WO2024053870A1 - 배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법 - Google Patents

배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법 Download PDF

Info

Publication number
WO2024053870A1
WO2024053870A1 PCT/KR2023/011213 KR2023011213W WO2024053870A1 WO 2024053870 A1 WO2024053870 A1 WO 2024053870A1 KR 2023011213 W KR2023011213 W KR 2023011213W WO 2024053870 A1 WO2024053870 A1 WO 2024053870A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
state
input data
row
entries
Prior art date
Application number
PCT/KR2023/011213
Other languages
English (en)
French (fr)
Inventor
최성욱
이현준
김금비
신재욱
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 WO2024053870A1 publication Critical patent/WO2024053870A1/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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3646—Constructional arrangements for indicating electrical conditions or variables, e.g. visual or audible indicators
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/389—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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • Embodiments disclosed in this document relate to an electronic device that detects a battery abnormality and a method of operating the same.
  • Secondary batteries which are easy to apply depending on the product group and have electrical characteristics such as high energy density, are used not only in portable devices but also in electric vehicles (EV) or hybrid electric vehicles (HEV) driven by an electrical drive source. It is universally applied.
  • EV electric vehicles
  • HEV hybrid electric vehicles
  • Types of secondary batteries currently widely used include lithium ion batteries, lithium polymer batteries, nickel cadmium batteries, nickel hydrogen batteries, and nickel zinc batteries.
  • the operating voltage of such a unit secondary battery cell is about 2.5 to 4.5 volts (V). Therefore, when a higher output voltage is required, a battery pack is formed by connecting a plurality of battery cells in series. Additionally, a battery pack may be constructed by connecting multiple battery cells in parallel depending on the charge/discharge capacity required for the battery pack. Accordingly, the number of battery cells included in the battery pack can be set in various ways depending on the required output voltage or charge/discharge capacity.
  • a battery pack may include a plurality of battery cells connected in series and/or parallel. Therefore, even if a battery cell in an abnormal state exists among a plurality of battery cells, it may not be easy to detect an abnormality in the battery cell.
  • a method for detecting a battery cell in an abnormal state among a plurality of battery cells may be required.
  • An electronic device includes a battery module including M battery cells, where M is an integer of 2 or more, and a sensing circuit that acquires state values related to the state of each of the M battery cells, and a processor, wherein the electronic device acquires input data through the sensing circuit, the input data can be expressed as an M ⁇ N matrix, and M ⁇ N entries of the input data are each of the M battery cells. represents the state values, and N represents the number of time periods for obtaining the state values of each of the M battery cells, and normalizes each of the column vectors of the input data to obtain normalized data for the input data.
  • Each of the column vectors consists of entries acquired at the same unit time, and decision standard data is obtained based on the normalized data, and the values indicated by each of the entries in the row vectors of the decision standard data are obtained. Based on this, a first state abnormality and/or a second state abnormality of each of the M battery cells are determined, the first state abnormality is determined based on a learning-based model, and the second state abnormality is determined based on the learning-based model. It may be determined based on methods other than the model.
  • the processor identifies at least one row vector having a value less than or equal to a standard threshold standardization score among the row vectors of the decision criteria data, and outputs the identified row vector based on the learning-based model.
  • a vector may be obtained, and based on the output vector, the first state abnormality of the battery cell corresponding to the identified row vector may be determined.
  • the processor obtains the normalized data by removing offsets of entries of each of the row vectors of the input data and normalizing each of the column vectors of the input data from which the offsets were removed, An offset may be set for each of the row vectors of the input data, and the offset may be set to the value of the first entry among the entries of each of the row vectors of the input data.
  • the processor may obtain the normalized data by flattening entries of each of the row vectors of the input data and normalizing each of the column vectors of the flattened input data.
  • the processor obtains the section average value of each of the row vectors of the normalized data as the decision reference data, and based on the section average values of each of the row vectors of the decision reference data, the M Determine whether the first state abnormality and/or the second state abnormality of each of the battery cells is abnormal, and the interval average values are average values of entries of each of the row vectors of the normalized data included in different time intervals.
  • the time sections may not overlap with each other.
  • the processor obtains the change amounts of the entries of each of the row vectors of the normalized data as the decision standard data, and based on the change amount of the entries of each of the row vectors of the decision standard data, The first state abnormality and/or the second state abnormality of each of the M battery cells may be determined.
  • the processor identifies a sum value of the entries of each of the row vectors of the decision criteria data, and selects a row vector having the sum value less than or equal to a threshold sum value among the row vectors of the decision criteria data. and determine that the battery cell corresponding to the identified row vector is in the second state or higher.
  • the learning-based model is an auto encoder, and the auto encoder can be learned based on state values of normal battery cells.
  • a method of operating an electronic device includes acquiring input data through a sensing circuit of the electronic device, the input data can be expressed as an M ⁇ N matrix, and M ⁇ N entries of the input data. represents the state values of each of the M battery cells of the electronic device, N represents the number of time periods for obtaining the state values of each of the M battery cells, and normalizes each of the column vectors of the input data. By doing so, an operation of obtaining standardized data for the input data, each of the column vectors is composed of entries acquired at the same unit time, and an operation of obtaining decision standard data based on the normalized data, and the decision.
  • the decision is made based on a model, and the second condition abnormality may be determined based on a method other than the learning-based model.
  • the operation of determining the first state abnormality and/or the second state abnormality includes identifying a row vector having at least one value less than or equal to a reference threshold normalization score among the row vectors of the determination standard data; Based on the learning-based model, obtaining an output vector for the identified row vector, and based on the output vector, determining the first state abnormality of the battery cell corresponding to the identified row vector. may include.
  • the operation of obtaining the normalized data includes removing an offset of entries of each of the row vectors of the input data, and standardizing each of the column vectors of the input data from which the offset has been removed. Obtaining normalized data, wherein the offset is set for each of the row vectors of the input data, and the offset is set to a value of a first entry among the entries of each of the row vectors of the input data. It can be.
  • the operation of obtaining the normalized data includes flattening entries of each of the row vectors of the input data, and obtaining the normalized data by normalizing each of the column vectors of the flattened input data. It may include actions such as:
  • the operation of obtaining the decision standard data includes obtaining a section average value of each row vector of the normalized data as the decision standard data, and the first state abnormality and/or the second state abnormality.
  • the operation of determining a state abnormality includes determining the first state abnormality and/or the second state abnormality of each of the M battery cells based on the section average values of each of the row vectors of the determination reference data. It includes an operation, and the section average values are average values of entries of each of the row vectors of the normalized data included in different time sections, and the time sections may not overlap each other.
  • the operation of obtaining the decision standard data includes obtaining the change amounts of entries in each of the row vectors of the normalized data as the decision standard data, and the first state abnormality and/or the second state abnormality.
  • the operation of determining a state abnormality determines the first state abnormality and/or the second state abnormality of each of the M battery cells based on the amount of change in the entries of each of the row vectors of the determination reference data. It may include a judgment operation.
  • the operation of determining the first state abnormality and/or the second state abnormality includes identifying the sum of the entries of each of the row vectors of the decision standard data,
  • the method may include identifying a row vector having a sum value that is less than or equal to a critical sum value among row vectors, and determining that a battery cell corresponding to the identified row vector is in the second state or higher.
  • an electronic device and a method of operating the same may detect a battery cell in an abnormal state among a plurality of battery cells.
  • FIG. 1 is a block diagram of an electronic device in a network environment according to various embodiments of the present disclosure.
  • Figure 2 is a flowchart showing the operation of an electronic device according to an embodiment of the present disclosure.
  • Figure 3 is a flowchart showing the operation of an electronic device according to an embodiment of the present disclosure.
  • Figure 4A illustrates input data
  • Figure 4b illustrates smoothed input data
  • Figure 4C illustrates offset-removed input data.
  • Figure 4D illustrates normalized data of offset-removed input data.
  • Figure 4E illustrates offset-removed normalized data.
  • Figure 4f illustrates interval average data of normalized data.
  • Figure 4g illustrates change data of section average data.
  • Figure 5 is a flowchart showing the operation of an electronic device according to an embodiment of the present disclosure.
  • Figure 6 is a flowchart showing the operation of an electronic device according to an embodiment of the present disclosure.
  • phrases such as “at least one of , B, or C” may include any one of the items listed together in the corresponding phrase, or any possible combination thereof.
  • Terms such as “first”, “second”, “first”, “second”, “A”, “B”, “(a)” or “(b)” simply refer to the element in question. It can be used to distinguish between and, unless specifically stated to the contrary, does not limit the components in other respects (e.g., importance or order).
  • connection or “couple” one (e.g., first) component to another (e.g., second) component, with or without the terms “functionally” or “communicatively.”
  • connection or “couple” one (e.g., first) component to another (e.g., second) component, with or without the terms “functionally” or “communicatively.”
  • connection or “coupled,” or “connected,” it means that any component is connected to another component directly (e.g., wired or wirelessly), or indirectly ( This means that it can be connected (e.g. via a third component).
  • Computer program products are commodities and can be traded between sellers and buyers.
  • a computer program product may be distributed on a machine-readable storage medium (e.g. compact disc read only memory (CD-ROM)) or distributed online, directly through an application store or between two user devices (e.g. : can be downloaded or uploaded).
  • a machine-readable storage medium e.g. compact disc read only memory (CD-ROM)
  • CD-ROM compact disc read only memory
  • online distribution at least a portion of the computer program product may be at least temporarily stored or temporarily created in a machine-readable storage medium, such as the memory of a manufacturer's server, an application store's server, or a relay server.
  • each component (e.g., module or program) of the above-described components may include a single or plural entity, and some of the plurality of entities are separately arranged in other components. It could be. According to embodiments disclosed in this document, one or more of the above-described components or operations may be omitted, or one or more other components or operations may be added. Alternatively or additionally, multiple components (eg, modules or programs) may be integrated into a single component. In this case, the integrated component may perform one or more functions of each component of the plurality of components in the same or similar manner as those performed by the corresponding component of the plurality of components prior to the integration. .
  • operations performed by a module, program, or other component may be executed sequentially, in parallel, iteratively, or heuristically, or one or more of the operations may be executed in a different order. , may be omitted, or one or more other operations may be added.
  • FIG. 1 is a block diagram of an electronic device 101 according to an embodiment of the present disclosure.
  • the electronic device 101 may include a battery module 110, a sensor circuit 120, a communication circuit 130, a memory 140, and a processor 150.
  • at least one component (e.g., battery module 110) of the components of the electronic device 101 shown in FIG. 1 is replaced with another component (e.g., a plurality of battery modules 110). Battery cells containing) can be excluded.
  • at least one component (eg, battery module 110) among the components of the electronic device 101 shown in FIG. 1 may be composed of a plurality of components.
  • the electronic device 101 may further include at least one component (e.g., a power device (e.g., a motor), a display, an input device, or an output device) other than the components shown in FIG. 1. You can.
  • a power device e.g., a motor
  • the electronic device 101 may be a battery management system (BMS).
  • BMS battery management system
  • the electronic device 101 may supply power from the battery module 110 to an external component (eg, a motor).
  • the electronic device 101 may be a battery swapping station (BSS).
  • BSS battery swapping station
  • the electronic device 101 may include a plurality of slots for storing and/or charging a plurality of battery modules 110.
  • the battery module 110 may supply power to one or more components of the electronic device 101. In one embodiment, the battery module 110 may be detachable from the electronic device 101.
  • the battery module 110 may include one or more battery cells 111, 113, or 115.
  • One or more battery cells 111, 113, or 115 may be included in the battery module 110 while being electrically connected to each other.
  • one or more battery cells 111, 113, or 115 may be connected in series with each other and/or in parallel with each other.
  • one or more battery cells 111, 113, or 115 may be included in the battery module 110 in an electrically separated state.
  • the sensor circuit 120 may obtain information related to the battery module 110. In one embodiment, the sensor circuit 120 may obtain values (or information) related to the state of each of one or more battery cells 111, 113, or 115. In one embodiment, the state-related values include one or more of the battery cell's voltage, current, resistance, state of charge (SOC), state of health (SOH), or temperature, or a combination thereof. Values can be expressed. Hereinafter, values related to the state may be referred to as 'state values'.
  • the sensor circuit 120 may provide information (eg, state values) for each of one or more battery cells 111, 113, or 115 to the processor 150.
  • the communication circuit 130 establishes a wired communication channel and/or a wireless communication channel between the electronic device 101 and the external electronic device 102 and communicates the external electronic device 102 through the established communication channel. You can send and receive data.
  • the communication circuit 130 may perform communication based on at least one radio access technology (RAT). In one embodiment, the communication circuit 130 may transmit and receive data with the external electronic device 102 using at least one RAT.
  • RAT radio access technology
  • memory 140 may include volatile memory and/or non-volatile memory.
  • the memory 140 may store data used by at least one component (eg, the processor 150 or the sensor circuit 120) of the electronic device 101.
  • data may include software (or instructions related thereto), input data, or output data.
  • an instruction when executed by the processor 150, may cause the electronic device 101 to perform operations defined by the instruction.
  • the processor 150 may execute software to control at least one other component (e.g., hardware or software component) of the electronic device 101 connected to the processor 150 and process various data. Alternatively, calculations can be performed.
  • the electronic device 101 determines an abnormality in one or more battery cells 111, 113, or 115 included in the battery module 110 according to an embodiment of the present disclosure.
  • the electronic device 101 displays state values (e.g., one or more values related to voltage, current, resistance, state of charge, state of health, or temperature) of each of one or more battery cells 111, 113, or 115. can be obtained.
  • the electronic device 101 may obtain state values of each of the one or more battery cells 111, 113, or 115 during a designated time period (eg, 180 seconds (sec)).
  • the electronic device 101 may acquire state values of each of the one or more battery cells 111, 113, or 115 at a specified time period (eg, 0.1 second) during a specified time interval.
  • the electronic device 101 may obtain voltage values of each of one or more battery cells 111, 113, or 115.
  • the electronic device 101 may obtain current values of each of one or more battery cells 111, 113, or 115.
  • state values of each of one or more battery cells 111, 113, or 115 acquired at a designated time period during a designated time interval may be referred to as 'input data'.
  • the input data may be expressed as a matrix (eg, an M ⁇ N matrix) consisting of N values for each of the M battery cells 111, 113, or 115.
  • the input data may consist of N voltage values for each of the M battery cells 111, 113, or 115.
  • the input data may consist of one of the N values of current, resistance, state of charge, health state, or temperature for each of the M battery cells 111, 113, or 115.
  • entries of input data may indicate voltage values of each of the battery cells 111, 113, or 115.
  • entries of input data may represent values for one of the resistance, state of charge, health state, or temperature of each of the battery cells 111, 113, or 115.
  • M may be the number of battery cells 111, 113, or 115
  • N may be the number of time periods for acquiring state values of the battery cells 111, 113, or 115. For example, if the number of battery cells 111, 113, or 115 is 100, the designated time interval is 180 seconds, and the designated time period is 0.1 seconds, M may be 100 and N may be 1800.
  • the input data (D input ) may be expressed as Equation 1 below.
  • each entry (v 1,1 , ..., v 1,N , to v M,1 , ..., v M,N ) of the input data (D input ) is battery cells ( Status values of 111, 113, or 115) can be indicated.
  • Each column (or column vectors) of the input data D input may represent M state values acquired in the same time period (or a sensing point of the sensor circuit 120).
  • Each row (or row vectors) of the input data D input may represent N state values obtained from each of the battery cells 111, 113, or 115 during a designated time period.
  • the entries (v 1,1 , to v M,1 ) of the first column vector may be state values of the battery cells 111, 113, or 115 obtained in the first time period.
  • the entries (v 1,1 , to v 1,N ) of the first row vector may be state values obtained from the first battery cell during a designated time period.
  • each of the entries (v 1,1 , ..., v 1,N , to v M,1 , ..., v M,N ) of the input data (D input ) are of the same type. Can represent status values.
  • the entries may be used for voltage, current, resistance, state of charge, state of health, or It can represent state values of one type: temperature.
  • the electronic device 101 may obtain standardized data based on input data.
  • normalized data for random matrix data may be obtained based on normalization between entries of each column vector of the random matrix data.
  • normalization may be converting values to a standardized score (or Z score). For example, standardization can be based on Equation 2 below:
  • Equation 2 z i,j may be the standardized score of the jth entry of the ith row vector of random matrix data.
  • v i,j may be the value of the jth entry of the ith row vector of arbitrary matrix data.
  • m j may be the average of the entries of the jth column vector of random matrix data.
  • ⁇ j may be the standard deviation of the entries of the jth column vector of random matrix data.
  • i may be an integer greater than or equal to the number of rows of random matrix data
  • j may be an integer equal to or greater than 1 but less than the number of columns of arbitrary matrix data.
  • the electronic device 101 may determine whether the first state of the battery cells 111, 113, or 115 is abnormal and/or the second state is abnormal based on the standardized data. In one embodiment, the electronic device 101 may determine whether the first state of the battery cells 111, 113, or 115 is abnormal and/or the second state is abnormal using decision reference data based on standardized data. In one embodiment, the decision criteria data may be standardized data itself. In one embodiment, the decision standard data may be data on which data processing (e.g., offset removal, interval average, variation acquisition, and/or concatenation) has been performed on standardized data. In one embodiment, the first state abnormality may mean a state abnormality in which the instantaneous voltage of the battery cell decreases when the battery cell is charged.
  • the second abnormal state may mean an abnormal state in which the slope of the voltage of the battery cell decreases (or becomes low) when charging the battery cell.
  • the first condition may be determined based on a learning-based model, and the second condition may be determined based on a method other than the learning-based model (eg, a rule-based model).
  • the electronic device 101 may identify a row vector that includes an entry with a value less than or equal to the standard threshold standardization score among entries in each of the row vectors of the decision standard data. Depending on the embodiment, the electronic device 101 may identify a row vector that includes an entry having a value equal to or higher than the standard threshold standardization score among entries in each of the row vectors of the decision standard data. Depending on the embodiment, the electronic device 101 may identify a row vector that includes an entry with a value outside the standard threshold standardization score range among entries in each of the row vectors of the decision standard data.
  • the reference critical standardized score may be a score experimentally determined to extract candidates with a possibility of more than the first state.
  • the electronic device 101 identifies a row vector including an entry having a value less than or equal to the standard threshold normalization score among each entries of the row vectors of the decision standard data.
  • the electronic device 101 may obtain output vectors of a learning-based model based on row vectors of decision standard data. In one embodiment, the electronic device 101 may obtain an output vector for a row vector including entries with a value less than or equal to a reference threshold normalization score based on a learning-based model.
  • the learning-based model may be an autoencoder. In one embodiment, the autoencoder may be an artificial neural network trained to reconstruct decision criteria data according to normal behavior. In one embodiment, the autoencoder may be an artificial neural network trained in an unsupervised manner. In one embodiment, the autoencoder may include an encoder and a decoder.
  • the autoencoder's encoder compresses the input to a lower dimension
  • the autoencoder's decoder can restore the autoencoder's compressed output to a previous dimension. Accordingly, the input and output of the autoencoder have the same dimension, and the output of the autoencoder may have a form including restoration error (or restoration loss) at the input of the autoencoder.
  • the electronic device 101 may determine that the first state of the battery cell is abnormal based on the output vector of the learning-based model. In one embodiment, the electronic device 101 may determine that the first state of the battery cell is abnormal based on the restoration error of the autoencoder. In one embodiment, the reconstruction error for a random row vector may be the root mean square (RMS) value of the vector minus the output vector for the random row vector.
  • RMS root mean square
  • the electronic device 101 may identify a row vector whose reconstruction error exceeds a specified reference reconstruction error among row vectors of decision standard data. In one embodiment, the electronic device 101 may determine that the battery cell associated with the row vector exceeding the reference restoration error is in the first state or higher. In one embodiment, the reference restoration error may be an error experimentally determined to determine the first state abnormality.
  • the electronic device 101 may determine that the second state of the battery cells 111, 113, or 115 is abnormal based on the sum of the entries of each row vector of the decision reference data. In one embodiment, the electronic device 101 may identify a row vector whose sum value is less than or equal to a specified reference sum value among row vectors. Depending on the embodiment, the electronic device 101 may identify a row vector whose sum value is greater than or equal to a specified reference sum value among row vectors. Depending on the embodiment, the electronic device 101 may identify a row vector whose sum value is outside a designated standard sum range among row vectors.
  • the electronic device 101 identifies a row vector whose sum value is greater than or equal to a specified reference sum value among row vectors.
  • the reference sum value may be a value determined experimentally to determine the second state abnormality.
  • the electronic device 101 may determine that a battery cell associated with a row vector whose sum value is less than or equal to a specified reference sum value is in the second state or higher.
  • the electronic device 101 may provide a notification to the user through an output device (or display, communication circuit 130).
  • the notification provided to the user may include a notification to check for abnormalities in the battery cell, a notification to replace the battery cell, or a combination thereof.
  • the electronic device 101 acquires standardized data of input data and determines a first state abnormality and/or a second state abnormality based on the judgment standard data of the standardized data, but this is only an example. .
  • the electronic device 101 may perform processing to process input data and determine whether the first state is abnormal and/or the second state is abnormal based on standardized data of the processed input data.
  • the electronic device 101 performs processing to process standardized data of the input data and determines the first state abnormality and/or the second state abnormality based on the processed standardized data (or judgment reference data). You can.
  • processing of input data and/or processing of standardized data may be selectively performed.
  • the electronic device 101 may obtain smoothing data (or moving average data) of input data.
  • smoothing for random matrix data may be performed between entries of each row vector of the random matrix data. For example, smoothing on arbitrary matrix data can be performed based on Equation 3 below.
  • vs i,j may be the smoothed value of the jth entry of the ith row vector of arbitrary matrix data.
  • d may represent the distance from the entry furthest from the jth entry among the entries used for smoothing.
  • k may be an integer greater than or equal to jd and less than or equal to j+d.
  • ⁇ k may be a weight applied to the kth entry.
  • v i,k may be the value of the kth entry in the ith row.
  • the sum of weights used for smoothing the jth entry of the ith row vector of random matrix data may be 1. If the weights used for smoothing the j-th entry of the i-th row vector of random matrix data are the same, the smoothing may be a moving average.
  • the electronic device 101 acquires smoothed data (or moving average data) of input data, obtains normalized data of the obtained smoothed data (or moving average data), and based on the normalized data A first state abnormality and/or a second state abnormality may be determined.
  • the electronic device 101 may obtain data with the offset removed from input data.
  • the offset of the random matrix data may be set for each row vector of the random matrix data.
  • the offset for random matrix data may be the value of the first entry among the respective entries of the row vectors of the random matrix data.
  • offset removal for random matrix data may involve subtracting the offset of each row vector from each entry of the row vectors of the random matrix data.
  • the electronic device 101 acquires data from which the offset of the input data has been removed, obtains normalized data of the data from which the obtained offset has been removed, and determines the first state abnormality and/or the first state based on the normalized data. 2 Status abnormalities can be determined.
  • the electronic device 101 may sequentially perform offset removal and smoothing on input data.
  • the electronic device 101 may obtain normalized data of the acquired data by sequentially performing offset removal and smoothing, and determine the first state abnormality and/or the second state abnormality based on the normalized data. there is.
  • offset removal on the input data may be performed first and then smoothing may be performed, or smoothing on the input data may be performed first and then offset removal may be performed.
  • the normalized data described below may be normalized data of input data, normalized data of smoothed input data, normalized data of input data with offsets removed, or normalized data of input data that has been smoothed and offsets removed.
  • the electronic device 101 may obtain decision standard data by removing the offset of the standardized data. In one embodiment, the electronic device 101 may determine the first state abnormality and/or the second state abnormality based on standardized data from which the offset has been removed (i.e., decision standard data).
  • the electronic device 101 may obtain section average data of standardized data as decision standard data.
  • the section average may be the average of each entry of row vectors of random matrix data at designated time intervals (eg, 18 seconds).
  • time intervals may not overlap each other. For example, if the specified time interval is 18 seconds, the specified time interval is 180 seconds, and the specified time period is 0.1 seconds, the number of columns of interval average data is 10, and the columns of interval average data are 180 columns of standardized data. can represent the average.
  • the electronic device 101 may determine the first state abnormality and/or the second state abnormality based on section average data (i.e., decision standard data).
  • the electronic device 101 may obtain change data in standardized data as decision standard data.
  • the amount of change may be a difference value between neighboring entries of each row vector of random matrix data.
  • the amount of change in a random entry may be a value obtained by subtracting the value of the entry before the random entry from the value of the random entry.
  • the electronic device 101 may determine a first state abnormality and/or a second state abnormality based on change amount data (i.e., decision standard data).
  • the electronic device 101 may acquire concatenated data of standardized data as decision standard data.
  • concatenation of random matrix data may be concatenation of random matrix data and other matrix data in the column direction.
  • the concatenation of random matrix data may be sequentially concatenating random matrix data excluding the first column, the first column of the random matrix data, and the last column of the random matrix data.
  • the electronic device 101 may determine a first state abnormality and/or a second state abnormality based on concatenated data (i.e., decision standard data).
  • the electronic device 101 may obtain decision standard data by sequentially performing offset removal, section average, variation acquisition, and concatenation on the standardized data. In one embodiment, the electronic device 101 determines the first state abnormality and/or the second state abnormality based on decision criterion data obtained by sequentially performing offset removal, section average, variation acquisition, and concatenation on the normalized data. can be judged.
  • the processing order between offset removal, section average, variation acquisition, and concatenation for normalized data may be set differently for each embodiment.
  • Figure 2 is a flowchart showing the operation of an electronic device according to an embodiment of the present disclosure. The operations of FIG. 2 may be performed by the electronic device 101 of FIG. 1 .
  • the electronic device 101 may obtain input data.
  • the input data may include state values of each of one or more battery cells 111, 113, or 115 acquired at a designated time period during a designated time interval.
  • the input data may be expressed as a matrix (eg, an M ⁇ N matrix) consisting of N values for each of the M battery cells 111, 113, or 115.
  • entries of input data may indicate voltage values of each of the battery cells 111, 113, or 115.
  • entries of input data may represent values for one of the resistance, state of charge, health state, or temperature of each of the battery cells 111, 113, or 115.
  • M may be the number of battery cells 111, 113, or 115
  • N may be the number of time periods for acquiring state values of the battery cells 111, 113, or 115.
  • the electronic device 101 may acquire standardized data.
  • normalized data may be data standardized between entries of each column vector of input data.
  • the electronic device 101 may obtain decision standard data based on standardized data.
  • the decision criteria data may be standardized data itself.
  • the decision standard data may be data on which data processing (e.g., offset removal, interval average, variation acquisition, and/or concatenation) has been performed on standardized data.
  • the electronic device 101 may determine a first state abnormality. In one embodiment, the electronic device 101 may obtain output vectors of a learning-based model based on row vectors of decision standard data. In one embodiment, the electronic device 101 may determine that the first state of the battery cell is abnormal based on the output vector of the learning-based model.
  • the electronic device 101 may determine that the first state of the battery cell is abnormal based on the restoration error of the autoencoder.
  • the reconstruction error for a random row vector may be the RMS value of the vector minus the output vector for the random row vector.
  • the electronic device 101 may identify a row vector whose reconstruction error exceeds a specified reference reconstruction error among row vectors of decision standard data. In one embodiment, the electronic device 101 may determine that the battery cell associated with the row vector exceeding the reference restoration error is in the first state or higher.
  • the electronic device 101 may determine a second state abnormality. In one embodiment, the electronic device 101 may determine whether the second state of the battery cells 111, 113, or 115 is abnormal based on the sum of the entries of each of the row vectors of the decision standard data. In one embodiment, the electronic device 101 may identify a row vector whose sum value is less than or equal to a specified reference sum value among row vectors. In one embodiment, the electronic device 101 may determine that a battery cell associated with a row vector whose sum value is less than or equal to a specified reference sum value is in the second state or higher.
  • the electronic device 101 acquires standardized data of input data and determines a first state abnormality and/or a second state abnormality based on the judgment standard data of the standardized data, but this is only an example. .
  • the electronic device 101 may perform processing to process input data and determine whether the first state is abnormal and/or the second state is abnormal based on standardized data of the processed input data. Additionally, the electronic device 101 may determine the first state abnormality and/or the second state abnormality based on decision standard data obtained by performing processing for processing standardized data of the input data.
  • processing of input data and/or processing of standardized data may be selectively performed.
  • a method of processing input data by the electronic device 101 may include removing offset for input data and smoothing input data.
  • a method for the electronic device 101 to process standardized data to obtain decision standard data may include removing an offset for the standardized data, obtaining an interval average for the standardized data, and obtaining a change amount for the standardized data. .
  • both operations 230 and 240 are shown as being performed, but this is only an example. Depending on the embodiment, operations 230 and 240 may be performed selectively. In some embodiments, either operation 230 or operation 240 may not be performed.
  • the electronic device 101 may perform operation 230 and not perform operation 240 in order to determine only the first state abnormality.
  • the electronic device 101 may perform operation 240 and not perform operation 230 in order to determine only the second state abnormality.
  • Figure 3 is a flowchart showing the operation of an electronic device according to an embodiment of the present disclosure.
  • Figure 4A illustrates input data.
  • Figure 4b illustrates smoothed input data.
  • Figure 4C illustrates offset-removed input data.
  • Figure 4D illustrates normalized data of offset-removed input data.
  • Figure 4E illustrates offset-removed normalized data.
  • Figure 4f illustrates interval average data of normalized data.
  • Figure 4g illustrates change data of section average data.
  • Operations 310, 320, and 330 of FIG. 3 may be included in operation 220 of FIG. 2.
  • Operations 340, 350, and 360 of FIG. 3 may be included in operation 225 of FIG. 2.
  • the operations of FIG. 3 may be performed by the electronic device 101 of FIG. 1 .
  • the change data in FIG. 4G may be understood as decision standard data obtained according to the operations in FIG. 3.
  • the electronic device 101 may perform smoothing on input data.
  • the input data may include state values of each of one or more battery cells 111, 113, or 115 acquired at a designated time period during a designated time period.
  • the input data may be expressed as a matrix (eg, an M ⁇ N matrix) consisting of N values for each of the M battery cells 111, 113, or 115.
  • the status values may be one or more values related to voltage, current, resistance, state of charge, state of health, or temperature.
  • a graph 401 may represent input data 410.
  • the input data 410 may be the voltage values of each of the M battery cells 111, 113, or 115 acquired during a time period of 180 seconds.
  • smoothing on the input data 410 may be performed between entries of each row vector of the input data. For example, smoothing on the input data 410 may be performed based on Equation 3 above.
  • graph 402 may represent smoothed input data 420 . Compared to the graph 401, it can be seen in the graph 402 that the noise of the input data 420 has been reduced by smoothing.
  • the electronic device 101 may remove the offset of the smoothed input data 420.
  • the offset of the smoothed input data 420 may be set for each row vector of the smoothed input data 420.
  • the offset for the smoothed input data 420 may be the value of the first entry among the respective entries of the row vectors of the smoothed input data 420.
  • removing the offset for the smoothed input data 420 may involve subtracting the offset of each row vector from each entry of the row vectors of the smoothed input data 420.
  • a graph 403 may represent input data 430 from which the offset has been removed. Compared to the graph 402, in the graph 403, it can be seen that the initial value of the input data 430 starts with 0.
  • the electronic device 101 may perform normalization on the offset-removed input data 430.
  • normalized data for the input data 430 may be obtained based on normalization between entries of each of the column vectors of the input data 430.
  • normalization may be converting values to a standardized score (or Z score). For example, standardization can be based on Equation 2 above.
  • graph 404 may represent normalized data 440 of input data 430 .
  • the electronic device 101 may remove the offset of the normalized data 440.
  • the offset of the normalized data 440 may be set for each row vector of the normalized data 440.
  • the offset for the normalized data 440 may be the value of the first entry among the respective entries of the row vectors of the normalized data 440.
  • removing the offset for the standardized data 440 may mean subtracting the offset of each row vector from each entry of the row vectors of the standardized data 440.
  • graph 405 may represent normalized data 450 with offsets removed.
  • the electronic device 101 may perform a section average of the offset-removed normalized data 450.
  • the section average may be the average of each entry of the row vectors of the normalized data 450 at specified time intervals (eg, 18 seconds). For example, if the specified time interval is 18 seconds, the specified time interval is 180 seconds, and the specified time period is 0.1 seconds, the number of columns of interval average data is 10, and the columns of interval average data are 180 columns of standardized data. can represent the average.
  • graph 406 may represent interval average data 460. Compared to the graph 406 of FIG. 4E, it can be seen that the graph 406 has 10 sections.
  • the electronic device 101 may obtain the amount of change in the section average data 460.
  • the amount of change may be a difference value between neighboring entries of each row vector of the section average data 460.
  • the amount of change in a random entry may be a value obtained by subtracting the value of the entry before the random entry from the value of the random entry.
  • a graph 407 may represent change amount data 470. Compared to the graph 407 of FIG. 4g, it can be seen that there are 9 sections in the graph 407. This may be because there is one entry (eg, the last entry) in the graph 407 for which no change amount is obtained.
  • the electronic device 101 may determine whether the first state of the battery cells 111, 113, or 115 is abnormal and/or the second state is abnormal based on the change amount data 470.
  • Figure 5 is a flowchart showing the operation of an electronic device according to an embodiment of the present disclosure.
  • the operations of FIG. 5 may be included in operation 230 of FIG. 2 .
  • the operations of FIG. 5 may be performed by the electronic device 101 of FIG. 1 .
  • the operations in FIG. 5 may be performed on each of the row vectors.
  • the electronic device 101 may determine whether the row vector includes entries less than or equal to a reference threshold normalized score. In one embodiment, the electronic device 101 may identify a row vector that includes an entry with a value less than or equal to the standard threshold standardization score among entries in each of the row vectors of the decision standard data.
  • the row vector may be the row vector of the change data 470 in FIG. 4F.
  • the row vector may be a row vector of data by concatenating the change data 470. In one embodiment, the row vector may be a row vector of data sequentially concatenated with the change data 470, the first column of the change data 470, and the last column of the change data 470 excluding the first column. there is.
  • the electronic device 101 may obtain an output vector of a row vector based on a learning-based model.
  • the learning-based model may be an autoencoder.
  • the autoencoder may be an artificial neural network trained to restore decision criteria data according to normal behavior.
  • the output vector has the same dimensions as the row vector and may include a reconstruction error (or reconstruction loss).
  • the electronic device 101 may determine whether the reconstruction error between the row vector and the output vector exceeds the reference reconstruction error.
  • the reconstruction error between the row vector and the output vector may be the RMS value of the vector minus the row vector and the output vector.
  • the electronic device 101 may perform operation 540. In one embodiment, when the restoration error does not exceed the reference restoration error, the electronic device 101 may perform operation 550.
  • the electronic device 101 may determine that the first state or higher. In one embodiment, the electronic device 101 may determine that the battery cell corresponding to the row vector is in the first state or higher.
  • the electronic device 101 may determine that the first state is not abnormal. In one embodiment, the electronic device 101 may determine that the battery cell corresponding to the row vector is not in the first state or higher.
  • Figure 6 is a flowchart showing the operation of an electronic device according to an embodiment of the present disclosure.
  • the operations of FIG. 6 may be included in operation 240 of FIG. 2 .
  • the operations of FIG. 6 may be performed by the electronic device 101 of FIG. 1 .
  • the operations in FIG. 6 may be performed on each of the row vectors.
  • the electronic device 101 may identify the sum of the entries of the row vector.
  • the row vector may be the row vector of the change data 470 in FIG. 4F.
  • the electronic device 101 may determine whether the sum value is less than or equal to the reference sum value.
  • the electronic device 101 may perform operation 630. In one embodiment, if the sum value is not less than the reference sum value, the electronic device 101 may perform operation 640.
  • the electronic device 101 may determine that the second state or higher. In one embodiment, the electronic device 101 may determine that the battery cell corresponding to the row vector is in the second state or higher.
  • the electronic device 101 may determine that the second state is not abnormal. In one embodiment, the electronic device 101 may determine that the battery cell corresponding to the row vector is not in the second state or higher.

Landscapes

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

Abstract

본 문서에서 개시되는 일 실시 예에 따른 전자 장치는, 감지 회로를 통해 입력 데이터를 획득하고, 입력 데이터의 열 벡터들 각각을 표준화함으로써, 입력 데이터에 대한 표준화 데이터를 획득하고, 표준화 데이터에 기초하여 판정 기준 데이터를 획득하고, 판정 기준 데이터의 행 벡터들 각각의 엔트리들이 나타내는 값들에 기초하여, M개의 배터리 셀들 각각의 제1 상태 이상 및/또는 제2 상태 이상을 판정할 수 있다. 제1 상태 이상은 학습 기반 모델에 기초하여 판정되고, 상기 제2 상태 이상은 학습 기반 모델 이외의 방식에 기초하여 판정될 수 있다.

Description

배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법
관련출원과의 상호인용
본 문서에 개시된 실시예들은 2022.09.06.에 출원된 한국 특허 출원 제10-2022-0113110호에 기초한 우선권의 이익을 주장하며, 해당 한국 특허 출원의 문헌에 개시된 모든 내용을 본 명세서의 일부로서 포함한다.
기술분야
본 문서에서 개시되는 실시 예들은, 배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법에 관한 것이다.
제품 군에 따른 적용 용이성이 높고, 높은 에너지 밀도 등의 전기적 특성을 가지는 이차 전지는 휴대용 기기뿐만 아니라 전기적 구동원에 의하여 구동하는 전기차량(electric vehicle, EV) 또는 하이브리드 차량(hybrid electric vehicle, HEV) 등에 보편적으로 응용되고 있다.
현재 널리 사용되는 이차 전지의 종류에는 리튬 이온 전지, 리튬 폴리머 전지, 니켈 카드뮴 전지, 니켈 수소 전지, 니켈 아연 전지 등이 있다. 이러한 단위 이차 전지 셀, 즉, 단위 배터리 셀의 작동 전압은 약 2.5 내지 4.5 볼트(V)이다. 따라서, 이보다 더 높은 출력 전압이 요구될 경우, 복수 개의 배터리 셀을 직렬로 연결하여 배터리 팩을 구성하기도 한다. 또한, 배터리 팩에 요구되는 충방전 용량에 따라 다수의 배터리 셀을 병렬 연결하여 배터리 팩을 구성하기도 한다. 따라서, 상기 배터리 팩에 포함되는 배터리 셀의 개수는 요구되는 출력 전압 또는 충방전 용량에 따라 다양하게 설정될 수 있다.
배터리 팩에는 복수의 배터리 셀들이 직렬 및/또는 병렬 연결된 상태로 포함될 수 있다. 따라서, 복수의 배터리 셀들 중 이상 상태의 배터리 셀이 존재하더라도 배터리 셀의 이상을 감지하는 것은 용이하지 않을 수 있다.
이에 따라, 복수의 배터리 셀들 중 이상 상태의 배터리 셀을 감지하기 위한 방법이 요구될 수 있다.
본 문서에 개시된 실시예들의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 문서에서 개시되는 일 실시 예에 따른 전자 장치는, M개의 배터리 셀들을 포함하는 배터리 모듈, 상기 M은 2 이상의 정수이고, 상기 M개의 배터리 셀들 각각의 상태와 관련된 상태 값들을 획득하는 감지 회로, 및 프로세서를 포함하고, 상기 프로세서는, 상기 전자 장치가 상기 감지 회로를 통해 입력 데이터를 획득하고, 상기 입력 데이터는 MХN 행렬로 표현 가능하고, 상기 입력 데이터의 MХN개의 엔트리들은 상기 M개의 배터리 셀들 각각의 상태 값들을 나타내고, 상기 N은 상기 M개의 배터리 셀들 각각의 상기 상태 값들을 획득하기 위한 시간 주기들의 개수를 나타내고, 상기 입력 데이터의 열 벡터들 각각을 표준화함으로써, 상기 입력 데이터에 대한 표준화 데이터를 획득하고, 상기 열 벡터들 각각은 서로 동일한 단위 시간에 획득된 엔트리들로 구성되고, 상기 표준화 데이터에 기초하여 판정 기준 데이터를 획득하고, 상기 판정 기준 데이터의 행 벡터들 각각의 엔트리들이 나타내는 값들에 기초하여, 상기 M개의 배터리 셀들 각각의 제1 상태 이상 및/또는 제2 상태 이상을 판정하도록 하고, 상기 제1 상태 이상은 학습 기반 모델에 기초하여 판정되고, 상기 제2 상태 이상은 상기 학습 기반 모델 이외의 방식에 기초하여 판정될 수 있다.
일 실시 예에서, 상기 프로세서는 상기 판정 기준 데이터의 행 벡터들 중 기준 임계 표준화 점수 이하의 값을 적어도 하나 가지는 행 벡터를 식별하고, 상기 학습 기반 모델에 기반하여, 상기 식별된 행 벡터에 대한 출력 벡터를 획득하고, 상기 출력 벡터에 기초하여, 상기 식별된 행 벡터에 대응하는 배터리 셀의 상기 제1 상태 이상을 판정하도록 할 수 있다.
일 실시 예에서, 상기 프로세서는 상기 입력 데이터의 상기 행 벡터들 각각의 엔트리들의 오프셋을 제거하고, 상기 오프셋이 제거된 입력 데이터의 상기 열 벡터들 각각을 표준화함으로써 상기 표준화 데이터를 획득하도록 하고, 상기 오프셋은 상기 입력 데이터의 상기 행 벡터들 각각에 대해 설정되고, 상기 오프셋은 상기 입력 데이터의 상기 행 벡터들 각각의 엔트리들 중 첫 번째 엔트리의 값으로 설정될 수 있다.
일 실시 예에서, 상기 프로세서는 상기 입력 데이터의 상기 행 벡터들 각각의 엔트리들을 평탄화하고, 상기 평탄화된 입력 데이터의 상기 열 벡터들 각각을 표준화함으로써 상기 표준화 데이터를 획득하도록 할 수 있다.
일 실시 예에서, 상기 프로세서는 상기 표준화 데이터의 행 벡터들 각각의 구간 평균 값을 상기 판정 기준 데이터로서 획득하고, 상기 판정 기준 데이터의 상기 행 벡터들 각각의 상기 구간 평균 값들에 기초하여, 상기 M개의 배터리 셀들 각각의 상기 제1 상태 이상 및/또는 상기 제2 상태 이상을 판정하도록 하고, 상기 구간 평균 값들은 서로 다른 시간 구간들에 포함되는 상기 표준화 데이터의 상기 행 벡터들 각각의 엔트리들의 평균 값들이고, 상기 시간 구간들은 서로 중첩되지 않을 수 있다.
일 실시 예에서, 상기 프로세서는 상기 표준화 데이터의 행 벡터들 각각의 엔트리들의 변화량들을 상기 판정 기준 데이터로서 획득하고, 상기 판정 기준 데이터의 상기 행 벡터들 각각의 상기 엔트리들의 상기 변화량들에 기초하여, 상기 M개의 배터리 셀들 각각의 상기 제1 상태 이상 및/또는 상기 제2 상태 이상을 판정하도록 할 수 있다.
일 실시 예에서, 상기 프로세서는 상기 판정 기준 데이터의 상기 행 벡터들 각각의 상기 엔트리들의 합산 값을 식별하고, 상기 판정 기준 데이터의 상기 행 벡터들 중 임계 합산 값 이하인 상기 합산 값을 가지는 행 벡터를 식별하고, 상기 식별된 행 벡터에 대응하는 배터리 셀이 상기 제2 상태 이상인 것으로 판정하도록 할 수 있다.
일 실시 예에서, 상기 학습 기반 모델은 오토 인코더(auto encoder)이고, 상기 오토 인코더는 정상 배터리 셀들의 상태 값들에 기반하여 학습될 수 있다.
본 문서에서 개시되는 일 실시 예에 따른 전자 장치의 동작 방법은, 상기 전자 장치의 감지 회로를 통해 입력 데이터를 획득하는 동작, 상기 입력 데이터는 MХN 행렬로 표현 가능하고, 상기 입력 데이터의 MХN개의 엔트리들은 상기 전자 장치의 M개의 배터리 셀들 각각의 상태 값들을 나타내고, 상기 N은 상기 M개의 배터리 셀들 각각의 상기 상태 값들을 획득하기 위한 시간 주기들의 개수를 나타내고, 상기 입력 데이터의 열 벡터들 각각을 표준화함으로써, 상기 입력 데이터에 대한 표준화 데이터를 획득하는 동작, 상기 열 벡터들 각각은 서로 동일한 단위 시간에 획득된 엔트리들로 구성되고, 상기 표준화 데이터에 기초하여 판정 기준 데이터를 획득하는 동작, 및 상기 판정 기준 데이터의 행 벡터들 각각의 엔트리들이 나타내는 값들에 기초하여, 상기 M개의 배터리 셀들 각각의 제1 상태 이상 및/또는 제2 상태 이상을 판정하는 동작을 포함하고, 상기 제1 상태 이상은 학습 기반 모델에 기초하여 판정되고, 상기 제2 상태 이상은 상기 학습 기반 모델 이외의 방식에 기초하여 판정될 수 있다.
일 실시 예에서, 상기 제1 상태 이상 및/또는 제2 상태 이상을 판정하는 동작은, 상기 판정 기준 데이터의 행 벡터들 중 기준 임계 표준화 점수 이하의 값을 적어도 하나 가지는 행 벡터를 식별하는 동작, 상기 학습 기반 모델에 기반하여, 상기 식별된 행 벡터에 대한 출력 벡터를 획득하는 동작, 및 상기 출력 벡터에 기초하여, 상기 식별된 행 벡터에 대응하는 배터리 셀의 상기 제1 상태 이상을 판정하는 동작을 포함할 수 있다.
일 실시 예에서, 상기 표준화 데이터를 획득하는 동작은, 상기 입력 데이터의 상기 행 벡터들 각각의 엔트리들의 오프셋을 제거하는 동작, 및 상기 오프셋이 제거된 입력 데이터의 상기 열 벡터들 각각을 표준화함으로써 상기 표준화 데이터를 획득하는 동작을 포함하고, 상기 오프셋은 상기 입력 데이터의 상기 행 벡터들 각각에 대해 설정되고, 상기 오프셋은 상기 입력 데이터의 상기 행 벡터들 각각의 엔트리들 중 첫 번째 엔트리의 값으로 설정될 수 있다.
일 실시 예에서, 상기 표준화 데이터를 획득하는 동작은, 상기 입력 데이터의 상기 행 벡터들 각각의 엔트리들을 평탄화하는 동작, 및 상기 평탄화된 입력 데이터의 상기 열 벡터들 각각을 표준화함으로써 상기 표준화 데이터를 획득하는 동작을 포함할 수 있다.
일 실시 예에서, 상기 판정 기준 데이터를 획득하는 동작은, 상기 표준화 데이터의 행 벡터들 각각의 구간 평균 값을 상기 판정 기준 데이터로서 획득하는 동작을 포함하고, 상기 제1 상태 이상 및/또는 제2 상태 이상을 판정하는 동작은, 상기 판정 기준 데이터의 상기 행 벡터들 각각의 상기 구간 평균 값들에 기초하여, 상기 M개의 배터리 셀들 각각의 상기 제1 상태 이상 및/또는 상기 제2 상태 이상을 판정하는 동작을 포함하고, 상기 구간 평균 값들은 서로 다른 시간 구간들에 포함되는 상기 표준화 데이터의 상기 행 벡터들 각각의 엔트리들의 평균 값들이고, 상기 시간 구간들은 서로 중첩되지 않을 수 있다.
일 실시 예에서, 상기 판정 기준 데이터를 획득하는 동작은, 상기 표준화 데이터의 행 벡터들 각각의 엔트리들의 변화량들을 상기 판정 기준 데이터로서 획득하는 동작을 포함하고, 상기 제1 상태 이상 및/또는 제2 상태 이상을 판정하는 동작은, 상기 판정 기준 데이터의 상기 행 벡터들 각각의 상기 엔트리들의 상기 변화량들에 기초하여, 상기 M개의 배터리 셀들 각각의 상기 제1 상태 이상 및/또는 상기 제2 상태 이상을 판정하는 동작을 포함할 수 있다.
일 실시 예에서, 상기 제1 상태 이상 및/또는 제2 상태 이상을 판정하는 동작은, 상기 판정 기준 데이터의 상기 행 벡터들 각각의 상기 엔트리들의 합산 값을 식별하는 동작, 상기 판정 기준 데이터의 상기 행 벡터들 중 임계 합산 값 이하인 상기 합산 값을 가지는 행 벡터를 식별하는 동작, 및 상기 식별된 행 벡터에 대응하는 배터리 셀이 상기 제2 상태 이상인 것으로 판정하는 동작을 포함할 수 있다.
본 문서에 개시되는 다양한 실시 예들에 따른, 전자 장치 및 이의 동작 방법은 복수의 배터리 셀들 중 이상 상태의 배터리 셀을 감지할 수 있다.
본 문서의 개시에 따른 배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또다른 효과들은 본 문서의 개시에 따라 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은, 본 개시의 다양한 실시 예들에 따른 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는, 본 개시의 일 실시 예에 따른 전자 장치의 동작을 나타내는 흐름도이다.
도 3은, 본 개시의 일 실시 예에 따른 전자 장치의 동작을 나타내는 흐름도이다.
도 4a는 입력 데이터를 예시한다.
도 4b는 평활화된 입력 데이터를 예시한다.
도 4c는 오프셋 제거된 입력 데이터를 예시한다.
도 4d는 오프셋 제거된 입력 데이터의 표준화 데이터를 예시한다.
도 4e는 오프셋 제거된 표준화 데이터를 예시한다. 도 4f는 표준화 데이터의 구간 평균 데이터를 예시한다.
도 4g는 구간 평균 데이터의 변화량 데이터를 예시한다.
도 5는, 본 개시의 일 실시 예에 따른 전자 장치의 동작을 나타내는 흐름도이다.
도 6은, 본 개시의 일 실시 예에 따른 전자 장치의 동작을 나타내는 흐름도이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
이하, 본 발명의 실시 예들이 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다.
본 문서의 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다.
본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제1", "제2", "첫째", "둘째", "A", "B", "(a)" 또는 "(b)"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 특별히 반대되는 기재가 없는 한, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다.
본 문서에서, 어떤(예: 제1) 구성요소가 다른(예: 제2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "연결", "결합" 또는 "접속"된다고 언급되거나 "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로, 또는 무선으로), 또는 간접적으로(예: 제3 구성요소를 통하여) 연결될 수 있다는 것을 의미한다.
본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어를 통해 또는 두 개의 사용자 장치들 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
본 문서에 개시된 실시 예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 본 문서에 개시된 실시 예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 본 문서에 개시된 실시 예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
도 1은, 본 개시의 일 실시 예에 따른 전자 장치(101)의 블록도이다.
도 1을 참조하면, 전자 장치(101)는 배터리 모듈(110), 센서 회로(120), 통신 회로(130), 메모리(140), 및 프로세서(150)를 포함할 수 있다. 실시 예에 따라, 도 1에 도시된 전자 장치(101)의 구성 요소들 중 적어도 하나의 구성 요소(예: 배터리 모듈(110))는 다른 구성 요소로 대체(예: 복수의 배터리 모듈(110)을 포함하는 배터리 셀)될 제외될 수 있다. 실시 예에 따라, 도 1에 도시된 전자 장치(101)의 구성 요소들 중 적어도 하나의 구성 요소(예: 배터리 모듈(110))는 복수 개로 구성될 수 있다. 실시 예에 따라, 도 1에 도시된 전자 장치(101)의 구성 요소들 중 적어도 하나의 구성 요소(예: 센서 회로(120), 또는 통신 회로(130))는 전자 장치(101)에서 제외될 수 있다. 실시 예에 따라, 전자 장치(101)는 도 1에서 도시된 구성 요소들 이외의 적어도 하나의 구성 요소(예: 동력 장치(예: 모터), 디스플레이, 입력 장치, 또는 출력 장치)를 더 포함할 수 있다.
일 실시 예에서, 전자 장치(101)는 배터리 관리 시스템(battery management system, BMS)일 수 있다. 전자 장치(101)가 배터리 관리 시스템으로 구현되는 경우, 전자 장치(101)는 외부의 구성 요소(예: 모터)에게 배터리 모듈(110)의 전력을 공급할 수 있다.
일 실시 예에서, 전자 장치(101)는 배터리 교환 스테이션(battery swapping station, BSS)일 수 있다. 전자 장치(101)가 배터리 교환 스테이션으로 구현되는 경우, 전자 장치(101)는 복수의 배터리 모듈(110)들을 보관 및/또는 충전하기 위한 복수의 슬롯들을 포함할 수 있다.
일 실시 예에서, 배터리 모듈(110)은, 전자 장치(101)의 하나 이상의 구성 요소들에 전력을 공급할 수 있다. 일 실시 예에서, 배터리 모듈(110)은 전자 장치(101)에서 탈부착 가능할 수 있다.
일 실시 예에서, 배터리 모듈(110)은 하나 이상의 배터리 셀들(111, 113, 또는 115)을 포함할 수 있다. 하나 이상의 배터리 셀들(111, 113, 또는 115)은 전기적으로 서로 연결된 상태로 배터리 모듈(110)에 포함될 수 있다. 예를 들어, 하나 이상의 배터리 셀들(111, 113, 또는 115)이 서로 직렬 연결되거나, 및/또는 서로 병렬 연결될 수 있다. 실시 예에 따라, 하나 이상의 배터리 셀들(111, 113, 또는 115)은 전기적으로 분리된 상태로 배터리 모듈(110)에 포함될 수 있다.
일 실시 예에서, 센서 회로(120)는, 배터리 모듈(110)과 관련된 정보를 획득할 수 있다. 일 실시 예에서, 센서 회로(120)는, 하나 이상의 배터리 셀들(111, 113, 또는 115) 각각의 상태와 관련된 값들(또는, 정보)를 획득할 수 있다. 일 실시 예에서, 상태와 관련된 값들은 배터리 셀의 전압, 전류, 저항, 충전 상태(state of charge, SOC), 건강 상태(state of health, SOH), 또는 온도, 또는 이들의 조합에 대한 하나 이상의 값들을 나타낼 수 있다. 이하에서, 상태와 관련된 값은 '상태 값'으로 지칭될 수 있다.
일 실시 예에서, 센서 회로(120)는 하나 이상의 배터리 셀들(111, 113, 또는 115) 각각의 정보(예컨대, 상태 값들)를 프로세서(150)에게 제공할 수 있다.
일 실시 예에서, 통신 회로(130)는, 전자 장치(101)와 외부 전자 장치(102) 간의 유선 통신 채널 및/또는 무선 통신 채널을 수립하고, 수립된 통신 채널을 통해 외부 전자 장치(102)와 데이터를 송수신할 수 있다.
일 실시 예에서, 통신 회로(130)는, 적어도 하나의 무선 접속 기술(radio access technology, RAT)에 기반하여 통신을 수행할 수 있다. 일 실시 예에서, 통신 회로(130)는 적어도 하나의 RAT을 이용하여 외부 전자 장치(102)와 데이터를 송수신할 수 있다.
일 실시 예에서, 메모리(140)는 휘발성 메모리 및/또는 비휘발성 메모리를 포함할 수 있다.
일 실시 예에서, 메모리(140)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(150) 또는 센서 회로(120))에 의해 사용되는 데이터를 저장할 수 있다. 예를 들어, 데이터는 소프트웨어(또는, 이와 관련된 명령어(instruction)), 입력 데이터 또는 출력 데이터를 포함할 수 있다. 일 실시 예에서, 명령어는 프로세서(150)에 의해 실행 시 전자 장치(101)가 명령어에 의해 정의되는 동작들을 수행하게 할 수 있다.
일 실시 예에서, 프로세서(150)는 소프트웨어를 실행하여 프로세서(150)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성 요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다.
이하에서는, 본 개시의 일 실시 예에 따른 전자 장치(101)가 배터리 모듈(110)에 포함된 하나 이상의 배터리 셀들(111, 113, 또는 115)의 이상을 판단하는 방법을 설명한다.
일 실시 예에서, 전자 장치(101)는 하나 이상의 배터리 셀들(111, 113, 또는 115) 각각의 상태 값들(예: 전압, 전류, 저항, 충전 상태, 건강 상태, 또는 온도와 관련된 하나 이상의 값들)을 획득할 수 있다. 일 실시 예에서, 전자 장치(101)는 지정된 시간 구간(예: 180 초(sec)) 동안 하나 이상의 배터리 셀들(111, 113, 또는 115) 각각의 상태 값들을 획득할 수 있다. 일 실시 예에서, 전자 장치(101)는 지정된 시간 구간 동안 지정된 시간 주기(예: 0.1 초)으로 하나 이상의 배터리 셀들(111, 113, 또는 115) 각각의 상태 값들을 획득할 수 있다. 예를 들어, 전자 장치(101)는 하나 이상의 배터리 셀들(111, 113, 또는 115) 각각의 전압 값들을 획득할 수 있다. 다른 예를 들어, 전자 장치(101)는 하나 이상의 배터리 셀들(111, 113, 또는 115) 각각의 전류 값들을 획득할 수 있다.
일 실시 예에서, 지정된 시간 구간 동안 지정된 시간 주기로 획득되는 하나 이상의 배터리 셀들(111, 113, 또는 115) 각각의 상태 값들은 '입력 데이터'로 지칭될 수 있다. 일 실시 예에서, 입력 데이터는 M개의 배터리 셀들(111, 113, 또는 115) 각각의 N개의 값들로 구성되는 행렬(예컨대, M×N 행렬)로 표현될 수 있다. 예를 들어, 입력 데이터는 M개의 배터리 셀들(111, 113, 또는 115) 각각의 N개의 전압 값들로 구성될 수 있다. 다른 예를 들어, 입력 데이터는 M개의 배터리 셀들(111, 113, 또는 115) 각각의 N개의 전류, 저항, 충전 상태, 건강 상태, 또는 온도 중 하나의 값들로 구성될 수 있다. 예를 들어, 입력 데이터의 엔트리들은 배터리 셀들(111, 113, 또는 115) 각각의 전압 값들을 나타낼 수 있다. 다른 예를 들어, 입력 데이터의 엔트리들은 배터리 셀들(111, 113, 또는 115) 각각의 저항, 충전 상태, 건강 상태, 또는 온도 중 하나에 대한 값들을 나타낼 수 있다. 여기에서, M은 배터리 셀들(111, 113, 또는 115)의 개수이고, N은 배터리 셀들(111, 113, 또는 115)의 상태 값들을 획득하기 위한 시간 주기들의 개수일 수 있다. 예컨대, 배터리 셀들(111, 113, 또는 115)의 개수의 100개이고, 지정된 시간 구간이 180 초이고, 지정된 시간 주기가 0.1 초인 경우, M은 100이고, N은 1800일 수 있다.
일 실시 예에서, 입력 데이터(Dinput)는 아래 수학식 1과 같이 표현될 수 있다.
Figure PCTKR2023011213-appb-img-000001
수학식 1에서, 입력 데이터(Dinput)의 각각의 엔트리들(v1,1, ..., v1,N, 내지 vM,1, ..., vM,N)은 배터리 셀들(111, 113, 또는 115)의 상태 값들을 나타낼 수 있다. 입력 데이터(Dinput)의 각각의 열들(또는, 열 벡터들)은 동일한 시간 주기(또는, 센서 회로(120)의 센싱 시점)에 획득된 M개의 상태 값들을 나타낼 수 있다. 입력 데이터(Dinput)의 각각의 행들(또는, 행 벡터들)은 지정된 시간 구간 동안 배터리 셀들(111, 113, 또는 115) 각각으로부터 획득된 N개의 상태 값들을 나타낼 수 있다. 예컨대, 첫 번째 열 벡터의 엔트리들(v1,1, 내지 vM,1)은 첫 번째 시간 주기에 획득된 배터리 셀들(111, 113, 또는 115)의 상태 값들을 수 있다. 그리고 첫 번째 행 벡터의 엔트리들(v1,1, 내지 v1,N)은 지정된 시간 구간 동안 첫 번째 배터리 셀로부터 획득되는 상태 값들일 수 있다. 일 실시 예에서, 입력 데이터(Dinput)의 각각의 엔트리들(v1,1, ..., v1,N, 내지 vM,1, ..., vM,N)은 동일한 종류의 상태 값들을 나타낼 수 있다. 예를 들어, 엔트리들(v1,1, ..., v1,N, 내지 vM,1, ..., vM,N)은 전압, 전류, 저항, 충전 상태, 건강 상태, 또는 온도 중 하나의 유형의 상태 값들을 나타낼 수 있다.
일 실시 예에서, 전자 장치(101)는 입력 데이터에 기초하여 표준화 데이터를 획득할 수 있다. 일 실시 예에서, 임의 행렬 데이터에 대한 표준화 데이터는 임의 행렬 데이터의 열 벡터들 각각의 엔트리들 간의 표준화에 기초하여 획득될 수 있다. 일 실시 예에서, 표준화는 값들을 표준화 점수(또는, Z 점수)로 변환하는 것일 수 있다. 예를 들어, 표준화는 아래 수학식 2에 기초할 수 있다.
Figure PCTKR2023011213-appb-img-000002
수학식 2에서 zi,j는 임의 행렬 데이터의 i번째 행 벡터의 j번째 엔트리의 표준화 점수일 수 있다. vi,j는 임의 행렬 데이터의 i번째 행 벡터의 j번째 엔트리의 값일 수 있다. mj는 임의 행렬 데이터의 j번째 열 벡터의 엔트리들의 평균일 수 있다. σj는 임의 행렬 데이터의 j번째 열 벡터의 엔트리들의 표준 편차일 수 있다. 여기에서, i는 1 이상 임의 행렬 데이터의 행의 개수 이하의 정수이고, j는 1 이상 임의 행렬 데이터의 열의 개수 이하의 정수일 수 있다.
일 실시 예에서, 전자 장치(101)는 표준화 데이터에 기초하여 배터리 셀들(111, 113, 또는 115)의 제1 상태 이상 및/또는 제2 상태 이상을 판정할 수 있다. 일 실시 예에서, 전자 장치(101)는 표준화 데이터에 기반하는 판정 기준 데이터를 이용하여 배터리 셀들(111, 113, 또는 115)의 제1 상태 이상 및/또는 제2 상태 이상을 판정할 수 있다. 일 실시 예에서, 판정 기준 데이터는 표준화 데이터 그 자체일 수 있다. 일 실시 예에서, 판정 기준 데이터는 표준화 데이터에 대한 데이터 처리(예: 오프셋 제거, 구간 평균, 변화량 획득 및/또는 연접(concatenate))가 수행된 데이터일 수 있다. 일 실시 예에서, 제1 상태 이상은 배터리 셀의 충전 시 배터리 셀의 순간 전압이 하강하는 상태 이상을 의미할 수 있다. 일 실시 예에서, 제2 상태 이상은 배터리 셀의 충전 시 배터리 셀의 전압의 기울기가 감소하는(또는, 낮은) 상태 이상을 의미할 수 있다. 일 실시 예에서, 제1 상태 이상은 학습 기반 모델에 기초하여 판정되고, 제2 상태 이상은 학습 기반 모델 이외의 방식(예컨대, 룰 기반 모델)에 기초하여 판정될 수 있다.
이하에서는, 전자 장치(101)가 배터리 셀들(111, 113, 또는 115)의 제1 상태 이상을 판정하는 동작을 설명한다.
일 실시 예에서, 전자 장치(101)는 판정 기준 데이터의 행 벡터들 각각의 엔트리들 중 기준 임계 표준화 점수 이하의 값을 가지는 엔트리를 포함하는 행 벡터를 식별할 수 있다. 실시 예에 따라, 전자 장치(101)는 판정 기준 데이터의 행 벡터들 각각의 엔트리들 중 기준 임계 표준화 점수 이상의 값을 가지는 엔트리를 포함하는 행 벡터를 식별할 수 있다. 실시 예에 따라, 전자 장치(101)는 판정 기준 데이터의 행 벡터들 각각의 엔트리들 중 기준 임계 표준화 점수 범위를 벗어나는 값을 가지는 엔트리를 포함하는 행 벡터를 식별할 수 있다. 일 실시 예에서, 기준 임계 표준화 점수는 제1 상태 이상의 가능성이 있는 후보를 추출하기 위해 실험적으로 결정된 점수일 수 있다. 이하에서는, 전자 장치(101)가 판정 기준 데이터의 행 벡터들 각각의 엔트리들 중 기준 임계 표준화 점수 이하의 값을 가지는 엔트리를 포함하는 행 벡터를 식별하는 것으로 예시한다.
일 실시 예에서, 전자 장치(101)는 판정 기준 데이터의 행 벡터들에 기초하여, 학습 기반 모델의 출력 벡터들을 획득할 수 있다. 일 실시 예에서, 전자 장치(101)는 학습 기반 모델에 기초하여 기준 임계 표준화 점수 이하의 값을 가지는 엔트리를 포함하는 행 벡터에 대한 출력 벡터를 획득할 수 있다. 일 실시 예에서, 학습 기반 모델은 오토 인코더일 수 있다. 일 실시 예에서, 오토 인코더는 정상 거동에 따른 판정 기준 데이터를 복원(reconstruct)하도록 학습된 인공 신경망일 수 있다. 일 실시 예에서, 오토 인코더는 비지도(unsupervised) 방식으로 학습된 인공 신경망일 수 있다. 일 실시 예에서, 오토 인코더는 인코더 및 디코더를 포함할 수 있다. 일 실시 예에서, 오토 인코더의 인코더는 입력을 낮은 차원으로 압축하고, 오토 인코더의 디코더는 오토 인코더의 압축된 출력을 이전의 차원으로 복원할 수 있다. 이에 따라, 오토 인코더의 입력과 출력은 동일한 차원을 가지며, 오토 인코더의 출력은 오토 인코더의 입력에서 복원 오차(또는, 복원 손실)을 포함한 형태를 가질 수 있다.
일 실시 예에서, 전자 장치(101)는 학습 기반 모델의 출력 벡터에 기초하여 배터리 셀의 제1 상태 이상을 판정할 수 있다. 일 실시 예에서, 전자 장치(101)는 오토 인코더의 복원 오차에 기초하여 배터리 셀의 제1 상태 이상을 판정할 수 있다. 일 실시 예에서, 임의 행 벡터에 대한 복원 오차는 임의 행 벡터에서 임의 행 벡터에 대한 출력 벡터를 뺀 벡터의 RMS(root mean square) 값일 수 있다.
일 실시 예에서, 전자 장치(101)는 판정 기준 데이터의 행 벡터들 중 복원 오차가 지정된 기준 복원 오차를 초과하는 행 벡터를 식별할 수 있다. 일 실시 예에서, 전자 장치(101)는 기준 복원 오차를 초과하는 행 벡터와 관련된 배터리 셀이 제1 상태 이상인 것으로 판정할 수 있다. 일 실시 예에서, 기준 복원 오차는 제1 상태 이상을 판별하기 위해 실험적으로 결정된 오차일 수 있다.
이하에서는, 전자 장치(101)가 배터리 셀들(111, 113, 또는 115)의 제2 상태 이상을 판정하는 동작을 설명한다.
일 실시 예에서, 전자 장치(101)는 판정 기준 데이터의 행 벡터들 각각의 엔트리들의 합산 값에 기초하여, 배터리 셀들(111, 113, 또는 115)의 제2 상태 이상을 판정할 수 있다. 일 실시 예에서, 전자 장치(101)는 행 벡터들 중 합산 값이 지정된 기준 합산 값 이하인 행 벡터를 식별할 수 있다. 실시 예에 따라, 전자 장치(101)는 행 벡터들 중 합산 값이 지정된 기준 합산 값 이상인 행 벡터를 식별할 수 있다. 실시 예에 따라, 전자 장치(101)는 행 벡터들 중 합산 값이 지정된 기준 합산 범위를 벗어나는 행 벡터를 식별할 수 있다. 이하에서는, 전자 장치(101)가 행 벡터들 중 합산 값이 지정된 기준 합산 값 이상인 행 벡터를 식별하는 것으로 예시한다. 일 실시 예에서, 기준 합산 값은 제2 상태 이상을 판별하기 위해 실험적으로 결정된 값일 수 있다.
일 실시 예에서, 전자 장치(101)는 합산 값이 지정된 기준 합산 값 이하인 행 벡터와 관련된 배터리 셀이 제2 상태 이상인 것으로 판정할 수 있다.
일 실시 예에서, 전자 장치(101)는 상태 이상이 존재하는 배터리 셀이 확인되는 경우, 출력 장치(또는, 디스플레이, 통신 회로(130))를 통해 사용자에게 알림을 제공할 수 있다. 일 실시 예에서, 사용자에게 제공되는 알림은 배터리 셀의 이상을 확인하라는 통지, 배터리 셀을 교체하라는 통지, 또는 이들의 조합을 포함할 수 있다.
도 1에서는, 전자 장치(101)가 입력 데이터의 표준화 데이터를 획득하고, 표준화 데이터의 판정 기준 데이터에 기초하여 제1 상태 이상 및/또는 제2 상태 이상을 판정하는 것으로 예시하였으나, 이는 예시일 뿐이다. 실시 예에 따라, 전자 장치(101)는 입력 데이터를 가공하기 위한 처리를 수행하고, 처리된 입력 데이터의 표준화 데이터에 기초하여 제1 상태 이상 및/또는 제2 상태 이상을 판정할 수 있다. 또한, 전자 장치(101)는 입력 데이터의 표준화 데이터를 가공하기 위한 처리를 수행하고, 처리된 표준화 데이터(또는, 판정 기준 데이터)에 기초하여 제1 상태 이상 및/또는 제2 상태 이상을 판정할 수 있다. 실시 예에 따라, 입력 데이터의 가공 및/또는 표준화 데이터의 가공이 선택적으로 수행될 수 있다.
이하에서는, 본 개시의 일 실시 예에 따른 전자 장치(101)가 입력 데이터를 가공하는 예들을 설명한다.
일 실시 예에서, 전자 장치(101)는 입력 데이터의 평활화(smoothing) 데이터(또는, 이동 평균 데이터)를 획득할 수 있다. 일 실시 예에서, 임의 행렬 데이터에 대한 평활화는 임의 행렬 데이터의 행 벡터들 각각의 엔트리들 사이에서 수행되는 것일 수 있다. 예를 들어, 임의 행렬 데이터에 대한 평활화는 아래 수학식 3에 기초하여 수행될 수 있다.
Figure PCTKR2023011213-appb-img-000003
수학식 3에서, vsi,j는 임의 행렬 데이터의 i번째 행 벡터의 j번째 엔트리의 평활화된 값일 수 있다. d는 평활화에 이용되는 엔트리들 중 j번째 엔트리로부터 가장 멀리 떨어진 엔트리와의 거리를 나타낼 수 있다. k는 j-d 이상 j+d 이하의 정수일 수 있다. αk는 k번째 엔트리에 적용되는 가중치일 수 있다. vi,k는 i번째 행의 k번째 엔트리의 값일 수 있다. 임의 행렬 데이터의 i번째 행 벡터의 j번째 엔트리의 평활화에 이용되는 가중치들의 합은 1일 수 있다. 임의 행렬 데이터의 i번째 행 벡터의 j번째 엔트리의 평활화에 이용되는 가중치들이 서로 동일한 경우, 평활화는 이동 평균일 수 있다.
일 실시 예에서, 전자 장치(101)는 입력 데이터의 평활화 데이터(또는, 이동 평균 데이터)를 획득하고, 획득된 평활화 데이터(또는, 이동 평균 데이터)의 표준화 데이터를 획득하고, 표준화 데이터에 기초하여 제1 상태 이상 및/또는 제2 상태 이상을 판정할 수 있다.
일 실시 예에서, 전자 장치(101)는 입력 데이터에서 오프셋이 제거된 데이터를 획득할 수 있다. 일 실시 예에서, 임의 행렬 데이터의 오프셋은 임의 행렬 데이터의 행 벡터들 각각마다 설정될 수 있다. 일 실시 예에서, 임의 행렬 데이터에 대한 오프셋은 임의 행렬 데이터의 행 벡터들 각각의 엔트리들 중 첫 번째 엔트리의 값일 수 있다. 일 실시 예에서, 임의 행렬 데이터에 대한 오프셋 제거는 임의 행렬 데이터의 행 벡터들 각각의 엔트리들에서 행 벡터들 각각의 오프셋을 빼주는 것일 수 있다.
일 실시 예에서, 전자 장치(101)는 입력 데이터의 오프셋이 제거된 데이터를 획득하고, 획득된 오프셋이 제거된 데이터의 표준화 데이터를 획득하고, 표준화 데이터에 기초하여 제1 상태 이상 및/또는 제2 상태 이상을 판정할 수 있다.
일 실시 예에서, 전자 장치(101)는 입력 데이터에 대해 오프셋 제거 및 평활화를 순차적으로 수행할 수 있다. 일 실시 예에서, 전자 장치(101)는 오프셋 제거 및 평활화를 순차적으로 수행함으로써 획득된 데이터의 표준화 데이터를 획득하고, 표준화 데이터에 기초하여 제1 상태 이상 및/또는 제2 상태 이상을 판정할 수 있다. 실시 예에 따라, 입력 데이터에 대한 오프셋 제거가 먼저 수행된 후 평활화가 수행되거나, 또는 입력 데이터에 대한 평활화가 먼저 수행된 후 오프셋 제거가 수행될 수 있다.
이하에서는, 본 개시의 일 실시 예에 따른 전자 장치(101)가 표준화 데이터를 가공하여 판정 기준 데이터를 획득하는 예들을 설명한다. 이하에서 설명되는 표준화 데이터는 입력 데이터의 표준화 데이터, 평활화된 입력 데이터의 표준화 데이터, 오프셋이 제거된 입력 데이터의 표준화 데이터, 또는 평활화되고 오프셋이 제거된 입력 데이터의 표준화 데이터일 수 있다.
일 실시 예에서, 전자 장치(101)는 표준화 데이터의 오프셋을 제거함으로써, 판정 기준 데이터를 획득할 수 있다. 일 실시 예에서, 전자 장치(101)는 오프셋이 제거된 표준화 데이터(즉, 판정 기준 데이터)에 기초하여 제1 상태 이상 및/또는 제2 상태 이상을 판정할 수 있다.
일 실시 예에서, 전자 장치(101)는 표준화 데이터의 구간 평균 데이터를 판정 기준 데이터로서 획득할 수 있다. 일 실시 예에서, 구간 평균은 임의 행렬 데이터의 행 벡터들 각각의 엔트리들을 지정된 시간 간격(interval)(예: 18 초)들마다 평균한 것일 수 있다. 일 실시 예에서, 시간 간격들은 서로 중첩되지 않을 수 있다. 예를 들어, 지정된 시간 간격이 18 초이고, 지정된 시간 구간이 180 초이고, 지정된 시간 주기가 0.1 초인 경우, 구간 평균 데이터의 열의 개수는 10개이고, 구간 평균 데이터의 열들은 표준화 데이터의 180개의 열들의 평균을 나타낼 수 있다.
일 실시 예에서, 전자 장치(101)는 구간 평균 데이터(즉, 판정 기준 데이터)에 기초하여 제1 상태 이상 및/또는 제2 상태 이상을 판정할 수 있다.
일 실시 예에서, 전자 장치(101)는 표준화 데이터의 변화량 데이터를 판정 기준 데이터로서 획득할 수 있다. 일 실시 예에서, 변화량은 임의 행렬 데이터의 행 벡터들 각각의 서로 이웃한 엔트리들 간의 차이 값일 수 있다. 예를 들어, 임의 엔트리의 변화량은 임의 엔트리의 값에서 임의 엔트리 이전의 엔트리의 값을 빼준 값일 수 있다.
일 실시 예에서, 전자 장치(101)는 변화량 데이터(즉, 판정 기준 데이터)에 기초하여 제1 상태 이상 및/또는 제2 상태 이상을 판정할 수 있다.
일 실시 예에서, 전자 장치(101)는 표준화 데이터의 연접 데이터를 판정 기준 데이터로서 획득할 수 있다. 일 실시 예에서, 임의 행렬 데이터의 연접은 임의 행렬 데이터와 다른 행렬 데이터를 열 방향으로 연접한 것일 수 있다. 일 실시 예에서, 임의 행렬 데이터의 연접은 첫 번째 열을 제외한 임의 행렬 데이터, 임의 행렬 데이터의 첫 번째 열, 및 임의 행렬 데이터의 마지막 번째 열을 순차적으로 연접한 것일 수 있다. 일 실시 예에서, 전자 장치(101)는 연접 데이터(즉, 판정 기준 데이터)에 기초하여 제1 상태 이상 및/또는 제2 상태 이상을 판정할 수 있다.
일 실시 예에서, 전자 장치(101)는 표준화 데이터에 대해 오프셋 제거, 구간 평균, 변화량 획득 및 연접을 순차적으로 수행함으로써, 판정 기준 데이터를 획득할 수 있다. 일 실시 예에서, 전자 장치(101)는 표준화 데이터에 대해 오프셋 제거, 구간 평균, 변화량 획득 및 연접을 순차적으로 수행함으로써 획득된 판정 기준 데이터에 기초하여 제1 상태 이상 및/또는 제2 상태 이상을 판정할 수 있다. 표준화 데이터에 대한 오프셋 제거, 구간 평균, 변화량 획득 및 연접 간의 처리 순서는 실시 예들마다 다르게 설정될 수 있다.
도 2는, 본 개시의 일 실시 예에 따른 전자 장치의 동작을 나타내는 흐름도이다. 도 2의 동작들은 도 1의 전자 장치(101)에 의해 수행될 수 있다.
도 2를 참조하면, 동작 210에서, 전자 장치(101)는 입력 데이터를 획득할 수 있다. 일 실시 예에서, 입력 데이터는 지정된 시간 구간 동안 지정된 시간 주기로 획득되는 하나 이상의 배터리 셀들(111, 113, 또는 115) 각각의 상태 값들을 포함할 수 있다. 일 실시 예에서, 입력 데이터는 M개의 배터리 셀들(111, 113, 또는 115) 각각의 N개의 값들로 구성되는 행렬(예컨대, M×N 행렬)로 표현될 수 있다. 예를 들어, 입력 데이터의 엔트리들은 배터리 셀들(111, 113, 또는 115) 각각의 전압 값들을 나타낼 수 있다. 다른 예를 들어, 입력 데이터의 엔트리들은 배터리 셀들(111, 113, 또는 115) 각각의 저항, 충전 상태, 건강 상태, 또는 온도 중 하나에 대한 값들을 나타낼 수 있다. 여기에서, M은 배터리 셀들(111, 113, 또는 115)의 개수이고, N은 배터리 셀들(111, 113, 또는 115)의 상태 값들을 획득하기 위한 시간 주기들의 개수일 수 있다.
동작 220에서, 전자 장치(101)는 표준화 데이터를 획득할 수 있다. 일 실시 예에서, 표준화 데이터는 입력 데이터의 열 벡터들 각각의 엔트리들 간에 표준화된 데이터일 수 있다.
동작 225에서, 전자 장치(101)는 표준화 데이터에 기반하는 판정 기준 데이터를 획득할 수 있다. 일 실시 예에서, 판정 기준 데이터는 표준화 데이터 그 자체일 수 있다. 일 실시 예에서, 판정 기준 데이터는 표준화 데이터에 대한 데이터 처리(예: 오프셋 제거, 구간 평균, 변화량 획득 및/또는 연접)가 수행된 데이터일 수 있다.
동작 230에서, 전자 장치(101)는 제1 상태 이상을 판단할 수 있다. 일 실시 예에서, 전자 장치(101)는 판정 기준 데이터의 행 벡터들에 기초하여, 학습 기반 모델의 출력 벡터들을 획득할 수 있다. 일 실시 예에서, 전자 장치(101)는 학습 기반 모델의 출력 벡터에 기초하여 배터리 셀의 제1 상태 이상을 판정할 수 있다.
일 실시 예에서, 전자 장치(101)는 오토 인코더의 복원 오차에 기초하여 배터리 셀의 제1 상태 이상을 판정할 수 있다. 일 실시 예에서, 임의 행 벡터에 대한 복원 오차는 임의 행 벡터에서 임의 행 벡터에 대한 출력 벡터를 뺀 벡터의 RMS 값일 수 있다.
일 실시 예에서, 전자 장치(101)는 판정 기준 데이터의 행 벡터들 중 복원 오차가 지정된 기준 복원 오차를 초과하는 행 벡터를 식별할 수 있다. 일 실시 예에서, 전자 장치(101)는 기준 복원 오차를 초과하는 행 벡터와 관련된 배터리 셀이 제1 상태 이상인 것으로 판정할 수 있다.
동작 240에서, 전자 장치(101)는 제2 상태 이상을 판단할 수 있다. 일 실시 예에서, 전자 장치(101)는 판정 기준 데이터의 행 벡터들 각각의 엔트리들의 합산 값에 기초하여, 배터리 셀들(111, 113, 또는 115)의 제2 상태 이상을 판판할 수 있다. 일 실시 예에서, 전자 장치(101)는 행 벡터들 중 합산 값이 지정된 기준 합산 값 이하인 행 벡터를 식별할 수 있다. 일 실시 예에서, 전자 장치(101)는 합산 값이 지정된 기준 합산 값 이하인 행 벡터와 관련된 배터리 셀이 제2 상태 이상인 것으로 판정할 수 있다.
도 2에서는, 전자 장치(101)가 입력 데이터의 표준화 데이터를 획득하고, 표준화 데이터의 판정 기준 데이터에 기초하여 제1 상태 이상 및/또는 제2 상태 이상을 판정하는 것으로 예시하였으나, 이는 예시일 뿐이다. 실시 예에 따라, 전자 장치(101)는 입력 데이터를 가공하기 위한 처리를 수행하고, 처리된 입력 데이터의 표준화 데이터에 기초하여 제1 상태 이상 및/또는 제2 상태 이상을 판정할 수 있다. 또한, 전자 장치(101)는 입력 데이터의 표준화 데이터를 가공하기 위한 처리를 수행함으로써 획득되는 판정 기준 데이터에 기초하여 제1 상태 이상 및/또는 제2 상태 이상을 판정할 수 있다. 실시 예에 따라, 입력 데이터의 가공 및/또는 표준화 데이터의 가공이 선택적으로 수행될 수 있다.
일 실시 예에서, 전자 장치(101)가 입력 데이터를 가공하는 방법으로는 입력 데이터에 대한 오프셋 제거 및 입력 데이터에 대한 평활화를 포함할 수 있다. 일 실시 예에서, 전자 장치(101)가 표준화 데이터를 가공하여 판정 기준 데이터를 획득하는 방법으로는 표준화 데이터에 대한 오프셋 제거, 표준화 데이터에 대한 구간 평균 및 표준화 데이터에 대한 변화량 획득을 포함할 수 있다.
도 2에서는 동작 230과 동작 240이 모두 수행되는 것으로 도시되어 있으나, 이는 예시일 뿐이다. 실시 예에 따라, 동작 230과 동작 240은 선택적으로 수행될 수 있다. 어떤 실시 예에서는, 동작 230 및 동작 240 중 어느 한 동작은 수행되지 않을 수 있다. 예를 들어, 전자 장치(101)는 제1 상태 이상만을 판단하기 위해, 동작 230을 수행하고, 동작 240을 수행하지 않을 수 있다. 다른 예를 들어, 전자 장치(101)는 제2 상태 이상만을 판단하기 위해, 동작 240을 수행하고, 동작 230을 수행하지 않을 수 있다.
도 3은, 본 개시의 일 실시 예에 따른 전자 장치의 동작을 나타내는 흐름도이다. 도 4a는 입력 데이터를 예시한다. 도 4b는 평활화된 입력 데이터를 예시한다. 도 4c는 오프셋 제거된 입력 데이터를 예시한다. 도 4d는 오프셋 제거된 입력 데이터의 표준화 데이터를 예시한다. 도 4e는 오프셋 제거된 표준화 데이터를 예시한다. 도 4f는 표준화 데이터의 구간 평균 데이터를 예시한다. 도 4g는 구간 평균 데이터의 변화량 데이터를 예시한다. 도 3의 동작 310, 320 및 330은 도 2의 동작 220에 포함될 수 있다. 도 3의 동작 340, 350 및 360은 도 2의 동작 225에 포함될 수 있다. 도 3의 동작들은 도 1의 전자 장치(101)에 의해 수행될 수 있다. 일 실시 예에서, 도 4g의 변화량 데이터는 도 3의 동작들에 따라 획득되는 판정 기준 데이터로 이해될 수 있다.
도 3을 참조하면, 동작 310에서, 전자 장치(101)는 입력 데이터에 대해 평활화를 수행할 수 있다.
일 실시 예에서, 입력 데이터는 지정된 시간 구간 동안 지정된 시간 주기로 획득되는 하나 이상의 배터리 셀들(111, 113, 또는 115) 각각의 상태 값들을 포함할 수 있다. 일 실시 예에서, 입력 데이터는 M개의 배터리 셀들(111, 113, 또는 115) 각각의 N개의 값들로 구성되는 행렬(예컨대, M×N 행렬)로 표현될 수 있다. 일 실시 예에서, 상태 값들은 전압, 전류, 저항, 충전 상태, 건강 상태, 또는 온도와 관련된 하나 이상의 값들일 수 있다.
도 4a를 참조하면, 그래프(401)는 입력 데이터(410)를 나타낼 수 있다. 입력 데이터(410)는 180초의 시간 구간 동안 획득되는 M개의 배터리 셀들(111, 113, 또는 115) 각각의 전압 값들일 수 있다.
일 실시 예에서, 입력 데이터(410)에 대한 평활화는 입력 데이터의 행 벡터들 각각의 엔트리들 사이에서 수행되는 것일 수 있다. 예를 들어, 입력 데이터(410)에 대한 평활화는 상기 수학식 3에 기초하여 수행될 수 있다.
도 4b를 참조하면, 그래프(402)는 평활화된 입력 데이터(420)를 나타낼 수 있다. 그래프(401)와 비교하여, 그래프(402)에서는 평활화에 의해 입력 데이터(420)의 노이즈가 감소된 것을 알 수 있다.
동작 320에서, 전자 장치(101)는 평활화된 입력 데이터(420)의 오프셋을 제거할 수 있다. 일 실시 예에서, 평활화된 입력 데이터(420)의 오프셋은 평활화된 입력 데이터(420)의 행 벡터들 각각마다 설정될 수 있다. 일 실시 예에서, 평활화된 입력 데이터(420)에 대한 오프셋은 평활화된 입력 데이터(420)의 행 벡터들 각각의 엔트리들 중 첫 번째 엔트리의 값일 수 있다. 일 실시 예에서, 평활화된 입력 데이터(420)에 대한 오프셋 제거는 평활화된 입력 데이터(420)의 행 벡터들 각각의 엔트리들에서 행 벡터들 각각의 오프셋을 빼주는 것일 수 있다.
도 4c를 참조하면, 그래프(403)는 오프셋이 제거된 입력 데이터(430)를 나타낼 수 있다. 그래프(402)와 비교하여 그래프(403)에서는 입력 데이터(430)의 최초 값이 0으로 시작함을 알 수 있다.
동작 330에서, 전자 장치(101)는 오프셋 제거된 입력 데이터(430)에 대한 표준화를 수행할 수 있다. 일 실시 예에서, 입력 데이터(430)에 대한 표준화 데이터는 입력 데이터(430)의 열 벡터들 각각의 엔트리들 간의 표준화에 기초하여 획득될 수 있다. 일 실시 예에서, 표준화는 값들을 표준화 점수(또는, Z 점수)로 변환하는 것일 수 있다. 예를 들어, 표준화는 상기 수학식 2에 기초할 수 있다.
도 4d를 참조하면, 그래프(404)는 입력 데이터(430)의 표준화 데이터(440)를 나타낼 수 있다.
동작 340에서, 전자 장치(101)는 표준화 데이터(440)의 오프셋을 제거할 수 있다.
일 실시 예에서, 표준화 데이터(440)의 오프셋은 표준화 데이터(440)의 행 벡터들 각각마다 설정될 수 있다. 일 실시 예에서, 표준화 데이터(440)에 대한 오프셋은 표준화 데이터(440)의 행 벡터들 각각의 엔트리들 중 첫 번째 엔트리의 값일 수 있다. 일 실시 예에서, 표준화 데이터(440)에 대한 오프셋 제거는 표준화 데이터(440)의 행 벡터들 각각의 엔트리들에서 행 벡터들 각각의 오프셋을 빼주는 것일 수 있다.
도 4e를 참조하면, 그래프(405)는 오프셋이 제거된 표준화 데이터(450)를 나타낼 수 있다.
동작 350에서, 전자 장치(101)는 오프셋 제거된 표준화 데이터(450)의 구간 평균을 수행할 수 있다. 일 실시 예에서, 구간 평균은 표준화 데이터(450)의 행 벡터들 각각의 엔트리들을 지정된 시간 간격(예: 18 초)들마다 평균한 것일 수 있다. 예를 들어, 지정된 시간 간격이 18 초이고, 지정된 시간 구간이 180 초이고, 지정된 시간 주기가 0.1 초인 경우, 구간 평균 데이터의 열의 개수는 10개이고, 구간 평균 데이터의 열들은 표준화 데이터의 180개의 열들의 평균을 나타낼 수 있다.
도 4f를 참조하면, 그래프(406)는 구간 평균 데이터(460)를 나타낼 수 있다. 도 4e의 그래프(406)와 비교하여, 그래프(406)에서는 구간들이 10개임을 알 수 있다.
동작 360에서, 전자 장치(101)는 구간 평균 데이터(460)에 대한 변화량을 획득할 수 있다. 일 실시 예에서, 변화량은 구간 평균 데이터(460)의 행 벡터들 각각의 서로 이웃한 엔트리들 간의 차이 값일 수 있다. 예를 들어, 임의 엔트리의 변화량은 임의 엔트리의 값에서 임의 엔트리 이전의 엔트리의 값을 빼준 값일 수 있다.
도 4g를 참조하면, 그래프(407)는 변화량 데이터(470)를 나타낼 수 있다. 도 4g의 그래프(407)와 비교하여, 그래프(407)에서는 구간들이 9개임을 알 수 있다. 이는, 그래프(407)에서 변화량이 획득되지 않는 엔트리(예컨대, 마지막 엔트리)가 하나 존재하기 때문일 수 있다.
이후, 전자 장치(101)는 변화량 데이터(470)에 기초하여 배터리 셀들(111, 113, 또는 115)의 제1 상태 이상 및/또는 제2 상태 이상을 판정할 수 있다.
도 5는, 본 개시의 일 실시 예에 따른 전자 장치의 동작을 나타내는 흐름도이다. 도 5의 동작들은 도 2의 동작 230에 포함될 수 있다. 도 5의 동작들은 도 1의 전자 장치(101)에 의해 수행될 수 있다.
도 5의 동작들은, 행 벡터들 각각에 대해 수행될 수 있다.
도 5를 참조하면, 동작 510에서, 전자 장치(101)는 행 벡터가 기준 임계 표준화 점수 이하의 엔트리를 포함하는지를 판정할 수 있다. 일 실시 예에서, 전자 장치(101)는 판정 기준 데이터의 행 벡터들 각각의 엔트리들 중 기준 임계 표준화 점수 이하의 값을 가지는 엔트리를 포함하는 행 벡터를 식별할 수 있다. 실시 예에 따라, 행 벡터는 도 4f의 변화량 데이터(470)의 행 벡터일 수 있다. 실시 예에 따라, 행 벡터는 변화량 데이터(470)를 연접한 데이터의 행 벡터일 수 있다. 일 실시 예에서, 행 벡터는 첫 번째 열을 제외한 변화량 데이터(470), 변화량 데이터(470)의 첫 번째 열, 및 변화량 데이터(470)의 마지막 번째 열을 순차적으로 연접한 데이터의 행 벡터일 수 있다.
동작 520에서, 전자 장치(101)는 학습 기반 모델에 기반하여 행 벡터의 출력 벡터를 획득할 수 있다. 일 실시 예에서, 학습 기반 모델은 오토 인코더일 수 있다. 일 실시 예에서, 오토 인코더는 정상 거동에 따른 판정 기준 데이터를 복원하도록 학습된 인공 신경망일 수 있다. 일 실시 예에서, 출력 벡터는 행 벡터와 동일한 차원을 가지며, 복원 오차(또는, 복원 손실)을 포함할 수 있다.
동작 530에서, 전자 장치(101)는 행 벡터와 출력 벡터 간의 복원 오차가 기준 복원 오차를 초과하는지를 판정할 수 있다. 일 실시 예에서, 행 벡터와 출력 벡터 간의 복원 오차는 행 벡터와 출력 벡터를 뺀 벡터의 RMS 값일 수 있다.
일 실시 예에서, 복원 오차가 기준 복원 오차를 초과하는 경우, 전자 장치(101)는 동작 540을 수행할 수 있다. 일 실시 예에서, 복원 오차가 기준 복원 오차를 초과하지 않는 경우, 전자 장치(101)는 동작 550을 수행할 수 있다.
동작 540에서, 전자 장치(101)는 제1 상태 이상인 것으로 판정할 수 있다. 일 실시 예에서, 전자 장치(101)는 행 벡터에 대응하는 배터리 셀이 제1 상태 이상인 것으로 판정할 수 있다.
동작 550에서, 전자 장치(101)는 제1 상태 이상이 아닌 것으로 판정할 수 있다. 일 실시 예에서, 전자 장치(101)는 행 벡터에 대응하는 배터리 셀이 제1 상태 이상이 아닌 것으로 판정할 수 있다.
도 6은, 본 개시의 일 실시 예에 따른 전자 장치의 동작을 나타내는 흐름도이다. 도 6의 동작들은 도 2의 동작 240에 포함될 수 있다. 도 6의 동작들은 도 1의 전자 장치(101)에 의해 수행될 수 있다.
도 6의 동작들은, 행 벡터들 각각에 대해 수행될 수 있다.
도 6을 참조하면, 동작 610에서, 전자 장치(101)는 행 벡터의 엔트리들의 합산 값을 식별할 수 있다. 실시 예에 따라, 행 벡터는 도 4f의 변화량 데이터(470)의 행 벡터일 수 있다.
동작 620에서, 전자 장치(101)는 합산 값이 기준 합산 값 이하인지를 판정할 수 있다.
일 실시 예에서, 합산 값이 기준 합산 값 이하인 경우, 전자 장치(101)는 동작 630을 수행할 수 있다. 일 실시 예에서, 합산 값이 기준 합산 값 이하가 아닌 경우, 전자 장치(101)는 동작 640을 수행할 수 있다.
동작 630에서, 전자 장치(101)는 제2 상태 이상인 것으로 판정할 수 있다. 일 실시 예에서, 전자 장치(101)는 행 벡터에 대응하는 배터리 셀이 제2 상태 이상인 것으로 판정할 수 있다.
동작 640에서, 전자 장치(101)는 제2 상태 이상이 아닌 것으로 판정할 수 있다. 일 실시 예에서, 전자 장치(101)는 행 벡터에 대응하는 배터리 셀이 제2 상태 이상이 아닌 것으로 판정할 수 있다.

Claims (15)

  1. 전자 장치에 있어서,
    M개의 배터리 셀들을 포함하는 배터리 모듈, 상기 M은 2 이상의 정수이고;
    상기 M개의 배터리 셀들 각각의 상태와 관련된 상태 값들을 획득하는 감지 회로; 및
    프로세서를 포함하고, 상기 프로세서는,
    상기 감지 회로를 통해 입력 데이터를 획득하고, 상기 입력 데이터는 MХN 행렬로 표현 가능하고, 상기 입력 데이터의 MХN개의 엔트리들은 상기 M개의 배터리 셀들 각각의 상태 값들을 나타내고, 상기 N은 상기 M개의 배터리 셀들 각각의 상기 상태 값들을 획득하기 위한 시간 주기들의 개수를 나타내고,
    상기 입력 데이터의 열 벡터들 각각을 표준화함으로써, 상기 입력 데이터에 대한 표준화 데이터를 획득하고, 상기 열 벡터들 각각은 서로 동일한 단위 시간에 획득된 엔트리들로 구성되고,
    상기 표준화 데이터에 기초하여 판정 기준 데이터를 획득하고,
    상기 판정 기준 데이터의 행 벡터들 각각의 엔트리들이 나타내는 값들에 기초하여, 상기 M개의 배터리 셀들 각각의 제1 상태 이상 및/또는 제2 상태 이상을 판정하도록 하고,
    상기 제1 상태 이상은 학습 기반 모델에 기초하여 판정되고,
    상기 제2 상태 이상은 상기 학습 기반 모델 이외의 방식에 기초하여 판정되는
    전자 장치.
  2. 청구항 1에 있어서,
    상기 프로세서는
    상기 판정 기준 데이터의 행 벡터들 중 기준 임계 표준화 점수 이하의 값을 적어도 하나 가지는 행 벡터를 식별하고,
    상기 학습 기반 모델에 기반하여, 상기 식별된 행 벡터에 대한 출력 벡터를 획득하고,
    상기 출력 벡터에 기초하여, 상기 식별된 행 벡터에 대응하는 배터리 셀의 상기 제1 상태 이상을 판정하도록 하는,
    전자 장치.
  3. 청구항 1에 있어서,
    상기 프로세서는
    상기 입력 데이터의 상기 행 벡터들 각각의 엔트리들의 오프셋을 제거하고,
    상기 오프셋이 제거된 입력 데이터의 상기 열 벡터들 각각을 표준화함으로써 상기 표준화 데이터를 획득하도록 하고,
    상기 오프셋은 상기 입력 데이터의 상기 행 벡터들 각각에 대해 설정되고,
    상기 오프셋은 상기 입력 데이터의 상기 행 벡터들 각각의 엔트리들 중 첫 번째 엔트리의 값으로 설정되는,
    전자 장치.
  4. 청구항 1에 있어서,
    상기 프로세서는
    상기 입력 데이터의 상기 행 벡터들 각각의 엔트리들을 평탄화하고,
    상기 평탄화된 입력 데이터의 상기 열 벡터들 각각을 표준화함으로써 상기 표준화 데이터를 획득하도록 하는,
    전자 장치.
  5. 청구항 1에 있어서,
    상기 프로세서는
    상기 표준화 데이터의 행 벡터들 각각의 구간 평균 값을 상기 판정 기준 데이터로서 획득하고,
    상기 판정 기준 데이터의 상기 행 벡터들 각각의 상기 구간 평균 값들에 기초하여, 상기 M개의 배터리 셀들 각각의 상기 제1 상태 이상 및/또는 상기 제2 상태 이상을 판정하도록 하고,
    상기 구간 평균 값들은 서로 다른 시간 구간들에 포함되는 상기 표준화 데이터의 상기 행 벡터들 각각의 엔트리들의 평균 값들이고,
    상기 시간 구간들은 서로 중첩되지 않는
    전자 장치.
  6. 청구항 1에 있어서,
    상기 프로세서는
    상기 표준화 데이터의 행 벡터들 각각의 엔트리들의 변화량들을 상기 판정 기준 데이터로서 획득하고,
    상기 판정 기준 데이터의 상기 행 벡터들 각각의 상기 엔트리들의 상기 변화량들에 기초하여, 상기 M개의 배터리 셀들 각각의 상기 제1 상태 이상 및/또는 상기 제2 상태 이상을 판정하도록 하는
    전자 장치.
  7. 청구항 1에 있어서,
    상기 프로세서는
    상기 판정 기준 데이터의 상기 행 벡터들 각각의 상기 엔트리들의 합산 값을 식별하고,
    상기 판정 기준 데이터의 상기 행 벡터들 중 임계 합산 값 이하인 상기 합산 값을 가지는 행 벡터를 식별하고,
    상기 식별된 행 벡터에 대응하는 배터리 셀이 상기 제2 상태 이상인 것으로 판정하도록 하는,
    전자 장치.
  8. 청구항 1에 있어서,
    상기 학습 기반 모델은 오토 인코더(auto encoder)이고,
    상기 오토 인코더는 정상 배터리 셀들의 상태 값들에 기반하여 학습된,
    전자 장치.
  9. 전자 장치의 동작 방법에 있어서,
    상기 전자 장치의 감지 회로를 통해 입력 데이터를 획득하는 동작, 상기 입력 데이터는 MХN 행렬로 표현 가능하고, 상기 입력 데이터의 MХN개의 엔트리들은 상기 전자 장치의 M개의 배터리 셀들 각각의 상태 값들을 나타내고, 상기 N은 상기 M개의 배터리 셀들 각각의 상기 상태 값들을 획득하기 위한 시간 주기들의 개수를 나타내고,
    상기 입력 데이터의 열 벡터들 각각을 표준화함으로써, 상기 입력 데이터에 대한 표준화 데이터를 획득하는 동작, 상기 열 벡터들 각각은 서로 동일한 단위 시간에 획득된 엔트리들로 구성되고,
    상기 표준화 데이터에 기초하여 판정 기준 데이터를 획득하는 동작, 및
    상기 판정 기준 데이터의 행 벡터들 각각의 엔트리들이 나타내는 값들에 기초하여, 상기 M개의 배터리 셀들 각각의 제1 상태 이상 및/또는 제2 상태 이상을 판정하는 동작을 포함하고,
    상기 제1 상태 이상은 학습 기반 모델에 기초하여 판정되고,
    상기 제2 상태 이상은 상기 학습 기반 모델 이외의 방식에 기초하여 판정되는
    방법.
  10. 청구항 9에 있어서, 상기 제1 상태 이상 및/또는 제2 상태 이상을 판정하는 동작은,
    상기 판정 기준 데이터의 행 벡터들 중 기준 임계 표준화 점수 이하의 값을 적어도 하나 가지는 행 벡터를 식별하는 동작,
    상기 학습 기반 모델에 기반하여, 상기 식별된 행 벡터에 대한 출력 벡터를 획득하는 동작, 및
    상기 출력 벡터에 기초하여, 상기 식별된 행 벡터에 대응하는 배터리 셀의 상기 제1 상태 이상을 판정하는 동작을 포함하는
    방법.
  11. 청구항 9에 있어서, 상기 표준화 데이터를 획득하는 동작은,
    상기 입력 데이터의 상기 행 벡터들 각각의 엔트리들의 오프셋을 제거하는 동작, 및
    상기 오프셋이 제거된 입력 데이터의 상기 열 벡터들 각각을 표준화함으로써 상기 표준화 데이터를 획득하는 동작을 포함하고,
    상기 오프셋은 상기 입력 데이터의 상기 행 벡터들 각각에 대해 설정되고,
    상기 오프셋은 상기 입력 데이터의 상기 행 벡터들 각각의 엔트리들 중 첫 번째 엔트리의 값으로 설정되는,
    방법.
  12. 청구항 9에 있어서, 상기 표준화 데이터를 획득하는 동작은,
    상기 입력 데이터의 상기 행 벡터들 각각의 엔트리들을 평탄화하는 동작, 및
    상기 평탄화된 입력 데이터의 상기 열 벡터들 각각을 표준화함으로써 상기 표준화 데이터를 획득하는 동작을 포함하는
    방법.
  13. 청구항 9에 있어서, 상기 판정 기준 데이터를 획득하는 동작은,
    상기 표준화 데이터의 행 벡터들 각각의 구간 평균 값을 상기 판정 기준 데이터로서 획득하는 동작을 포함하고,
    상기 제1 상태 이상 및/또는 제2 상태 이상을 판정하는 동작은,
    상기 판정 기준 데이터의 상기 행 벡터들 각각의 상기 구간 평균 값들에 기초하여, 상기 M개의 배터리 셀들 각각의 상기 제1 상태 이상 및/또는 상기 제2 상태 이상을 판정하는 동작을 포함하고,
    상기 구간 평균 값들은 서로 다른 시간 구간들에 포함되는 상기 표준화 데이터의 상기 행 벡터들 각각의 엔트리들의 평균 값들이고,
    상기 시간 구간들은 서로 중첩되지 않는
    방법.
  14. 청구항 9에 있어서, 상기 판정 기준 데이터를 획득하는 동작은,
    상기 표준화 데이터의 행 벡터들 각각의 엔트리들의 변화량들을 상기 판정 기준 데이터로서 획득하는 동작을 포함하고,
    상기 제1 상태 이상 및/또는 제2 상태 이상을 판정하는 동작은,
    상기 판정 기준 데이터의 상기 행 벡터들 각각의 상기 엔트리들의 상기 변화량들에 기초하여, 상기 M개의 배터리 셀들 각각의 상기 제1 상태 이상 및/또는 상기 제2 상태 이상을 판정하는 동작을 포함하는
    방법.
  15. 청구항 9에 있어서, 상기 제1 상태 이상 및/또는 제2 상태 이상을 판정하는 동작은,
    상기 판정 기준 데이터의 상기 행 벡터들 각각의 상기 엔트리들의 합산 값을 식별하는 동작,
    상기 판정 기준 데이터의 상기 행 벡터들 중 임계 합산 값 이하인 상기 합산 값을 가지는 행 벡터를 식별하는 동작, 및
    상기 식별된 행 벡터에 대응하는 배터리 셀이 상기 제2 상태 이상인 것으로 판정하는 동작을 포함하는
    방법.
PCT/KR2023/011213 2022-09-06 2023-08-01 배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법 WO2024053870A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220113110A KR20240034051A (ko) 2022-09-06 2022-09-06 배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법
KR10-2022-0113110 2022-09-06

Publications (1)

Publication Number Publication Date
WO2024053870A1 true WO2024053870A1 (ko) 2024-03-14

Family

ID=90191544

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/011213 WO2024053870A1 (ko) 2022-09-06 2023-08-01 배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법

Country Status (2)

Country Link
KR (1) KR20240034051A (ko)
WO (1) WO2024053870A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200102923A (ko) * 2019-02-22 2020-09-01 주식회사 엘지화학 배터리 상태 추정 장치 및 방법
KR20210000206A (ko) * 2019-06-24 2021-01-04 삼성에스디아이 주식회사 이상 배터리 셀 검출 방법
US20210132151A1 (en) * 2019-10-07 2021-05-06 Samsung Sdi Co., Ltd. Method and apparatus for estimating state of health of battery
WO2022019607A1 (ko) * 2020-07-21 2022-01-27 삼성전자 주식회사 배터리 상태를 식별하기 위한 방법, 이를 위한 전자 장치 및 저장 매체
KR20220016799A (ko) * 2020-08-03 2022-02-10 주식회사 엘지에너지솔루션 배터리 진단 디바이스, 배터리 팩, 배터리 시스템, 및 배터리 진단 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200102923A (ko) * 2019-02-22 2020-09-01 주식회사 엘지화학 배터리 상태 추정 장치 및 방법
KR20210000206A (ko) * 2019-06-24 2021-01-04 삼성에스디아이 주식회사 이상 배터리 셀 검출 방법
US20210132151A1 (en) * 2019-10-07 2021-05-06 Samsung Sdi Co., Ltd. Method and apparatus for estimating state of health of battery
WO2022019607A1 (ko) * 2020-07-21 2022-01-27 삼성전자 주식회사 배터리 상태를 식별하기 위한 방법, 이를 위한 전자 장치 및 저장 매체
KR20220016799A (ko) * 2020-08-03 2022-02-10 주식회사 엘지에너지솔루션 배터리 진단 디바이스, 배터리 팩, 배터리 시스템, 및 배터리 진단 방법

Also Published As

Publication number Publication date
KR20240034051A (ko) 2024-03-13

Similar Documents

Publication Publication Date Title
WO2022173174A1 (ko) 사용 후 배터리 등급 분류 공정 및 이를 제공하는 시스템
WO2022055080A1 (ko) 배터리의 충전상태를 추정하는 방법
WO2021230642A1 (ko) 배터리를 진단하기 위한 장치 및 그 방법
WO2022158948A2 (ko) 배터리 관리 장치 및 방법
WO2022154354A1 (ko) 배터리 시스템 진단 장치 및 방법
WO2023063625A1 (ko) 배터리 진단 장치, 배터리 팩, 전기 차량, 및 배터리 진단 방법
WO2022030971A1 (ko) 배터리 진단 디바이스, 배터리 팩, 배터리 시스템 및 배터리 진단 방법
WO2022145998A1 (ko) 배터리 진단 장치 및 방법
WO2024053870A1 (ko) 배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법
WO2022114873A1 (ko) 배터리 관리 장치 및 방법
WO2023167498A1 (ko) 배터리 불량 검출 장치, 방법 및 시스템
WO2023224211A1 (ko) 배터리 진단 방법, 그 방법을 제공하는 배터리 진단 장치 및 배터리 시스템
WO2022250390A1 (ko) 배터리 모니터링 장치 및 방법
WO2022154545A1 (ko) 배터리 관리 장치 및 방법
WO2022080746A1 (ko) 배터리 상태 진단 장치 및 방법
WO2022124773A1 (ko) 배터리 진단 장치 및 방법
WO2024054037A1 (ko) 배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법
WO2024177231A1 (ko) 배터리 진단 장치 및 그의 동작 방법
WO2024101692A1 (ko) 배터리 진단 장치 및 그의 동작 방법
WO2024080484A1 (ko) 누설 전류 감지를 위한 배터리 진단 장치 및 방법
WO2024101693A1 (ko) 배터리 진단 장치 및 그의 동작 방법
WO2024101694A1 (ko) 배터리 진단 장치 및 그의 동작 방법
WO2024054008A1 (ko) 배터리 페어링 장치 및 방법
WO2024063207A1 (ko) 차량의 상태 추정 장치 및 그의 동작 방법
WO2022203367A1 (ko) 배터리 진단 장치 및 방법

Legal Events

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

Ref document number: 23863351

Country of ref document: EP

Kind code of ref document: A1