값과 제2 값의 가중합에 기초하여 제3 값을 생성할 수 있다. 제3 값은 제1 값과 제2 값에 가중치를 곱하고, 가중치를 곱한 값을 합해서 생성할 수 있다.
S105 단계에서, 컨트롤러(220) 배터리의 상태의 예측 데이터인 제3 값을 획득할 수 있다. 여기서 제3 값은 데이터는 배터리의 수명 데이터를 포함할 수 있다.
도 6은 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치를 구현하는 컴퓨팅 시스템의 하드웨어 구성을 나타내는 블록도이다.
도 6을 참조하면, 본 문서에 개시된 일 실시예에 따른 컴퓨팅 시스템(2000)은 MCU(2100), 메모리(2200), 입출력 I/F(2300) 및 통신 I/F(2400)를 포함할 수 있다.
MCU(2100)는 메모리(2200)에 저장되어 있는 각종 프로그램(예를 들면, 배터리 상태 예측 프로그램)을 실행시키고, 이러한 프로그램들을 각종 데이터를 처리하며, 전술한 도 1에 나타낸 배터리 관리 장치(200)의 기능들을 수행하도록 하는 프로세서일 수 있다.
메모리(2200)는 배터리 상태 예측 장치(200)의 작동에 관한 각종 프로그램을 저장할 수 있다. 또한, 메모리(2200)는 배터리 상태 예측 장치(200)의 작동 데이터를 저장할 수 있다.
이러한 메모리(2200)는 필요에 따라서 복수 개 마련될 수도 있을 것이다. 메모리(2200)는 휘발성 메모리일 수도 있으며 비휘발성 메모리일 수 있다. 휘발성 메모리로서의 메모리(2200)는 RAM, DRAM, SRAM 등이 사용될 수 있다. 비휘발성 메모리로서의 메모리(2200)는 ROM, PROM, EAROM, EPROM, EEPROM, 플래시 메모리 등이 사용될 수 있다. 상기 열거한 메모리(2200)들의 예를 단지 예시일 뿐이며 이들 예로 한정되는 것은 아니다.
입출력 I/F(2300)는, 키보드, 마우스, 터치 패널 등의 입력 장치(미도시)와 디스플레이(미도시) 등의 출력 장치와 MCU(2100) 사이를 연결하여 데이터를 송수신할 수 있도록 하는 인터페이스를 제공할 수 있다.
통신 I/F(2400)는 서버와 각종 데이터를 송수신할 수 있는 구성으로서, 유선 또는 무선 통신을 지원할 수 있는 각종 장치일 수 있다. 예를 들면, 통신 I/F(2400)를 통해 별도로 마련된 외부 서버로부터 저항 측정 및 이상 진단을 위한 프로그램이나 각종 데이터 등을 송수신할 수 있다.
이상의 설명은 본 개시의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 개시에 개시된 실시예들은 본 개시의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 개시의 기술 사상의 범위가 한정되는 것은 아니다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
[부호의 설명]
1000: 배터리 팩
100: 배터리 모듈
200: 배터리 상태 예측 장치
210: 데이터 관리부
220: 컨트롤러
221: 제1 딥러닝 모델
222: 제2 딥러닝 모델
300: 릴레이
A: 배터리 데이터
A1: 제1 배터리 데이터
A2: 제2 배터리 데이터
2000: 컴퓨팅 시스템
2100: MCU
2200: 메모리
2300: 입출력 I/F
2400: 통신 I/F

Claims (10)

  1. 배터리의 충전이 완료된 시점 이후의 소정 시간 동안에 획득된 제1 배터리 데이터 및 상기 배터리의 방전이 완료된 시점 이후의 소정 시간 동안에 획득된 제2 배터리 데이터를 추출하는 데이터 관리부; 및
    상기 제1 배터리 데이터를 제1 딥러닝 모델에 적용하여 상기 배터리의 상태를 예측한 제1 상태 데이터를 획득하고, 상기 제2 배터리 데이터를 제2 딥러닝 모델에 적용하여 상기 배터리의 상태를 예측한 제2 상태 데이터를 획득하고, 상기 제1 상태 데이터 및 상기 제2 상태 데이터에 기초하여 상기 배터리의 상태를 예측하는 컨트롤러를 포함하는 배터리 상태 예측 장치.
  2. 제1 항에 있어서,
    상기 컨트롤러는 상기 제1 상태 데이터 및 상기 제2 상태 데이터를 결합하여 제3 상태 데이터를 생성하고, 상기 제3 상태 데이터에 기초하여 상기 배터리의 상태를 예측하는 것을 특징으로 하는 배터리 상태 예측 장치.
  3. 제2 항에 있어서,
    상기 컨트롤러는 상기 제1 배터리 데이터를 제1 합성곱 신경망 (Convolutional Neural Network, CNN) 모델에 적용하여 상기 제1 배터리 데이터의 특성(feature)을 추출하고, 상기 제2 배터리 데이터를 제2 합성곱 신경망 모델에 적용하여 상기 제2 배터리 데이터의 특성을 추출하는 것을 특징으로 하는 배터리 상태 예측 장치.
  4. 제3 항에 있어서,
    상기 컨트롤러는 상기 제1 배터리 데이터의 특성을 임베딩(Embedding) 벡터로 변환한 제1 값과 상기 제2 배터리 데이터의 특성을 임베딩 벡터로 변환한 제2 값의 가중합에 기초하여 제3 값을 생성하고, 상기 제3 값에 기초하여 상기 배터리의 상태를 예측하는 것을 특징으로 하는 배터리 상태 예측 장치.
  5. 제1 항에 있어서,
    상기 제1 배터리 데이터 및 상기 제2 배터리 데이터는 누적적으로 측정된 상기 배터리의 전압, 전류 및 온도를 포함하고, 상기 제1 상태 데이터, 상기 제2 상태 데이터 및 상기 제3 상태 데이터는 상기 제1 배터리 데이터 및 상기 제2 배터리 데이터를 기초로 산출된 상기 배터리의 SOH(State of Health)를 포함하는 것을 특징으로 하는 배터리 상태 예측 장치.
  6. 배터리 데이터 중 상기 배터리의 충전이 완료된 시점 이후의 소정 시간 동안에 획득된 제1 배터리 데이터를 추출하는 단계;
    상기 배터리 데이터 중 상기 배터리의 방전이 완료된 시점 이후의 소정 시간 동안에 획득된 제2 배터리 데이터를 추출하는 단계;
    상기 제1 배터리 데이터를 제1 딥러닝 모델에 적용하여 상기 배터리의 상태를 예측한 제1 상태 데이터를 획득하는 단계;
    상기 제2 배터리 데이터를 제2 딥러닝 모델에 적용하여 상기 배터리의 상태를 예측한 제2 상태 데이터를 획득하는 단계; 및
    상기 제1 상태 데이터 및 상기 제2 상태 데이터에 기초하여 상기 배터리의 상태를 예측하는 단계를 포함하는 배터리 상태 예측 장치의 동작 방법.
  7. 제6 항에 있어서,
    상기 제1 상태 데이터 및 상기 제2 상태 데이터에 기초하여 상기 배터리의 상태를 예측하는 단계는
    상기 제1 상태 데이터 및 상기 제2 상태 데이터를 결합하여 제3 상태 데이터를 생성하고, 상기 제3 상태 데이터에 기초하여 상기 배터리의 상태를 예측하는 것을 특징으로 하는 배터리 상태 예측 장치의 동작 방법.
  8. 제7 항에 있어서,
    상기 제1 배터리 데이터를 제1 딥러닝 모델에 적용하여 상기 배터리의 상태를 예측한 제1 상태 데이터를 획득하는 단계는 상기 제1 배터리 데이터를 제1 합성곱 신경망 (Convolutional Neural Network, CNN) 모델에 적용하여 상기 제1 배터리 데이터의 특성을 추출하고,
    상기 제2 배터리 데이터를 제2 딥러닝 모델에 적용하여 상기 배터리의 상태를 예측한 제2 상태 데이터를 획득하는 단계는 상기 제2 배터리 데이터를 제2 합성곱 신경망 모델에 적용하여 상기 제2 배터리 데이터의 특성을 추출하는 것을 특징으로 하는 배터리 상태 예측 장치의 동작 방법.
  9. 제8 항에 있어서,
    상기 제1 상태 데이터 및 상기 제2 상태 데이터에 기초하여 상기 배터리의 상태를 예측하는 단계는 상기 제1 배터리 데이터의 특성을 임베딩(Embedding) 벡터로 변환한 제1 값과 상기 제2 배터리 데이터의 특성을 임베딩 벡터로 변환한 제2 값의 가중합에 기초하여 제3 값을 생성하고, 상기 제3 값에 기초하여 상기 배터리의 상태를 예측하는 것을 특징으로 하는 배터리 상태 예측 장치의 동작 방법.
  10. 제6 항에 있어서,
    상기 제1 상태 데이터 및 상기 제2 상태 데이터에 기초하여 상기 배터리의 상태를 예측하는 단계는 상기 배터리의 SOH(State of Health)를 예측 하는 것을 특징으로 하는 배터리 상태 예측 장치의 동작 방법.
PCT/KR2023/012809 2022-08-30 2023-08-29 배터리 상태 예측 장치 및 그것의 동작 방법 WO2024049172A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0109524 2022-08-30
KR1020220109524A KR20240030459A (ko) 2022-08-30 2022-08-30 배터리 상태 예측 장치 및 그것의 동작 방법

Publications (1)

Publication Number Publication Date
WO2024049172A1 true WO2024049172A1 (ko) 2024-03-07

Family

ID=90098246

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/012809 WO2024049172A1 (ko) 2022-08-30 2023-08-29 배터리 상태 예측 장치 및 그것의 동작 방법

Country Status (2)

Country Link
KR (1) KR20240030459A (ko)
WO (1) WO2024049172A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014206499A (ja) * 2013-04-15 2014-10-30 新電元工業株式会社 二次電池寿命予測システム、二次電池特性評価装置、二次電池搭載装置、および二次電池寿命予測方法
JP2019168452A (ja) * 2018-03-20 2019-10-03 株式会社Ｇｓユアサ 劣化推定装置、コンピュータプログラム及び劣化推定方法
JP2021092404A (ja) * 2019-12-06 2021-06-17 株式会社Ｇｓユアサ 劣化推定装置、劣化推定システム、劣化推定方法、及びコンピュータプログラム
KR20210121411A (ko) * 2020-03-30 2021-10-08 주식회사 아르고스다인 신경망 기반의 배터리 용량 추정 방법 및 장치
KR20220096993A (ko) * 2020-12-31 2022-07-07 성균관대학교산학협력단 배터리 노화 상태 추정 방법 및 이를 수행하는 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014206499A (ja) * 2013-04-15 2014-10-30 新電元工業株式会社 二次電池寿命予測システム、二次電池特性評価装置、二次電池搭載装置、および二次電池寿命予測方法
JP2019168452A (ja) * 2018-03-20 2019-10-03 株式会社Ｇｓユアサ 劣化推定装置、コンピュータプログラム及び劣化推定方法
JP2021092404A (ja) * 2019-12-06 2021-06-17 株式会社Ｇｓユアサ 劣化推定装置、劣化推定システム、劣化推定方法、及びコンピュータプログラム
KR20210121411A (ko) * 2020-03-30 2021-10-08 주식회사 아르고스다인 신경망 기반의 배터리 용량 추정 방법 및 장치
KR20220096993A (ko) * 2020-12-31 2022-07-07 성균관대학교산학협력단 배터리 노화 상태 추정 방법 및 이를 수행하는 장치

Also Published As

Publication number Publication date
KR20240030459A (ko) 2024-03-07

Similar Documents

Publication Publication Date Title
WO2013151355A1 (ko) 고장 자가 진단 기능을 구비한 절연 저항 측정 장치 및 이를 이용한 자가 진단 방법
WO2021049753A1 (ko) 배터리 진단 장치 및 방법
WO2021006566A1 (ko) 배터리 셀 진단 장치 및 방법
WO2022103185A1 (ko) 전지의 용량 측정 장치 및 방법, 및 상기 장치를 포함하는 전지 제어 시스템
WO2020262787A1 (ko) 내부 단락 셀 검출 방법
WO2021015501A1 (ko) 배터리 저항 진단 장치 및 방법
WO2022149824A1 (ko) 배터리 관리 장치 및 방법
WO2020054924A1 (ko) 배터리의 상태를 셀 단위로 진단하는 장치 및 방법
WO2021025295A1 (ko) 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩
WO2021230533A1 (ko) 배터리를 진단하기 위한 장치 및 그 방법
WO2024049172A1 (ko) 배터리 상태 예측 장치 및 그것의 동작 방법
WO2023033480A1 (ko) 배터리 진단 시스템 및 방법
WO2022030971A1 (ko) 배터리 진단 디바이스, 배터리 팩, 배터리 시스템 및 배터리 진단 방법
WO2024136347A1 (ko) 배터리 상태 예측 장치 및 그것의 동작 방법
WO2022030751A1 (ko) 배터리 팩의 시뮬레이션 방법
WO2021125678A1 (ko) 병렬 배터리 릴레이 진단 장치 및 방법
WO2021149973A1 (ko) 배터리 진단 시스템, 전력 시스템 및 배터리 진단 방법
WO2022015062A1 (ko) 배터리 관리 장치, 배터리 팩, 에너지 저장 시스템 및 배터리 관리 방법
WO2023158195A1 (ko) 배터리 관리 장치 및 서버
WO2024058433A1 (ko) 배터리 관리 장치 및 그것의 동작 방법
WO2023153765A1 (ko) 배터리 관리 장치 및 그것의 동작 방법
WO2023018070A1 (ko) 배터리 관리 장치 및 이를 포함하는 배터리 검사 시스템
WO2023132520A1 (ko) 배터리 용량 예측 장치 및 그것의 동작 방법
WO2023132521A1 (ko) 배터리 데이터 관리 장치 및 그것의 동작 방법
WO2024136225A1 (ko) 배터리 데이터 관리 장치 및 그것의 동작 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23860848

Country of ref document: EP

Kind code of ref document: A1