WO2024128352A1 - 배터리 노화상태 추정 장치 및 방법 - Google Patents

배터리 노화상태 추정 장치 및 방법 Download PDF

Info

Publication number
WO2024128352A1
WO2024128352A1 PCT/KR2022/020452 KR2022020452W WO2024128352A1 WO 2024128352 A1 WO2024128352 A1 WO 2024128352A1 KR 2022020452 W KR2022020452 W KR 2022020452W WO 2024128352 A1 WO2024128352 A1 WO 2024128352A1
Authority
WO
WIPO (PCT)
Prior art keywords
terminal voltage
battery
aging state
charging time
machine learning
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2022/020452
Other languages
English (en)
French (fr)
Inventor
송유진
오세승
배국열
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Korea Institute of Energy Research KIER
Original Assignee
Korea Institute of Energy Research KIER
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 Korea Institute of Energy Research KIER filed Critical Korea Institute of Energy Research KIER
Priority to US18/276,216 priority Critical patent/US20250283944A1/en
Priority to PCT/KR2022/020452 priority patent/WO2024128352A1/ko
Priority to KR1020237023417A priority patent/KR20240095083A/ko
Publication of WO2024128352A1 publication Critical patent/WO2024128352A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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]
    • 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]
    • G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator 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 OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/05—Accumulators with non-aqueous electrolyte
    • H01M10/052—Li-accumulators
    • H01M10/0525—Rocking-chair batteries, i.e. batteries with lithium insertion or intercalation in both electrodes; Lithium-ion batteries
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or discharging batteries or for supplying loads from batteries
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or discharging batteries or for supplying loads from batteries
    • H02J7/80—Circuit arrangements for charging or discharging batteries or for supplying loads from batteries including monitoring or indicating arrangements
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Definitions

  • This embodiment relates to a technology for estimating the aging state of a battery.
  • the performance degradation mechanisms of lithium-based batteries are known to include LLI (Loss of Lithium Inventory), LAM (Loss of Active Material), ORI (Ohmic Resistance Increase), and lithium plating.
  • LLI Liss of Lithium Inventory
  • LAM Liss of Active Material
  • ORI Ohmic Resistance Increase
  • LLI is a major cause of battery capacity reduction, refers to the loss of available lithium ions, and is known to be mainly caused by the continued growth of the SEI (Solid Electrolyte Interface) layer.
  • LAM refers to the deterioration of the structural and mechanical performance of the electrode, and both the capacity and output of the battery can be reduced by LAM. While LLI can occur alone, LAM is known to occur simultaneously with LLI.
  • ORI refers to a phenomenon in which performance degradation of electrode and electrolyte materials increases the electronic and ionic resistance of the cell, and can be caused by various causes such as LLI and LAM.
  • Lithium plating refers to a mechanism that causes LAM by blocking the pores of a porous material or splitting the collector into a thin layer. Lithium plating not only increases the rate of cell capacity decline, but also causes dendrite growth, which can cause short circuits inside the cell.
  • the state in which performance is reduced by this mechanism can be called an aging state, and the aging state is also expressed as SOH (state-of-health).
  • Incremental Capacity analysis method requires a lot of time to obtain data through a large number of buffering or full discharges at a low current equivalent to 1/25C, and the inevitable problem of data measurement noise cannot be avoided. It has the disadvantage of not having any.
  • the purpose of this embodiment is, in one aspect, to provide an aging state estimation technology that is easy to apply to actual products. In another aspect, the purpose of this embodiment is to provide a technology that can shorten the time for estimating the aging state.
  • one embodiment includes the steps of: storing the charging time measured in each of a plurality of terminal voltage sections as a reference charging time for a battery in a reference aging state that is charged at a constant current; In the constant current charging mode of one battery, the charging time for each of N terminal voltage sections (N is a natural number of 2 or more) is stored as a comparative charging time, and the ratio value of the reference charging time and the comparative charging time is stored at the N terminals. Calculating for each voltage section; and estimating the aging state of the battery by substituting the N ratio values into a pre-learned machine learning model.
  • the aging state of the one battery in the step of estimating the aging state, can be estimated by further substituting the difference between the operating temperature and the reference temperature of the one battery into the machine learning model.
  • the size of each of the N terminal voltage sections may be the same.
  • the aging state of the one battery can be estimated by further substituting at least one terminal voltage value corresponding to the N terminal voltage sections into the machine learning model.
  • N sections from the terminal voltage of the battery confirmed at a certain point in time can be set as the N terminal voltage sections.
  • the N terminal voltages are adjusted to include predetermined terminal voltage sections. You can set a section.
  • the charging time in one terminal voltage section belonging to the N terminal voltage sections may be longer than the charging time in another terminal voltage section not belonging to the N terminal voltage sections.
  • the machine learning model may be a combination of N sub-machine learning models in the form of an ensemble, with the ratio value of each terminal voltage section as input and the aging state value as output.
  • the machine learning model is composed of L (L is a natural number greater than N) sub-machine learning models that take the ratio value of each terminal voltage section as input and the aging state value as output, and each sub-machine learning model has a priority.
  • the method selects a high-priority sub-machine learning model among the output values of the N sub-machine learning models corresponding to the N terminal voltage sections among the L sub-machine learning models.
  • the aging state of the battery can be estimated according to the output value of .
  • the sizes of at least two terminal voltage sections among the N terminal voltage sections are different from each other, and the reference charging time or the comparative charging time in the at least two terminal voltage sections may have similar sizes within a certain error range.
  • Another embodiment includes a storage circuit that stores the charging time measured in each of a plurality of terminal voltage sections as a reference charging time for a battery in a standard aging state that is charged at a constant current; In the constant current charging mode of one battery, the charging time for each of N terminal voltage sections (N is a natural number of 2 or more) is stored as a comparative charging time, and the ratio value of the reference charging time and the comparative charging time is stored at the N terminals.
  • a calculation circuit that calculates for each voltage section; and a state estimation circuit that estimates the aging state of the battery by substituting the N ratio values into a pre-learned machine learning model.
  • the state estimation circuit may estimate the aging state of the battery by further substituting the difference between the operating temperature and the reference temperature of the battery into the machine learning model.
  • the state estimation circuit may estimate the aging state of the battery by further substituting at least one terminal voltage value corresponding to the N terminal voltage sections into the machine learning model.
  • the calculation circuit may set N sections as the N terminal voltage sections from the terminal voltage of the battery confirmed at a certain point in time.
  • the calculation circuit may set the N terminal voltage sections to include predetermined terminal voltage sections.
  • Another embodiment includes calculating the time change rate of the terminal voltage in each of N terminal voltage sections (N is a natural number of 2 or more) in a constant current charging mode of one battery; and comparing the calculated N terminal voltage time change rates with terminal voltage time change rate data stored for each aging state to estimate the aging state of the battery.
  • the terminal voltage time change rate data may include a lookup table storing terminal voltage time change rates in a plurality of terminal voltage sections for each aging state.
  • the method searches for data storing terminal voltage time change rates with high similarity to the calculated N terminal voltage time change rates in the lookup table, and finds the aging state corresponding to the data.
  • the value may be determined as the aging state value of the battery.
  • the method calculates a Euclidean distance value for the calculated N terminal voltage time change rates and terminal voltage time change rates stored in a lookup table, and data for which the Euclidean distance value is the smallest. , and the aging state value corresponding to the data can be determined as the aging state value of the battery.
  • the range of the plurality of terminal voltage sections corresponding to the lookup table may be wider than the range of the N terminal voltage sections calculated for the one battery.
  • the lookup table is stored according to temperature, and in the method, in the step of estimating the aging state, a lookup table corresponding to the temperature value of the one battery is selected from among the lookup tables included in the terminal voltage time change rate data. , the aging state value of the battery may be determined according to the selected lookup table.
  • At least two terminal voltage sections may have different sizes.
  • the size of the terminal voltage section with a large terminal voltage time change rate may be smaller than the size of the terminal voltage section with a small terminal voltage time change rate.
  • the terminal voltage time change rate data may be data measured for each charge/discharge cycle for the battery and batteries of the same type.
  • Another embodiment includes a measurement circuit that records terminal voltage values of one battery while counting charging time in a constant current charging mode of one battery;
  • a storage circuit that stores terminal voltage time change rate data recording terminal voltage time change rates in a plurality of terminal voltage sections for each aging state; And using the charging time and the terminal voltage values, the time change rate of the terminal voltage is calculated in each of N terminal voltage sections (N is a natural number of 2 or more), and the calculated N terminal voltage time change rates are converted into terminal voltage time change rate data.
  • N is a natural number of 2 or more
  • the calculated N terminal voltage time change rates are converted into terminal voltage time change rate data.
  • a battery aging state estimation device including a state estimation circuit for estimating the aging state of the battery by comparing it with the battery aging state.
  • the terminal voltage time change rate data may include a lookup table storing terminal voltage time change rates in a plurality of terminal voltage sections for each aging state.
  • the state estimation circuit searches the look-up table for data storing terminal voltage time change rates with high similarity to the calculated N terminal voltage time change rates, and calculates the aging state value corresponding to the data to the aging state of the battery. It can be determined by the status value.
  • the state estimation circuit calculates a Euclidean distance value for the calculated N terminal voltage time change rates and the terminal voltage time change rate stored in the lookup table, and sets the aging state value corresponding to the data with the smallest Euclidean distance value. It can be determined by the aging state value of the battery.
  • the look-up table is stored according to temperature, and the state estimation circuit selects a look-up table corresponding to the temperature value of the battery from among the look-up tables included in the terminal voltage time change rate data, and stores the look-up table in the selected look-up table. Accordingly, the aging state value of the battery can be determined.
  • At least two terminal voltage sections may have different sizes.
  • FIG. 1 is a configuration diagram of a battery charging system according to an embodiment of the present specification.
  • Figure 2 is a graph showing the constant current charging time in a specific terminal voltage section changing depending on SOH.
  • Figure 3 is a diagram showing a method for estimating SOH based on a specific charging time.
  • Figure 4 is a configuration diagram of a battery aging state estimation device according to the first embodiment.
  • Figure 5 is a first example configuration diagram of a machine learning model according to the first embodiment.
  • Figure 6 is a diagram showing the terminal voltage range of the reference data and the terminal voltage range of the vector input to the machine learning model.
  • Figure 7 is a diagram showing the change in charging time according to the terminal voltage range.
  • Figure 8 is a diagram for explaining an example of selecting a terminal voltage range to be input into a machine learning model from the terminal voltage range in which the comparative charging time is measured.
  • Figure 9 is a second example configuration diagram of a machine learning model according to the first embodiment.
  • Figure 10 is a third example configuration diagram of a machine learning model according to the first embodiment.
  • Figure 11 is a fourth example configuration diagram of a machine learning model according to the first embodiment.
  • Figure 12 is a configuration diagram of a fifth example of a machine learning model according to the first embodiment.
  • Figure 13 is a flowchart of a battery aging state estimation method according to the first embodiment.
  • Figure 14 is a flowchart of a method for estimating a battery aging state according to a second embodiment.
  • Figure 15 is an example diagram of a look-up table storing terminal voltage time change rates for each number of charging and discharging in the second embodiment.
  • Figure 16 is an example diagram of lookup tables stored by temperature in the second embodiment.
  • Figure 17 is a diagram for explaining the process of finding data most similar to the terminal voltage time change rate of the target battery in the second embodiment.
  • Figure 18 is a flowchart of a method for estimating a battery aging state according to a second embodiment.
  • first, second, A, B, (a), and (b) may be used. These terms are only used to distinguish the component from other components, and the nature, sequence, or order of the component is not limited by the term.
  • a component is described as being “connected,” “coupled,” or “connected” to another component, that component may be directly connected or connected to that other component, but there is another component between each component. It will be understood that elements may be “connected,” “combined,” or “connected.”
  • FIG. 1 is a configuration diagram of a battery charging system according to an embodiment of the present specification.
  • the battery charging system 100 may include a battery 120, a battery management device 110, and a charger 130.
  • Battery 120 may be a lithium-based battery.
  • the battery 120 may be a lithium ion battery or a lithium polymer battery.
  • the battery 120 may be composed of one cell or may be composed of a plurality of cells. When the battery 120 is composed of a plurality of cells, each cell may be connected to each other in series or in parallel.
  • the battery 120 may be configured in the form of a battery pack including cells.
  • the battery pack may include additional protection circuits and may further include sensors such as a temperature sensor (TS).
  • TS temperature sensor
  • the battery 120 may further include a signal transmission/reception circuit.
  • the battery 120 can transmit status information of the battery 120 to an external device through a signal transmission/reception circuit.
  • the battery 120 may transmit information (TV) about the operating temperature of the battery 120 to the battery management device 110 through a signal transmission/reception circuit.
  • TV information
  • the battery 120 may have terminals through which current is input and output.
  • the battery 120 may have a plus terminal indicating positive polarity and a minus terminal indicating negative polarity.
  • the voltage between two terminals formed in the battery 120 may be referred to as terminal voltage (VT).
  • the current flowing into or flowing from the battery 120 may be referred to as battery current (IB).
  • the current flowing into the positive terminal of the battery 120 may be referred to as charging current, and the current flowing from the positive terminal of the battery 120 may be referred to as discharging current.
  • the battery 120 and the charger 130 may be connected with a cable through which battery current (IB) can flow.
  • the charger 130 can supply charging current to the battery 120 through this cable.
  • a current sensor (IS) may be placed on the cable.
  • the battery management device 110 can measure the size of the battery current (IB) through the current sensor (IS). Additionally, the battery management device 110 can measure the terminal voltage (VT) of the battery 120 using the voltage formed in the cable.
  • IB battery current
  • VT terminal voltage
  • the charger 130 may operate in a constant current charging mode, a constant voltage charging mode, or a constant power charging mode.
  • the charger 130 can make the size of the charging current supplied to the battery 120 constant. For example, if the size of the charging current that can fully charge the battery 120 in 1 hour is 1C, the charger 130 can maintain the size of the charging current at 0.1C in the constant current charging mode, and 0.2C. It can be maintained at C, or at any other constant size.
  • the charger 130 can supply charging current so that the terminal voltage (VT) of the battery 120 is maintained constant, and in the constant power charging mode, the charger 130 can supply charging power supplied to the battery 120. Charging current can be supplied so that the size of is maintained constant.
  • the battery management device 110 may estimate the state of the battery 120 and control peripheral devices - for example, the charger 130 - to manage the battery 120.
  • the battery management device 110 can estimate the state of charge of the battery 120.
  • the state of charge may be expressed as SOC (state-of-charge).
  • SOC state-of-charge
  • the battery management device 110 can estimate the SOC of the battery 120 using a charge integration method, an open circuit voltage (OCV) method, etc.
  • the battery management device 110 can estimate the remaining capacity of the battery 120.
  • the battery management device 110 can estimate the remaining capacity of the battery 120 by adding up the amount of charge discharged from the fully charged battery 120 until it reaches the full state.
  • the battery management device 110 can estimate the aging state of the battery 120.
  • the aging state can be expressed as SOH (state-of-health).
  • SOH state-of-health
  • the battery management device 110 may be referred to as a battery aging state estimating device.
  • the battery management device 110 functions as a battery aging state estimation device.
  • the battery management device 110 may estimate the state of charge of the battery and the remaining capacity of the battery. can be estimated, and other functions related to battery management can also be performed.
  • SOH can be calculated as the ratio of the battery capacity in the reference state and the battery capacity in the current state.
  • Ci Battery capacity in reference state
  • Battery capacity can be defined as the total amount of charge being discharged or charged.
  • t k first point in time
  • t k+L second point in time after a certain amount of time has elapsed from the first point in time
  • SOC k Battery SOC at the first point in time
  • SOC k+L Battery SOC at the second point in time
  • Voc k Battery open-circuit voltage at the first point in time
  • Voc k+L Battery open-circuit voltage at the second point in time.
  • the battery SOC is mapped 1:1 to the open-circuit voltage Voc, and since the charging current of a battery charged in constant current mode is constant, the battery capacity Ck in a given battery terminal voltage section is constant current charging time t k+L - t k . It can be proportional. Therefore, the SOH of the battery can be obtained using the modified equation as follows.
  • ⁇ tk Constant current charging time for a specific terminal voltage section in the current state
  • Figure 2 is a graph showing the constant current charging time in a specific terminal voltage section changing depending on SOH.
  • the initial cell (Cycle #1) took the first charging time ( ⁇ t1) in a specific terminal voltage section ( ⁇ V), and the cell (Cycle #1) was charged and discharged 100 times. #100) took the second charging time ( ⁇ t2), the cell charged and discharged 200 times (Cycle #200) took the third charging time ( ⁇ t3), and the cell charged and discharged 300 times (Cycle #300) took the third charging time (Cycle #300). It can be seen that the fourth charging time ( ⁇ t4) was taken, and the cell corresponding to SOH 70% (Cycle #364) took the fifth charging time ( ⁇ t5).
  • the battery aging state estimation device determines a specific terminal voltage section ( ⁇ V) and calculates the battery charging time and current status of the reference state (e.g., initial state) corresponding to the terminal voltage section ( ⁇ V).
  • SOH can be estimated by checking the battery charging time of the current state and calculating the ratio value of the standard state battery charging time and the current state battery charging time.
  • the battery aging state estimation device may first determine a specific charging time in the constant current charging mode and then determine the terminal voltage section of the charging time.
  • Figure 3 is a diagram showing a method for estimating SOH based on a specific charging time.
  • the battery aging state estimation device can first determine a specific charging time ( ⁇ tk) when the current battery is charged at a constant current. In addition, the battery aging state estimation device checks the terminal voltages (V1, V2) at the start time (t1) and end time (t2) of the corresponding charging time ( ⁇ tk), and determines the terminal voltage section from the pre-stored reference state battery data. You can search for ( ⁇ V). In addition, the battery aging state estimation device determines the charging time ( ⁇ ti) of the reference state battery according to the charging start time (t1') and charging end time (t2') of the reference state battery corresponding to the terminal voltage section ( ⁇ V). You can. In addition, the battery aging state estimation device can estimate the SOH by calculating the ratio value of the reference state battery charging time and the current state battery charging time.
  • the size of the charging time may be small in a specific terminal voltage range, and if the size of the charging time is small, the error in SOH estimation may be large, as shown in the method shown in Figure 3. If the charging time is determined first, there is an advantage in that the possibility of such errors occurring can be reduced.
  • Figure 4 is a configuration diagram of a battery aging state estimation device according to the first embodiment.
  • the battery aging state estimation device 400 may include a storage circuit 410, a calculation circuit 420, and a state estimation circuit 430.
  • the storage circuit 410 may store the charging time measured in each of a plurality of terminal voltage sections as the reference charging time for a battery in a standard aging state that is charged at a constant current.
  • the reference aging state may be a battery in its initial state.
  • a device that generates reference data can prepare a plurality of batteries in an initial state, measure the standard charging time for each of the plurality of batteries, and then perform statistical processing - for example, calculating the average - to determine the final standard charging time. there is.
  • the storage circuit 410 may store the determined reference charging time in memory.
  • the reference charging time can be measured at the reference temperature.
  • the reference data generator may set the reference temperature to 20 degrees Celsius and measure and record the reference charging time in each of a plurality of terminal voltage sections for a battery that is charged at a constant current at 20 degrees Celsius.
  • the storage circuit 410 can store the reference charging time measured at the reference temperature in the memory.
  • the storage circuit 410 may store data on the reference charging time recorded by the reference data generating device in the memory.
  • the calculation circuit 420 uses the charging time for each of N (N is a natural number of 2 or more) terminal voltage sections as the comparative charging time in the constant current charging mode of the battery that is the subject of state estimation (hereinafter referred to as 'target battery'). You can save it. Additionally, the calculation circuit 420 can calculate the ratio value between the reference charging time and the comparative charging time for each of the N terminal voltage sections.
  • the state estimation circuit 430 can estimate the aging state of the target battery by substituting N ratio values into a pre-trained machine learning model.
  • Figure 5 is a first example configuration diagram of a machine learning model according to the first embodiment.
  • N ratio values (R1, R2, ..., Rn) can be input into the machine learning model 510.
  • the estimation device calculates the first ratio value (R1) of the reference charging time ( ⁇ ti) and the comparative charging time ( ⁇ tk) for the first terminal voltage section, and for the second terminal voltage section consecutive to the first terminal voltage section.
  • the second ratio value (R2) can be calculated, and the Nth ratio value (Rn) can be sequentially calculated for the Nth terminal voltage section.
  • the estimation device may configure the first ratio value (R1) to the Nth ratio value (Rn) as a vector (VEC) and input the vector (VEC) into the machine learning model 510.
  • the estimation device can estimate the SOH output from the machine learning model 510 as the aging state of the target battery.
  • the estimation device can generate vector (VEC) values for N consecutive terminal voltage sections in the target battery.
  • the terminal voltage range in which this vector (VEC) is generated may be narrower than the terminal voltage range stored in the reference data.
  • Figure 6 is a diagram showing the terminal voltage range of the reference data and the terminal voltage range of the vector input to the machine learning model.
  • the terminal voltage range of the reference charging time stored as reference data may be wider than the terminal voltage range of the vector input to the machine learning model.
  • the terminal voltage range of the reference data may range from 3.0V to 4.2V, and the terminal voltage range of the vector input to the machine learning model may fall within a portion of the range of 3.0V to 4.2V. .
  • the terminal voltage range of the vector input to the machine learning model may vary within the terminal voltage range of the reference data.
  • the terminal voltage range of the vector may correspond to a relatively high voltage range like the first vector (VEC1), a relatively low voltage range like the third vector (VEC3), and the second vector (VEC1). It may correspond to a medium voltage range, such as vector (VEC2).
  • the estimation device can estimate the aging state of the target battery with relatively high accuracy even if the terminal voltage range of the vector changes. For example, even if the terminal voltage range of the vector input to the machine learning model corresponds to the terminal voltage range of the first vector (VEC1) or the terminal voltage range of the third vector (VEC3), the result value may be similar. . The reason this happens is because the input of the machine learning model is not the charging time in the terminal voltage section, but the ratio value between the reference charging time and the comparative charging time in the terminal voltage section.
  • the target battery can be charged at a constant current in different voltage ranges depending on the situation.
  • the estimation device according to the first embodiment has the advantage of being applicable to various situations and applications because it can estimate the aging state of a target battery using vectors (VEC) obtained in different voltage ranges.
  • Figure 7 is a diagram showing the change in charging time according to the terminal voltage range.
  • the second range (720) has a higher charging per unit voltage compared to the other ranges (710, 730). You can see that the length of time is relatively long.
  • the change in the value of the estimated aging state may be small even if an error occurs in the charging time due to noise or environmental influences.
  • the estimation device can select several ranges for more stable and accurate estimation of the aging state
  • the aging state can be estimated by selecting a range that has been previously confirmed to have high stability and accuracy, such as the second range 720. there is.
  • Figure 8 is a diagram for explaining an example of selecting a terminal voltage range to be input into a machine learning model from the terminal voltage range in which the comparative charging time is measured.
  • the estimation device can measure the comparative charging time for the target battery over a relatively large terminal voltage range 810.
  • the measured terminal voltage range 810 may be a voltage range larger than the terminal voltage range to be input to the machine learning model.
  • the measured terminal voltage range 810 may include M terminal voltage sections greater than N.
  • the estimating device can select vectors (VEC1, VEC2, VEC3, VEC4) in various voltage ranges from M terminal voltage sections, and the estimating device can select predetermined terminal voltage sections - for example, the terminal voltage section corresponding to VEC3.
  • N terminal voltage sections can be set to include -, and ratio values and/or vectors (VEC3) can be generated from the corresponding terminal voltage sections.
  • the charging time in one terminal voltage section belonging to the predetermined N terminal voltage sections among the M measured terminal voltage sections is the time in another terminal voltage section that does not belong to the N terminal voltage sections. It may be longer than the charging time.
  • each terminal voltage section may be the same.
  • the sizes of at least two terminal voltage sections among the N terminal voltage sections may be different from each other.
  • the reference charging time or comparison charging time in the at least two terminal voltage sections are the same or have similar sizes within a certain error range. You can have it. This embodiment can be understood as applying the concept described with reference to FIG. 3.
  • the method of estimating the aging state by calculating the ratio value has the advantage of allowing the range of terminal voltage to be freely selected compared to other methods. However, there may be some variation in the estimated value depending on the range of terminal voltage, and to compensate for this, additional terminal voltage values can be input into the machine learning model.
  • Figure 9 is a second example configuration diagram of a machine learning model according to the first embodiment.
  • a vector (VEC) having N ratio values (R1, R2, ..., Rn) can be input to the machine learning model 910, and at least one corresponding to N terminal voltage sections. Additional terminal voltage values (V1, V2) may be input.
  • the machine learning model 910 can input voltages (V1, V2) at both ends of N terminal voltage sections, and the lowest voltage (V1) or the highest voltage (V2) can be input.
  • This method can further increase the accuracy of aging state estimation by inputting more information about the voltage range of terminal voltage sections input to the machine learning model 910.
  • Figure 10 is a third example configuration diagram of a machine learning model according to the first embodiment.
  • a vector (VEC) having N ratio values (R1, R2, ..., Rn) can be input to the machine learning model 1010, and at least one corresponding to N terminal voltage sections. Terminal voltage values (V1, V2) can be further input, and the difference ( ⁇ T) between the operating temperature (Tr) of the target battery and the reference temperature (To) when the reference charging time is recorded can be further input.
  • the machine learning model can be learned in advance using comparative charging times previously measured for the target battery and the same type of test battery.
  • Test batteries of the same type as the target battery can be prepared.
  • the machine learning model training device can measure the charging time (comparison charging time for training) in each of a plurality of terminal voltage sections while charging test batteries in constant current mode. For example, when a plurality of terminal voltage sections are formed at intervals of 0.1V in the range of 3.0V to 4.2V, the machine learning model training device measures the time it takes for the terminal voltage of test batteries charged with constant current to pass through the section. Can be measured as comparative charging time for training. Additionally, the machine learning model training device can record comparative charging times for training measured for each terminal voltage section.
  • the machine learning model training device can increase the number of charging and discharging test batteries and record comparative charging times for training for each number of charging and discharging. At this time, the machine learning model training device can measure the SOH of the test batteries and record the SOH along with the comparative charging times for training.
  • the machine learning model training device can measure and record comparative charging times for training by operating temperature.
  • Test batteries may be separated into several groups and each group may be distributed and placed in chambers with different temperatures.
  • the machine learning model training device can record comparative charging times for training at each temperature.
  • the machine learning model training device substitutes the ratio value (training ratio value) of the reference charging time and the comparison charging time for training into the machine learning model and compares the result with the pre-measured SOH to determine the parameters inside the machine learning model. You can tune them.
  • the machine learning model training device substitutes the training ratio value and the operating temperature and/or at least one terminal voltage value in the terminal voltage section into the machine learning model and compares the result with the pre-measured SOH to determine the parameters inside the machine learning model. You can tune them.
  • Figure 11 is a fourth example configuration diagram of a machine learning model according to the first embodiment.
  • the machine learning model 1110 may be a combination of L (L is a natural number of 2 or more) sub-machine learning models 1120a to 1120l in the form of an ensemble.
  • the first sub-machine learning model (1120a) may be a model trained by training data - ratio value, SOH, operating temperature, etc. - of the first terminal voltage section
  • the second sub-machine learning model (1120b) may be a model trained by the training data of the first terminal voltage section. It may be a model trained by the training data of the voltage section - ratio value, SOH, operating temperature, etc.
  • the L submachine learning model (1120l) is the training data of the L terminal voltage section - ratio value, SOH, operating temperature, etc. It may be a model trained by, etc.
  • the sub-machine learning models (1120a to 1120l) can be combined in the form of an ensemble and then additionally trained with training data for each terminal voltage section. At this time, weights may be assigned to the output value of each sub-machine learning model according to the accuracy of each sub-machine learning model, and the accuracy of the final output value (SOH) may be improved by these weights.
  • the machine learning model 1110 may include N sub-machine learning models. At this time, data input to each sub-machine learning model may be a ratio value calculated from each of the N terminal voltage sections described above.
  • Figure 12 is a configuration diagram of a fifth example of a machine learning model according to the first embodiment.
  • the machine learning model 1210 may be composed of L (L is a natural number of 2 or more) sub-machine learning models 1220a to 1220l.
  • the first sub-machine learning model (1220a) may be a model trained by training data - ratio value, SOH, operating temperature, etc. - of the first terminal voltage section
  • the second sub-machine learning model (1220b) may be a model trained by the training data of the first terminal voltage section. It may be a model trained by the training data of the voltage section - ratio value, SOH, operating temperature, etc. -
  • the L submachine learning model (1220l) is the training data of the L terminal voltage section - ratio value, SOH, operating temperature, etc. It may be a model trained by, etc.
  • the sub-machine learning models (1120a to 1120l) can each output SOH.
  • the first sub-machine learning model (1220a) can output the first SOH
  • the second sub-machine learning model (1220b) can output the second SOH
  • the L-th sub-machine learning model (1220l) can output the l-th SOH. can do.
  • Each sub-machine learning model (1120a to 1120l) may have a set priority.
  • the estimation device can use the SOH calculated from the high-priority sub-machine learning model as the aging state value of the target battery. This method has the advantage of being able to estimate the aging state of the target battery even if input data - for example, a ratio value - is not generated in the entire range but is generated only in a certain range.
  • Figure 13 is a flowchart of a battery aging state estimation method according to the first embodiment.
  • the estimation device may store the charging time measured in each of a plurality of terminal voltage sections as the reference charging time for a battery in a standard aging state that is charged at a constant current (S1300).
  • each terminal voltage section may be the same.
  • the sizes of at least two terminal voltage sections may be different from each other.
  • the reference charging times in at least two terminal voltage sections may have similar sizes within a certain error range.
  • the estimation device stores the charging time for each of N (N is a natural number of 2 or more) terminal voltage sections as a comparative charging time, and sets the ratio value of the pre-stored reference charging time to the comparative charging time as N. It can be calculated for each terminal voltage section (S1302).
  • the estimation device may set N sections as terminal voltage sections from the terminal voltage of the target battery confirmed at a certain point in time. From another perspective, the estimation device can calculate N ratio values in an arbitrary terminal voltage range.
  • the estimation device can measure the comparative charging time for M terminal voltage sections greater than N. At this time, the estimation device can set N terminal voltage sections to include predetermined terminal voltage sections among the M terminal voltage sections. Here, the charging time in one terminal voltage section belonging to the N terminal voltage sections among the M terminal voltage sections may be longer than the charging time in another terminal voltage section not belonging to the N terminal voltage sections.
  • the estimation device can estimate the aging state of the target battery by substituting the calculated N ratio values into a pre-learned machine learning model (S1304).
  • the estimation device can estimate the aging state of the target battery by further substituting the difference between the operating temperature and the reference temperature of the target battery into the machine learning model.
  • the estimation device may estimate the aging state of the target battery by further substituting at least one terminal voltage value corresponding to N terminal voltage sections into the machine learning model.
  • the machine learning model may be a combination of N sub-machine learning models in the form of an ensemble, with the ratio value of each terminal voltage section as input and the aging state value as output.
  • the machine learning model is composed of L (L is a natural number greater than N) sub-machine learning models that take the ratio value of each terminal voltage section as input and the aging state value as output, and each sub-machine learning model has a priority.
  • the estimation device determines the target battery according to the output value of the high-priority sub-machine learning model among the output values of the N sub-machine learning models corresponding to the N terminal voltage sections among the L sub-machine learning models.
  • the aging state can be estimated.
  • Figure 14 is a flowchart of a method for estimating a battery aging state according to a second embodiment.
  • the estimation device 1400 may include a measurement circuit 1410, a storage circuit 1420, and a state estimation circuit 1430.
  • the measurement circuit 1410 may record terminal voltage values of the target battery while counting the charging time.
  • the recorded content may be a pair of time and voltage values, for example, (00:00:00:000, 0V).
  • the measurement circuit 1410 can record time and terminal voltage in certain time units - for example, in 1 second units. Alternatively, the measurement circuit 1410 may record time and terminal voltage in constant voltage units - for example, 0.1V units. Alternatively, the measurement circuit 1410 may record time and terminal voltage according to predetermined standards. For example, the measurement circuit 1410 may record the time and terminal voltage at a specific predetermined terminal voltage, and may record the time and terminal voltage at a specific predetermined charging time.
  • the storage circuit 1420 may store terminal voltage time change rate data recording terminal voltage time change rates in a plurality of terminal voltage sections for each aging state.
  • the terminal voltage time change rate is a value that represents the change in terminal voltage for a certain charging time and can be calculated by dividing the change in terminal voltage ( ⁇ V) by the charging time ( ⁇ t).
  • the storage circuit 1420 may store the terminal voltage time change rate for each terminal voltage section for a plurality of terminal voltage sections while increasing the number of charging and discharging times for the same type of battery as the target battery. Data stored in this way can be called reference data.
  • Figure 15 is an example diagram of a look-up table storing terminal voltage time change rates for each number of charging and discharging in the second embodiment.
  • the storage circuit can divide the terminal voltage into a plurality of sections and store the terminal voltage time change rate ( ⁇ V/ ⁇ t) in each terminal voltage section.
  • the storage circuit can measure and store the terminal voltage time change rate for each number of charging and discharging tests for test batteries to generate reference data. For example, the storage circuit can store the terminal voltage time change rate for each terminal voltage section for a test battery with a charge and discharge count of 1, and the terminal voltage for each terminal voltage section for a test battery with a charge and discharge count of 364 times. The rate of change over time can be stored.
  • the storage circuit can also measure and store SOH at each charge/discharge count.
  • the storage circuit can store the terminal voltage time change rate for a test battery that has been charged and discharged once and can also measure and store the SOH.
  • the storage circuit can store the time change rate of terminal voltage for a test battery with 364 charge and discharge cycles, and can also measure and store SOH.
  • Data can be generated for multiple test batteries.
  • the storage circuit can statistically process data generated for multiple test batteries to generate one reference data. For example, the storage circuit may generate one reference data by averaging data generated for a plurality of test batteries.
  • the terminal voltage time change rate for each terminal voltage section can be measured and stored for each operating temperature.
  • Figure 16 is an example diagram of lookup tables stored by temperature in the second embodiment.
  • the storage circuit can store a lookup table for each temperature.
  • test batteries can be distributed and placed in chambers having different temperatures, and the values required for the above-described look-up table can be calculated while being charged and discharged under different temperature conditions.
  • the storage circuit can store the values calculated in this process - for example, terminal voltage time change rate for each terminal voltage section, SOH, etc. - by dividing them by temperature.
  • the estimation device can find data in a state most similar to the target battery from these reference data stored in the storage circuit and estimate the aging state of the target battery using the SOH value corresponding to the data.
  • the estimation device 1400 includes a measurement circuit 1410 and a storage circuit 1420, and may further include a state estimation circuit 1430.
  • the state estimation circuit 1430 can calculate the time change rate of the terminal voltage in each of N terminal voltage sections (N is a natural number of 2 or more) using the charging time and terminal voltage values recorded by the measurement circuit 1410.
  • the state estimation circuit 1430 compares the calculated N terminal voltage time change rates with the terminal voltage time change rate data stored in the storage circuit 1420 - the reference data described with reference to FIGS. 15 and 16 - to determine the aging of the target battery.
  • the state can be estimated.
  • Figure 17 is a diagram for explaining the process of finding data most similar to the terminal voltage time change rate of the target battery in the second embodiment.
  • the state estimation circuit can check the operating temperature of the target battery and first find the lookup table measured at the temperature closest to the corresponding operating temperature.
  • the reference temperature is shown to be closest to the operating temperature of the target battery.
  • the state estimation circuit can check N terminal voltage sections measured for the target battery among the plurality of terminal voltage sections stored in the lookup table.
  • the lookup table stores terminal voltage time change rates for multiple terminal voltage sections ranging from 3.1V to 4.2V for the test battery, and the N terminal voltage sections measured for the target battery are 3.2V. If it falls within the range of ⁇ 3.7V, the state estimation circuit can check the terminal voltage section data corresponding to the range of 3.2V ⁇ 3.7V from the lookup table.
  • the state estimation circuit can search for data most similar to the terminal voltage time change rate of the target battery by moving the search window through data sorted by the number of charge and discharge times.
  • the state estimation circuit can determine the SOH corresponding to the data as the aging state value of the target battery.
  • the state estimation circuit can determine the aging state value of the target battery by determining the similarity between the vectors stored in the lookup table and the vector corresponding to the target battery.
  • the state estimation circuit can calculate Euclidean distance values for each of the vectors corresponding to the target battery and the vectors stored in the lookup table. Additionally, the state estimation circuit may determine the vector corresponding to the shortest distance value among the calculated Euclidean distance values as the vector with the highest similarity, and determine the SOH corresponding to the vector as the aging state value of the target battery.
  • Figure 18 is a flowchart of a method for estimating a battery aging state according to a second embodiment.
  • the estimation device can calculate the time change rate of the terminal voltage in each of N (N is a natural number of 2 or more) terminal voltage sections in the constant current charging mode of the target battery (S1800).
  • the first terminal voltage section is a section corresponding to 3.00V to 3.05V and has a size of 0.05V
  • the second terminal voltage section is a section corresponding to 3.05V to 3.15V and has a size of 0.1V. It can be.
  • the size of the section in the section where the terminal voltage time change rate is large may be set to be smaller than the section where the terminal voltage time change rate is small.
  • the estimation device can estimate the aging state of the target battery by comparing the N terminal voltage time change rates calculated in the above-described step with terminal voltage time change rate data stored for each aging state (S1802).
  • the terminal voltage time change rate data may include a lookup table storing the terminal voltage time change rate in a plurality of terminal voltage sections for each aging state.
  • the estimation device searches for data storing terminal voltage time change rates with high similarity to the N terminal voltage time change rates in the lookup table, and calculates the aging state value corresponding to the data to the aging state of the target battery. It can be determined by value.
  • the estimation device calculates the Euclidean distance value for the calculated N terminal voltage time change rates and the terminal voltage time change rates stored in the lookup table, finds the data with the smallest Euclidean distance value, and finds the data with the smallest Euclidean distance value.
  • the aging state value corresponding to can be determined as the aging state value of the target battery.
  • the range of the plurality of terminal voltage sections corresponding to the lookup table may be wider than the range of the N terminal voltage sections calculated for the target battery.
  • the estimation device selects the lookup table corresponding to the temperature value of the target battery among the lookup tables included in the terminal voltage time change rate data, and determines the aging state value of the target battery according to the selected lookup table. You can.
  • One embodiment has the advantage that the aging state of the battery can be effectively estimated even when partially charged, and that online SOH estimation is also possible due to simple calculation.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Materials Engineering (AREA)
  • Power Engineering (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

일 실시예는, 정전류 충전되는 기준 노화상태의 배터리에 대해, 복수의 단자전압구간 각각에서 측정한 충전시간을 기준충전시간으로 저장하는 단계; 일 배터리의 정전류 충전모드에서, N(N은 2 이상의 자연수)개의 단자전압구간 각각에 대한 충전시간을 비교충전시간으로 저장하고, 상기 기준충전시간과 상기 비교충전시간의 비율값을 상기 N개의 단자전압구간 각각에 대해 계산하는 단계; 및 N개의 상기 비율값을 미리 학습된 기계학습모델에 대입하여 상기 일 배터리의 노화상태를 추정하는 단계를 포함하는 배터리의 노화상태 추정 방법을 제공한다.

Description

배터리 노화상태 추정 장치 및 방법
본 실시예는 배터리의 노화상태를 추정하는 기술에 관한 것이다.
리튬계열 배터리의 성능저하 메커니즘으로는 LLI(Loss of Lithium Inventory), LAM(Loss of Active Material), ORI(Ohmic Resistance Increase), 리튬 플레이팅 등이 알려져 있다.
LLI는 배터리 용량 감소의 주요한 원인으로서, 가용 리튬 이온의 손실을 가리키며, 주로 SEI(Solid Electrolyte Interface) 층의 계속되는 성장에 의해 발생되는 것으로 알려져 있다.
LAM은 전극의 구조적 및 기계적 성능저하를 가리키며, LAM에 의해 배터리의 용량과 출력 둘 다 저하될 수 있다. LLI는 단독으로 일어날 수 있는데 반해, LAM은 LLI와 동시에 일어나는 것으로 알려져 있다.
ORI는 전극과 전해질 소재의 성능저하가 셀의 전자와 이온 저항 증가로 나타난 현상을 이야기하며, LLI, LAM 등 다양한 원인에 의해 발생될 수 있다.
리튬 플레이팅은 다공성 물질의 구멍을 막거나 콜렉터를 얇은 층으로 갈라지게 하여 LAM을 일으키는 메커니즘을 일컫는다. 리튬 플레이팅에 의하면 셀의 용량 저하율을 증가시킬 뿐 아니라 덴드라이트(dendrite) 성장을 발생시켜 셀 내부 단락을 일으킬 수 있다.
이와 같은 메커니즘에 의해 성능이 저하된 상태를 노화상태라고 부를 수 있으며, 노화상태는 SOH(state-of-health)로 표기되기도 한다.
SOH를 추정하는 방법으로는 증분용량(Incremental Capacity) 분석법, 정전압 모드 충전전류 특성을 이용한 방법 등이 알려져 있다.
그런데, 증분용량(Incremental Capacity) 분석법은 1/25C에 해당되는 저전류로 많은 횟수의 완충 또는 완방을 통해서 데이터를 얻어야 하기 때문에 시간이 많이 소요되고, 필연적으로 수반되는 데이터 측정 노이즈의 문제를 피할 수 없다는 단점을 가지고 있다.
그리고, 정전압 모드 충전전류 특성을 이용한 방법은 정전류 모드 충전을 완료하고 정전압 충전 모드에서 충전전류를 측정해야 하기 때문에 데이터를 수집하는데 시간이 많이 소요되고, 실제 현장에서는 대부분 정전류 모드에서 부분 충전만 하는 경우가 많아 실제 제품에는 적용하기 어렵다는 단점을 가지고 있다.
이러한 배경에서, 본 실시예의 목적은, 일 측면에서, 실제 제품에 적용이 용이한 노화상태 추정 기술을 제공하는 것이다. 다른 측면에서, 본 실시예의 목적은, 노화상태를 추정하기 위한 시간을 단축시킬 수 있는 기술을 제공하는 것이다.
전술한 목적을 달성하기 위하여, 일 실시예는, 정전류 충전되는 기준 노화상태의 배터리에 대해, 복수의 단자전압구간 각각에서 측정한 충전시간을 기준충전시간으로 저장하는 단계; 일 배터리의 정전류 충전모드에서, N(N은 2 이상의 자연수)개의 단자전압구간 각각에 대한 충전시간을 비교충전시간으로 저장하고, 상기 기준충전시간과 상기 비교충전시간의 비율값을 상기 N개의 단자전압구간 각각에 대해 계산하는 단계; 및 N개의 상기 비율값을 미리 학습된 기계학습모델에 대입하여 상기 일 배터리의 노화상태를 추정하는 단계를 포함하는 배터리의 노화상태 추정 방법을 제공한다.
상기 방법은, 상기 노화상태를 추정하는 단계에서, 상기 기계학습모델에 상기 일 배터리의 동작온도와 기준온도의 차이를 더 대입시켜 상기 일 배터리의 노화상태를 추정할 수 있다.
상기 N개의 단자전압구간 각각의 크기는 동일할 수 있다.
상기 방법은, 상기 노화상태를 추정하는 단계에서, 상기 기계학습모델에 상기 N개의 단자전압구간에 대응되는 적어도 하나의 단자전압값을 더 대입시켜 상기 일 배터리의 노화상태를 추정할 수 있다.
상기 방법은, 상기 비율값을 계산하는 단계에서, 일 시점에서 확인되는 상기 일 배터리의 단자전압으로부터 N개의 구간을 상기 N개의 단자전압구간으로 설정할 수 있다.
상기 방법은, M(M은 N보다 큰 자연수)개의 단자전압구간에 대하여 상기 비교충전시간이 측정되는 경우, 상기 비율값을 계산하는 단계에서, 미리 정해진 단자전압구간들이 포함되도록 상기 N개의 단자전압구간을 설정할 수 있다.
상기 M개의 단자전압구간 중 상기 N개의 단자전압구간에 속하는 일 단자전압구간에서의 충전시간이 상기 N개의 단자전압구간에 속하지 않는 다른 일 단자전압구간에서의 충전시간보다 길 수 있다.
상기 기계학습모델은 각 단자전압구간의 비율값을 입력으로 하고 노화상태값을 출력으로 하는 N개의 서브기계학습모델이 앙상블의 형태로 결합된 형태일 수 있다.
상기 기계학습모델은 각 단자전압구간의 비율값을 입력으로 하고 노화상태값을 출력으로 하는 L(L은 N보다 큰 자연수)개의 서브기계학습모델로 구성되고, 각 서브기계학습모델에는 우선순위가 정해져 있으며, 상기 방법은, 상기 노화상태를 추정하는 단계에서, 상기 L개의 서브기계학습모델 중 상기 N개의 단자전압구간에 해당되는 N개의 서브기계학습모델의 출력값 중 우선순위가 높은 서브기계학습모델의 출력값에 따라 상기 일 배터리의 노화상태를 추정할 수 있다.
상기 N개의 단자전압구간 중 적어도 두 개의 단자전압구간의 크기는 서로 다르고, 상기 적어도 두 개의 단자전압구간에서 상기 기준충전시간 혹은 상기 비교충전시간은 일정 오차범위 이내로 서로 유사한 크기를 가질 수 있다.
다른 실시예는, 정전류 충전되는 기준 노화상태의 배터리에 대해, 복수의 단자전압구간 각각에서 측정한 충전시간을 기준충전시간으로 저장하는 저장회로; 일 배터리의 정전류 충전모드에서, N(N은 2 이상의 자연수)개의 단자전압구간 각각에 대한 충전시간을 비교충전시간으로 저장하고, 상기 기준충전시간과 상기 비교충전시간의 비율값을 상기 N개의 단자전압구간 각각에 대해 계산하는 계산회로; 및 N개의 상기 비율값을 미리 학습된 기계학습모델에 대입하여 상기 일 배터리의 노화상태를 추정하는 상태추정회로를 포함하는 배터리 노화상태 추정장치를 제공한다.
상기 상태추정회로는, 상기 기계학습모델에 상기 일 배터리의 동작온도와 기준온도의 차이를 더 대입시켜 상기 일 배터리의 노화상태를 추정할 수 있다.
상기 상태추정회로는, 상기 기계학습모델에 상기 N개의 단자전압구간에 대응되는 적어도 하나의 단자전압값을 더 대입시켜 상기 일 배터리의 노화상태를 추정할 수 있다.
상기 계산회로는, 일 시점에서 확인되는 상기 일 배터리의 단자전압으로부터 N개의 구간을 상기 N개의 단자전압구간으로 설정할 수 있다.
M(M은 N보다 큰 자연수)개의 단자전압구간에 대하여 상기 비교충전시간이 측정되는 경우, 상기 계산회로는, 미리 정해진 단자전압구간들이 포함되도록 상기 N개의 단자전압구간을 설정할 수 있다.
또 다른 실시예는, 일 배터리의 정전류 충전모드에서, N(N은 2 이상의 자연수)개의 단자전압구간 각각에서 단자전압의 시간변화율을 계산하는 단계; 및 계산된 N개의 단자전압 시간변화율들을, 노화상태별로 저장된 단자전압 시간변화율 데이터와 비교하여 상기 일 배터리의 노화상태를 추정하는 단계를 포함하는 배터리의 노화상태 추정 방법을 제공한다.
상기 단자전압 시간변화율 데이터에는, 노화상태별로, 복수의 단자전압구간에서의 단자전압 시간변화율을 저장한 룩업테이블이 포함되어 있을 수 있다.
상기 방법은, 상기 노화상태를 추정하는 단계에서, 상기 룩업테이블에서 상기 계산된 N개의 단자전압 시간변화율들과의 유사도가 높은 단자전압 시간변화율들을 저장한 데이터를 찾고, 해당 데이터에 대응되는 노화상태값을 상기 일 배터리의 노화상태값으로 결정할 수 있다.
상기 방법은, 상기 노화상태를 추정하는 단계에서, 상기 계산된 N개의 단자전압 시간변화율들과 룩업테이블에 저장된 단자전압 시간변화율들에 대해 유클리드 거리값을 계산하고, 상기 유클리드 거리값이 가장 작은 데이터를 찾고, 해당 데이터에 대응되는 노화상태값을 상기 일 배터리의 노화상태값으로 결정할 수 있다.
상기 룩업테이블에 대응되는 상기 복수의 단자전압구간의 범위가 상기 일 배터리에 대해 계산된 상기 N개의 단자전압구간의 범위보다 넓을 수 있다.
상기 룩업테이블은 온도별로 저장되어 있고, 상기 방법은, 상기 노화상태를 추정하는 단계에서, 상기 단자전압 시간변화율 데이터에 포함된 룩업테이블들 중 상기 일 배터리의 온도값에 대응되는 룩업테이블이 선별되고, 상기 선별된 룩업테이블에 따라 상기 일 배터리의 노화상태값이 결정될 수 있다.
상기 N개의 단자전압구간 중 적어도 두 개의 단자전압구간은 크기가 서로 다를 수 있다.
상기 적어도 두 개의 단자전압구간 중 단자전압 시간변화율이 큰 단자전압구간의 크기가 단자전압 시간변화율이 작은 단자전압구간의 크기보다 작을 수 있다.
상기 단자전압 시간변화율 데이터는 상기 일 배터리와 동종의 배터리들에 대해 충방전 사이클별로 측정된 데이터일 수 있다.
또 다른 실시예는, 일 배터리의 정전류 충전모드에서, 충전시간을 카운트하면서 상기 일 배터리의 단자전압값들을 기록하는 측정회로;
노화상태별로 복수의 단자전압구간에서의 단자전압 시간변화율들을 기록한 단자전압 시간변화율 데이터를 저장하는 저장회로; 및 상기 충전시간과 상기 단자전압값들을 이용하여 N(N은 2 이상의 자연수)개의 단자전압구간 각각에서 단자전압의 시간변화율을 계산하고, 계산된 N개의 단자전압 시간변화율들을 상기 단자전압 시간변화율 데이터와 비교하여 상기 일 배터리의 노화상태를 추정하는 상태추정회로를 포함하는 배터리 노화상태 추정장치를 제공한다.
상기 단자전압 시간변화율 데이터에는, 노화상태별로, 복수의 단자전압구간에서의 단자전압 시간변화율을 저장한 룩업테이블이 포함되어 있을 수 있다.
상기 상태추정회로는, 상기 룩업테이블에서 상기 계산된 N개의 단자전압 시간변화율들과의 유사도가 높은 단자전압 시간변화율들을 저장한 데이터를 찾고, 해당 데이터에 대응되는 노화상태값을 상기 일 배터리의 노화상태값으로 결정할 수 있다.
상기 상태추정회로는, 상기 계산된 N개의 단자전압 시간변화율들과 룩업테이블에 저장된 단자전압 시간변화율에 대해 유클리드 거리값을 계산하고, 상기 유클리드 거리값이 가장 작은 데이터에 대응되는 노화상태값을 상기 일 배터리의 노화상태값으로 결정할 수 있다.
상기 룩업테이블은 온도별로 저장되어 있고, 상기 상태추정회로는, 상기 단자전압 시간변화율 데이터에 포함된 룩업테이블들 중 상기 일 배터리의 온도값에 대응되는 룩업테이블이 선별되고, 상기 선별된 룩업테이블에 따라 상기 일 배터리의 노화상태값을 결정할 수 있다.
상기 N개의 단자전압구간 중 적어도 두 개의 단자전압구간은 크기가 서로 다를 수 있다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 정확도가 높은 노화상태 추정 기술을 실제 제품에 용이하게 적용시킬 수 있다. 그리고, 본 실시예에 의하면, 노화상태를 추정하기 위한 시간을 단축시킬 수 있다.
도 1은 본 명세서의 실시예에 따른 배터리충전시스템의 구성도이다.
도 2는 특정 단자전압구간에서의 정전류충전시간이 SOH에 따라 변하는 것을 나타내는 그래프이다.
도 3은 특정 충전시간을 기준으로 SOH를 추정하는 방법을 나타내는 도면이다.
도 4는 제1실시예에 따른 배터리 노화상태 추정장치의 구성도이다.
도 5는 제1실시예에 따른 기계학습모델의 제1예시 구성도이다.
도 6은 기준데이터의 단자전압범위와 기계학습모델로 입력되는 벡터의 단자전압범위를 나타내는 도면이다.
도 7은 단자전압범위에 따른 충전시간의 변화를 나타내는 도면이다.
도 8은 비교충전시간이 측정된 단자전압범위에서 기계학습모델에 입력할 단자전압범위를 선택하는 예시를 설명하기 위한 도면이다.
도 9는 제1실시예에 따른 기계학습모델의 제2예시 구성도이다.
도 10은 제1실시예에 따른 기계학습모델의 제3예시 구성도이다.
도 11은 제1실시예에 따른 기계학습모델의 제4예시 구성도이다.
도 12는 제1실시예에 따른 기계학습모델의 제5예시 구성도이다.
도 13은 제1실시예에 따른 배터리 노화상태 추정 방법의 흐름도이다.
도 14는 제2실시예에 따른 배터리 노화상태 추정방법의 흐름도이다.
도 15는 제2실시예에서 충방전 횟수별로 단자전압 시간변화율을 저장한 룩업테이블의 예시 도면이다.
도 16은 제2실시예에서 온도별로 저장된 룩업테이블들의 예시 도면이다.
도 17은 제2실시예에서 대상배터리의 단자전압 시간변화율과 가장 유사한 데이터를 찾는 과정을 설명하기 위한 도면이다.
도 18은 제2실시예에 따른 배터리 노화상태 추정 방법의 흐름도이다.
이하, 본 발명의 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 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 발명의 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. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
도 1은 본 명세서의 실시예에 따른 배터리충전시스템의 구성도이다.
도 1을 참조하면, 배터리충전시스템(100)은 배터리(120), 배터리관리장치(110) 및 충전기(130) 등을 포함할 수 있다.
배터리(120)는 리튬계열 배터리일 수 있다. 배터리(120)는 리튬이온 배터리일 수 있고, 리튬폴리머 배터리일 수 있다.
배터리(120)는 하나의 셀로 구성될 수 있고, 복수의 셀로 구성될 수 있다. 배터리(120)가 복수의 셀로 구성되는 경우, 각 셀들은 서로 직렬로 연결될 수 있고, 병렬로 연결될 수 있다.
배터리(120)는 셀을 포함하는 배터리팩의 형태로 구성될 수 있다. 배터리팩에는 셀 이외에 보호회로가 더 포함될 수 있고, 온도센서(TS) 등의 센서가 더 포함될 수 있다.
배터리(120)는 신호송수신회로를 더 포함할 수 있다. 배터리(120)는 신호송수신회로를 통해 배터리(120)의 상태정보를 외부 기기로 송신할 수 있다. 예를 들어, 배터리(120)는 신호송수신회로를 통해 배터리(120)의 동작온도에 대한 정보(TV)를 배터리관리장치(110)로 송신할 수 있다.
배터리(120)에는 전류가 입출력되는 단자들이 형성되어 있을 수 있다. 예를 들어, 배터리(120)에는 양의 극성을 나타내는 플러스단자와 음의 극성을 나타내는 마이너스단자가 형성되어 있을 수 있다. 배터리(120)에 형성되는 두 개의 단자 사이의 전압을 단자전압(VT)이라 호칭할 수 있다.
배터리(120)로 흘러 들어가거나 배터리(120)로부터 흘러 나오는 전류를 배터리전류(IB)라고 호칭할 수 있다. 배터리(120)의 플러스단자로 흘러들어가는 전류를 충전전류라고 호칭할 수 있고, 배터리(120)의 플러스단자로부터 흘러나오는 전류를 방전전류라고 호칭할 수 있다.
배터리(120)와 충전기(130)는 배터리전류(IB)가 흐를 수 있는 케이블로 연결되어 있을 수 있다. 충전기(130)는 이러한 케이블을 통해 충전전류를 배터리(120)로 공급해 줄 수 있다.
케이블에는 전류센서(IS)가 배치될 수 있다. 배터리관리장치(110)는 전류센서(IS)를 통해 배터리전류(IB)의 크기를 측정할 수 있다. 그리고, 배터리관리장치(110)는 케이블에 형성되는 전압을 이용하여 배터리(120)의 단자전압(VT)을 측정할 수 있다.
충전기(130)는 정전류 충전모드로 동작할 수 있고, 정전압 충전모드로 동작할 수 있고, 정전력 충전모드로 동작할 수 있다. 정전류 충전모드에서 충전기(130)는 배터리(120)로 공급되는 충전전류의 크기를 일정하게 만들 수 있다. 예를 들어, 배터리(120)를 1시간에 모두 충전시킬 수 있는 충전전류의 크기를 1C라고 할 때, 충전기(130)는 정전류 충전모드에서 충전전류의 크기를 0.1C로 유지시킬 수 있고, 0.2C로 유지시킬 수 있고, 다른 일정한 크기로 유지시킬 수 있다.
정전압 충전모드에서 충전기(130)는 배터리(120)의 단자전압(VT)이 일정하게 유지되도록 충전전류를 공급할 수 있고, 정전력 충전모드에서 충전기(130)는 배터리(120)로 공급되는 충전전력의 크기가 일정하게 유지되도록 충전전류를 공급할 수 있다.
배터리관리장치(110)는 배터리(120)의 상태를 추정하고, 배터리(120)의 관리를 위해 주변 기기-예를 들어, 충전기(130)-를 제어할 수 있다.
배터리관리장치(110)는 배터리(120)의 충전상태를 추정할 수 있다. 충전상태는 SOC(state-of-charge)로 표기될 수 있다. 배터리관리장치(110)는 전하적분법, OCV(open circuit voltage)법 등을 이용하여 배터리(120)의 SOC를 추정할 수 있다.
배터리관리장치(110)는 배터리(120)의 잔여용량을 추정할 수 있다. 배터리관리장치(110)는 만충 상태의 배터리(120)가 만방 상태에 도달할 때까지 방전한 전하량을 총합하여 배터리(120)의 잔여용량을 추정할 수 있다.
배터리관리장치(110)는 배터리(120)의 노화상태를 추정할 수 있다. 노화상태는 SOH(state-of-health)로 표기될 수 있다. 배터리(120)의 노화상태를 추정한다는 측면에서, 배터리관리장치(110)를 배터리 노화상태 추정장치로 호칭할 수 있다.
이하에서는 배터리관리장치(110)가 배터리 노화상태 추정장치로 기능하는 실시예를 중심으로 설명하나, 전술한 바와 같이 배터리관리장치(110)는 배터리의 충전상태를 추정할 수도 있고, 배터리의 잔여용량을 추정할 수도 있으며, 기타 배터리의 관리와 관련된 다른 기능들도 수행할 수 있다.
SOH는 기준상태에서의 배터리 용량과 현재상태에서의 배터리 용량의 비율로 계산될 수 있다.
SOH = Ck / Ci
Ck : 현재상태에서의 배터리 용량, Ci : 기준상태에서의 배터리 용량
배터리 용량은 방전 혹은 충전되는 전하의 총량으로 정의될 수 있다.
Figure PCTKR2022020452-appb-img-000001
I : 배터리전류
tk : 제1시점, tk+L : 제1시점으로부터 일정 시간이 경과한 제2시점
SOCk : 제1시점에서의 배터리 SOC, SOCk+L : 제2시점에서의 배터리 SOC
Vock : 제1시점에서의 배터리 개방전압, Vock+L : 제2시점에서의 배터리 개방전압
일반적으로 배터리 SOC는 개방전압 Voc와 1:1로 맵핑되고, 정전류모드로 충전되는 배터리의 충전전류는 일정하기 때문에 정해진 배터리 단자전압구간의 배터리 용량 Ck는 정전류 충전시간 tk+L - tk에 비례할 수 있다. 따라서, 배터리의 SOH는 다음과 같이 변형된 식으로 구할 수 있다.
SOH = Ck / Ci ≒ Δtk / Δti
Δtk : 현재상태에서 특정 단자전압구간에 대한 정전류충전시간
Δti : 기준상태에서 특정 단자전압구간에 대한 정전류충전시간
도 2는 특정 단자전압구간에서의 정전류충전시간이 SOH에 따라 변하는 것을 나타내는 그래프이다.
도 2를 참조하면, 초기상태의 셀(Cycle #1)은 정전류모드로 충전할 때, 특정 단자전압구간(ΔV)에서 제1충전시간(Δt1)을 소요하였고, 100회 충방전한 셀(Cycle #100)은 제2충전시간(Δt2)을 소요하였고, 200회 충방전한 셀(Cycle #200)은 제3충전시간(Δt3)을 소요하였고, 300회 충방전한 셀(Cycle #300)은 제4충전시간(Δt4)을 소요하였고, SOH 70%에 해당되는 셀(Cycle #364)은 제5충전시간(Δt5)을 소요한 것을 확인할 수 있다.
일반적으로 충방전 횟수가 증가하면 SOH가 낮아지는 것을 감안할 때, SOH가 낮아질 수록 특정 단자전압구간(ΔV)에 대한 충전시간이 짧아진다는 것을 도 2를 통해 확인할 수 있다.
배터리 노화상태 추정장치는 도 2에 도시된 것과 같이 특정 단자전압구간(ΔV)을 결정한 상태에서 해당 단자전압구간(ΔV)에 대응되는 기준상태-예를 들어, 초기상태-의 배터리 충전시간과 현재상태의 배터리 충전시간을 확인하고, 기준상태 배터리 충전시간과 현재상태 배터리 충전시간의 비율값을 계산하여 SOH를 추정할 수 있다.
다른 방법으로서 배터리 노화상태 추정장치는 정전류충전모드에서 특정 충전시간을 먼저 결정한 후에 해당 충전시간의 단자전압구간을 확정할 수 있다.
도 3은 특정 충전시간을 기준으로 SOH를 추정하는 방법을 나타내는 도면이다.
도 3을 참조하면, 배터리 노화상태 추정장치는 현재상태의 배터리가 정전류충전할 때, 특정 충전시간(Δtk)을 먼저 결정할 수 있다. 그리고, 배터리 노화상태 추정장치는 해당 충전시간(Δtk)의 시작시간(t1)과 종료시간(t2)에서의 단자전압(V1, V2)을 확인하고, 미리 저장된 기준상태 배터리데이터에서 해당 단자전압구간(ΔV)을 검색할 수 있다. 그리고, 배터리 노화상태 추정장치는 해당 단자전압구간(ΔV)에 대응되는 기준상태 배터리의 충전 시작시간(t1')과 충전 종료시간(t2')에 따라 기준상태 배터리의 충전시간(Δti)을 결정할 수 있다. 그리고, 배터리 노화상태 추정장치는 기준상태 배터리 충전시간과 현재상태 배터리 충전시간의 비율값을 계산하여 SOH를 추정할 수 있다.
단자전압구간을 먼저 확정하는 경우, 특정 단자전압범위에서 충전시간의 크기가 작게 나올 수 있고, 충전시간의 크기가 작게 나오는 경우, SOH 추정의 오차가 클 수 있는데, 도 3에 도시된 방법과 같이 충전시간을 먼저 결정하는 경우, 이러한 오차 발생의 가능성을 낮출 수 있다는 장점이 있다.
도 4는 제1실시예에 따른 배터리 노화상태 추정장치의 구성도이다.
도 4를 참조하면, 배터리 노화상태 추정장치(이하 '추정장치'라 함, 400)는 저장회로(410), 계산회로(420) 및 상태추정회로(430) 등을 포함할 수 있다.
저장회로(410)는 정전류 충전되는 기준 노화상태의 배터리에 대해, 복수의 단자전압구간 각각에서 측정한 충전시간을 기준충전시간으로 저장할 수 있다.
기준 노화상태는 초기 상태의 배터리일 수 있다. 기준데이터를 생성하는 장치는 초기 상태의 복수의 배터리들을 준비하고, 복수의 배터리들에 대해 각각 기준충전시간을 측정한 후 통계처리-예를 들어, 평균계산-하여 최종적인 기준충전시간을 결정할 수 있다. 저장회로(410)는 이렇게 결정된 기준충전시간을 메모리에 저장할 수 있다.
기준충전시간은 기준온도에서 측정될 수 있다. 예를 들어, 기준데이터생성장치는 기준온도를 섭씨 20도로 설정하고, 섭씨 20도에서 정전류 충전되는 배터리에 대해, 복수의 단자전압구간 각각에서 기준충전시간을 측정하고 기록할 수 있다. 그리고, 저장회로(410)는 이렇게 기준온도에서 측정된 기준충전시간을 메모리에 저장할 수 있다.
그리고, 저장회로(410)는 기준데이터생성장치가 기록한 기준충전시간에 대한 데이터를 메모리에 저장할 수 있다.
계산회로(420)는 상태 추정의 대상이 되는 배터리(이하 '대상배터리'라 함)의 정전류 충전모드에서, N(N은 2 이상의 자연수)개의 단자전압구간 각각에 대한 충전시간을 비교충전시간으로 저장할 수 있다. 그리고, 계산회로(420)는 기준충전시간과 비교충전시간의 비율값을 N개의 단자전압구간 각각에 대해 계산할 수 있다.
상태추정회로(430)는 N개의 비율값을 미리 학습된 기계학습모델에 대입하여 대상배터리의 노화상태를 추정할 수 있다.
도 5는 제1실시예에 따른 기계학습모델의 제1예시 구성도이다.
도 5를 참조하면, 기계학습모델(510)로는 N개의 비율값(R1, R2, ..., Rn)이 입력될 수 있다.
추정장치는 제1단자전압구간에 대해 기준충전시간(Δti)과 비교충전시간(Δtk)의 제1비율값(R1)을 계산하고, 제1단자전압구간에 연속되는 제2단자전압구간에 대해 제2비율값(R2)을 계산하고, 순차적으로 제N단자전압구간에 대해 제N비율값(Rn)을 계산할 수 있다.
그리고, 추정장치는 제1비율값(R1) 내지 제N비율값(Rn)을 벡터(VEC)로 구성하고, 벡터(VEC)를 기계학습모델(510)에 입력할 수 있다.
그리고, 추정장치는 기계학습모델(510)에서 출력되는 SOH를 대상배터리의 노화상태로 추정할 수 있다.
추정장치는 대상배터리에서 N개의 연속적된 단자전압구간에 대해 벡터(VEC)값을 생성할 수 있다. 이러한 벡터(VEC)가 생성되는 단자전압범위는 기준데이터에 저장된 단자전압범위보다 좁을 수 있다.
도 6은 기준데이터의 단자전압범위와 기계학습모델로 입력되는 벡터의 단자전압범위를 나타내는 도면이다.
도 6을 참조하면, 기준데이터로 저장된 기준충전시간의 단자전압범위는 기계학습모델로 입력되는 벡터의 단자전압범위보다 넓을 수 있다.
예를 들어, 기준데이터의 단자전압범위는 3.0V ~ 4.2V의 범위를 가질 수 있고, 기계학습모델로 입력되는 벡터의 단자전압범위는 3.0V ~ 4.2V의 범위 중 일부 범위에 해당될 수 있다.
기계학습모델로 입력되는 벡터의 단자전압범위는 기준데이터의 단자전압범위 내에서 변동할 수 있다. 예를 들어, 벡터의 단자전압범위는 제1벡터(VEC1)와 같이 상대적으로 높은 전압범위에 해당될 수 있고, 제3벡터(VEC3)와 같이 상대적으로 낮은 전압범위에 해당될 수 있고, 제2벡터(VEC2)와 같이 중간 정도의 전압범위에 해당될 수 있다.
추정장치는 벡터의 단자전압범위가 변경되더라도 상대적으로 높은 정확도를 가지고 대상배터리의 노화상태를 추정할 수 있다. 예를 들어, 기계학습모델로 입력되는 벡터의 단자전압범위가 제1벡터(VEC1)의 단자전압범위에 해당하거나 제3벡터(VEC3)의 단자전압범위에 해당되더라도 그 결과값은 유사할 수 있다. 이렇게 되는 이유는 기계학습모델의 입력이 단자전압구간의 충전시간이 아니고, 단자전압구간에서의 기준충전시간과 비교충전시간의 비율값이기 때문이다.
대상배터리는 상황에 따라 서로 다른 전압범위에서 정전류 충전이 이루어질 수 있다. 제1실시예에 따른 추정장치는 서로 다른 전압범위에서 획득한 벡터(VEC)를 이용하여 대상배터리의 노화상태를 추정할 수 있기 때문에 다양한 상황, 다양한 어플리케이션에 모두 적용될 수 있다는 장점이 있다.
도 7은 단자전압범위에 따른 충전시간의 변화를 나타내는 도면이다.
도 7을 참조하면, 충방전 횟수가 증가할 수록 동일한 단자전압구간에 대한 충전시간이 짧아지는 것을 확인할 수 있다.
한편, 기준충전시간이 기록되는 전체 단자전압범위를 3개의 범위(710, 720, 730)로 구분해서 살펴볼 때, 제2범위(720)가 다른 범위(710, 730)에 비해 단위전압에 대한 충전시간의 길이가 상대적으로 긴 것을 알 수 있다.
제2범위(720)와 같이 단위전압에 대한 충전시간의 길이가 상대적으로 긴 구간에서는 노이즈 혹은 환경의 영향에 의해 충전시간에 오차가 발생하더라도 추정되는 노화상태의 값의 변동이 작을 수 있다.
따라서, 추정장치는 보다 안정적이고 정확한 노화상태의 추정을 위해 여러 범위를 선택할 수 있을 때, 제2범위(720)와 같이 안정도와 정확도가 높은 것으로 미리 확인된 범위를 선택하여 노화상태를 추정할 수 있다.
도 8은 비교충전시간이 측정된 단자전압범위에서 기계학습모델에 입력할 단자전압범위를 선택하는 예시를 설명하기 위한 도면이다.
도 8을 참조하면, 추정장치는 상대적으로 큰 단자전압범위(810)에 대해 대상배터리에 대한 비교충전시간을 측정할 수 있다. 이때, 측정된 단자전압범위(810)는 기계학습모델에 입력할 단자전압범위보다 큰 전압범위일 수 있다.
기계학습모델에 N개의 단자전압구간에 해당되는 전압범위를 입력해야하는 경우, 측정된 단자전압범위(810)는 N보다 큰 M개의 단자전압구간을 포함할 수 있다.
추정장치는 M개의 단자전압구간에서 여러가지 전압범위로 벡터들(VEC1, VEC2, VEC3, VEC4)을 선택할 수 있는데, 추정장치는 미리 정해진 단자전압구간들-예를 들어, VEC3에 대응되는 단자전압구간들-이 포함되도록 N개의 단자전압구간을 설정하고, 해당 단자전압구간에서 비율값 및/혹은 벡터(VEC3)를 생성할 수 있다.
도 7에서 설명한 것과 같이, 측정된 M개의 단자전압구간들 중 미리 정해진 N개의 단자전압구간들에 속하는 일 단자전압구간에서의 충전시간은 N개의 단자전압구간에 속하지 않는 다른 일 단자전압구간에서의 충전시간보다 길 수 있다.
각 단자전압구간의 크기는 동일할 수 있다. 혹은 N개의 단자전압구간들 중 적어도 두 개의 단자전압구간의 크기는 서로 다를 수 있는데, 이때, 적어도 두 개의 단자전압구간에서 기준충전시간 혹은 비교충전시간은 서로 동일 혹은 일정 오차범위 이내로 서로 유사한 크기를 가질 수 있다. 이러한 실시예는 도 3을 참조하여 설명한 개념을 적용한 것으로 이해할 수 있다.
개념적으로 비율값을 계산하여 노화상태를 추정하는 방식은 그렇지 않은 방식에 비해 단자전압의 범위를 자유롭게 선택할 수 있다는 장점이 있다. 하지만, 단자전압의 범위에 따라 추정값에 약간의 변동이 있을 수 있는데, 이를 보완하기 위해 기계학습모델에 단자전압값이 더 입력될 수 있다.
도 9는 제1실시예에 따른 기계학습모델의 제2예시 구성도이다.
도 9를 참조하면, 기계학습모델(910)로는 N개의 비율값(R1, R2, ..., Rn)을 가지는 벡터(VEC)가 입력될 수 있고, N개의 단자전압구간에 대응되는 적어도 하나의 단자전압값(V1, V2)이 더 입력될 수 있다.
기계학습모델(910)로는 N개의 단자전압구간의 양단 전압(V1, V2)이 입력될 수 있고, 가장 낮은 전압(V1) 혹은 가장 높은 전압(V2)이 입력될 수 있다.
이러한 방법은 기계학습모델(910)에 입력되는 단자전압구간들의 전압범위에 대한 정보를 더 입력함으로써 노화상태 추정의 정확도를 좀더 높일 수 있다.
도 10은 제1실시예에 따른 기계학습모델의 제3예시 구성도이다.
도 10을 참조하면, 기계학습모델(1010)로는 N개의 비율값(R1, R2, ..., Rn)을 가지는 벡터(VEC)가 입력될 수 있고, N개의 단자전압구간에 대응되는 적어도 하나의 단자전압값(V1, V2)이 더 입력될 수 있고, 대상배터리의 동작온도(Tr)와 기준충전시간이 기록되었을 때의 기준온도(To)의 차이(ΔT)가 더 입력될 수 있다.
기계학습모델은 대상배터리와 동종의 테스트 배터리에 대해 미리 측정한 비교충전시간들로 미리 학습될 수 있다.
대상배터리와 와 동일한 종류의 테스트 배터리들이 준비될 수 있다.
기계학습모델 훈련장치는 테스트 배터리들을 정전류모드로 충전하면서 복수의 단자전압구간 각각에서 충전시간(훈련용 비교충전시간)을 측정할 수 있다. 예를 들어, 3.0V ~ 4.2V의 범위에서 0.1V의 간격으로 복수의 단자전압구간이 형성될 때, 기계학습모델 훈련장치는 정전류충전되는 테스트 배터리들의 단자전압이 해당 구간을 지나는데 소요되는 시간을 훈련용 비교충전시간으로 측정할 수 있다. 그리고, 기계학습모델 훈련장치는 각 단자전압구간별로 측정된 훈련용 비교충전시간을 기록할 수 있다.
기계학습모델 훈련장치는 테스트 배터리들의 충방전 횟수를 증가시키면서 각 충방전 횟수별로 훈련용 비교충전시간들을 기록할 수 있다. 이때, 기계학습모델 훈련장치는 테스트 배터리들의 SOH도 측정하고, 훈련용 비교충전시간들과 함께 SOH도 기록할 수 있다.
기계학습모델 훈련장치는 동작온도별로 훈련용 비교충전시간들을 측정하고 기록할 수 있다. 테스트 배터리들은 몇 개의 그룹으로 분리되고 각 그룹은 서로 다른 온도를 가지는 챔버에 분산되어 배치될 수 있다. 그리고, 기계학습모델 훈련장치는 각 온도별로 훈련용 비교충전시간들을 기록할 수 있다.
그리고, 기계학습모델 훈련장치는 기준충전시간과 훈련용 비교충전시간들의 비율값(훈련용 비율값)을 기계학습모델에 대입시키고 그 결과값과 미리 측정한 SOH를 비교하면서 기계학습모델 내부의 파라미터들을 튜닝할 수 있다.
기계학습모델 훈련장치는 훈련용 비율값과 동작온도 및/혹은 단자전압구간의 적어도 하나의 단자전압값을 기계학습모델에 대입시키고 그 결과값과 미리 측정한 SOH를 비교하면서 기계학습모델 내부의 파라미터들을 튜닝할 수 있다.
도 11은 제1실시예에 따른 기계학습모델의 제4예시 구성도이다.
도 11을 참조하면, 기계학습모델(1110)은 L(L은 2 이상의 자연수)개의 서브기계학습모델들(1120a ~ 1120l)이 앙상블의 형태로 결합된 형태일 수 있다.
제1서브기계학습모델(1120a)은 제1단자전압구간의 훈련데이터-비율값, SOH, 동작온도 등-에 의해 훈련된 모델일 수 있고, 제2서브기계학습모델(1120b)은 제2단자전압구간의 훈련데이터-비율값, SOH, 동작온도 등-에 의해 훈련된 모델일 수 있고, 제L서브기계학습모델(1120l)은 제L단자전압구간의 훈련데이터-비율값, SOH, 동작온도 등-에 의해 훈련된 모델일 수 있다.
서브기계학습모델들(1120a ~ 1120l)은 앙상블의 형태로 결합된 후 각 단자전압구간의 훈련데이터로 추가적으로 훈련될 수 있다. 이때, 각 서브기계학습모델의 정확도에 따라 각 서브기계학습모델의 출력값에 가중치가 부여될 수 있고, 이러한 가중치에 의해 최종 출력값(SOH)의 정확도가 향상될 수 있다.
기계학습모델(1110)은 N개의 서브기계학습모델들을 포함할 수 있고, 이때, 각 서브기계학습모델에 입력되는 데이터는 전술한 N개의 단자전압구간 각각에서 계산한 비율값일 수 있다.
도 12는 제1실시예에 따른 기계학습모델의 제5예시 구성도이다.
도 12를 참조하면, 기계학습모델(1210)은 L(L은 2 이상의 자연수)개의 서브기계학습모델들(1220a ~ 1220l)로 구성될 수 있다.
제1서브기계학습모델(1220a)은 제1단자전압구간의 훈련데이터-비율값, SOH, 동작온도 등-에 의해 훈련된 모델일 수 있고, 제2서브기계학습모델(1220b)은 제2단자전압구간의 훈련데이터-비율값, SOH, 동작온도 등-에 의해 훈련된 모델일 수 있고, 제L서브기계학습모델(1220l)은 제L단자전압구간의 훈련데이터-비율값, SOH, 동작온도 등-에 의해 훈련된 모델일 수 있다.
서브기계학습모델들(1120a ~ 1120l)은 각각 SOH를 출력할 수 있다. 제1서브기계학습모델(1220a)은 제1SOH를 출력할 수 있고, 제2서브기계학습모델(1220b)은 제2SOH를 출력할 수 있고, 제L서브기계학습모델(1220l)은 제lSOH를 출력할 수 있다.
각 서브기계학습모델들(1120a ~ 1120l)에는 우선순위가 정해져 있을 수 있다. 추정장치는 우선순위가 높은 서브기계학습모델에서 산출한 SOH를 대상배터리의 노화상태값으로 사용할 수 있다. 이러한 방식에 의하면, 전체 범위에서 입력데이터-예를 들어, 비율값-가 생성되지 않고 일부 범위에서만 입력데이터가 생성되더라도 대상배터리의 노화상태를 추정할 수 있다는 장점이 있다.
도 13은 제1실시예에 따른 배터리 노화상태 추정 방법의 흐름도이다.
도 13을 참조하면, 추정장치는 정전류 충전되는 기준 노화상태의 배터리에 대해, 복수의 단자전압구간 각각에서 측정한 충전시간을 기준충전시간으로 저장할 수 있다(S1300).
각각의 단자전압구간의 크기는 서로 동일할 수 있다. 혹은 적어도 두 개의 단자전압구간의 크기는 서로 다를 수 있는데, 이때, 적어도 두 개의 단자전압구간에서 기준충전시간은 일정 오차범위 이내로 서로 유사한 크기를 가질 수 있다.
추정장치는 대상배터리의 정전류 충전모드에서, N(N은 2 이상의 자연수)개의 단자전압구간 각각에 대한 충전시간을 비교충전시간으로 저장하고, 미리 저장된 기준충전시간과 비교충전시간의 비율값을 N개의 단자전압구간 각각에 대해 계산할 수 있다(S1302).
S1302 단계에서, 추정장치는 일 시점에서 확인되는 대상배터리의 단자전압으로부터 N개의 구간을 단자전압구간들로 설정할 수 있다. 다른 측면에서 볼 때, 추정장치는 임의의 단자전압범위에서 N개의 비율값들을 계산할 수 있다.
추정장치는 N보다 큰 M개의 단자전압구간에 대하여 비교충전시간을 측정할 수 있다. 이때, 추정장치는 M개의 단자전압구간들 중에서 미리 정해진 단자전압구간들이 포함되도록 N개의 단자전압구간을 설정할 수 있다. 여기서, M개의 단자전압구간 중 N개의 단자전압구간에 속하는 일 단자전압구간에서의 충전시간이 N개의 단자전압구간에 속하지 않는 다른 일 단자전압구간에서의 충전시간보다 길 수 있다.
추정장치는 계산된 N개의 비율값을 미리 학습된 기계학습모델에 대입하여 대상배터리의 노화상태를 추정할 수 있다(S1304).
추정장치는 노화상태를 추정할 때, 기계학습모델에 대상배터리의 동작온도와 기준온도의 차이를 더 대입시켜 대상배터리의 노화상태를 추정할 수 있다.
추정장치는 노화상태를 추정할 때, 기계학습모델에 N개의 단자전압구간에 대응되는 적어도 하나의 단자전압값을 더 대입시켜 대상배터리의 노화상태를 추정할 수 있다.
기계학습모델은 각 단자전압구간의 비율값을 입력으로 하고 노화상태값을 출력으로 하는 N개의 서브기계학습모델이 앙상블의 형태로 결합된 형태일 수 있다.
기계학습모델은 각 단자전압구간의 비율값을 입력으로 하고 노화상태값을 출력으로 하는 L(L은 N보다 큰 자연수)개의 서브기계학습모델로 구성되고, 각 서브기계학습모델에는 우선순위가 정해져 있으며, 추정장치는 노화상태를 추정할 때, L개의 서브기계학습모델 중 N개의 단자전압구간에 해당되는 N개의 서브기계학습모델의 출력값 중 우선순위가 높은 서브기계학습모델의 출력값에 따라 대상배터리의 노화상태를 추정할 수 있다.
도 14는 제2실시예에 따른 배터리 노화상태 추정방법의 흐름도이다.
도 14를 참조하면, 추정장치(1400)는 측정회로(1410), 저장회로(1420) 및 상태추정회로(1430) 등을 포함할 수 있다.
측정회로(1410)는 대상배터리가 정전류충전모드로 충전되고 있을 때, 충전시간을 카운트하면서 대상배터리의 단자전압값들을 기록할 수 있다. 기록되는 내용은 시간값과 전압값이 짝을 이루는 형태일 수 있는데, 예를 들어, (00:00:00:000, 0V)와 같은 형태일 수 있다.
측정회로(1410)는 일정 시간단위-예를 들어, 1초 단위-로 시간과 단자전압을 기록할 수 있다. 혹은 측정회로(1410)는 일정 전압단위-예를 들어, 0.1V 단위-로 시간과 단자전압을 기록할 수 있다. 혹은 측정회로(1410)는 미리 정해진 기준에 따라 시간과 단자전압을 기록할 수 있다. 예를 들어, 측정회로(1410)는 미리 정해진 특정 단자전압에서 시간과 단자전압을 기록할 수 있고, 미리 정해진 특정 충전시간에서 시간과 단자전압을 기록할 수 있다.
저장회로(1420)는 노화상태별로 복수의 단자전압구간에서의 단자전압 시간변화율들을 기록한 단자전압 시간변화율 데이터를 저장할 수 있다.
단자전압 시간변화율은 일정 충전시간에 대한 단자전압의 변화량을 나타내는 값으로서 단자전압의 변화량(ΔV)을 충전시간(Δt)으로 나누어서 계산할 수 있다.
저장회로(1420)는 대상배터리와 동일한 종류의 배터리에 대해 충방전 횟수를 증가시키면서 복수의 단자전압구간에 대해서 단자전압구간별로 단자전압 시간변화율을 저장할 수 있다. 이렇게 저장된 데이터를 기준데이터라고 부를 수 있다.
도 15는 제2실시예에서 충방전 횟수별로 단자전압 시간변화율을 저장한 룩업테이블의 예시 도면이다.
도 15를 참조하면, 저장회로는 단자전압을 복수의 구간으로 구분하고 각 단자전압구간에서 단자전압 시간변화율(ΔV/Δt)을 저장할 수 있다.
저장회로는 기준데이터를 생성하기 위한 테스트 배터리들에 대하여 충방전횟수별로 단자전압 시간변화율을 측정하고 저장할 수 있다. 예를 들어, 저장회로는 충방전횟수가 1회인 테스트 배터리에 대하여 복수의 단자전압구간별로 단자전압 시간변화율을 저장할 수 있고, 충방전횟수가 364회인 테스트 배터리에 대하여 복수의 단자전압구간별로 단자전압 시간변화율을 저장할 수 있다.
저장회로는 각 충방전횟수에서 SOH도 함께 측정하여 저장할 수 있다. 예를 들어, 저장회로는 충방전횟수가 1회인 테스트 배터리에 대하여 단자전압 시간변화율을 저장하고 더불어 SOH도 측정하여 저장할 수 있다. 그리고, 저장회로는 충방전횟수가 364회인 테스트 배터리에 대하여 단자전압 시간변화율을 저장하고 더불어 SOH도 측정하여 저장할 수 있다.
데이터는 다수의 테스트 배터리에 대하여 생성될 수 있다. 저장회로는 다수의 테스트 배터리에 대하여 생성된 데이터를 통계적으로 처리하여 하나의 기준데이터를 생성할 수 있다. 예를 들어, 저장회로는 다수의 테스트 배터리에 대하여 생성된 데이터를 평균하여 하나의 기준데이터를 생성할 수 있다.
단자전압구간별 단자전압 시간변화율은 동작온도별로 측정되고 저장될 수 있다.
도 16은 제2실시예에서 온도별로 저장된 룩업테이블들의 예시 도면이다.
도 16을 참조하면, 저장회로는 온도별로 룩업테이블을 저장할 수 있다.
테스트 배터리들은 서로 다른 온도를 가지는 챔버에 분산되어 배치될 수 있고, 서로 다른 온도조건에서 충방전되면서 전술한 룩업테이블에 필요한 값들을 산출할 수 있다.
그리고, 저장회로는 이러한 과정에서 산출된 값-예를 들어, 단자전압구간별 단자전압 시간변화율, SOH 등-을 온도별로 구분하여 저장할 수 있다.
추정장치는 저장회로에 저장되는 이러한 기준데이터에서 대상배터리와 가장 유사한 상태에 있는 데이터를 찾아내고 그 데이터에 해당되는 SOH값으로 대상배터리의 노화상태를 추정할 수 있다.
다시 도 14를 참조하면, 추정장치(1400)는 측정회로(1410) 및 저장회로(1420)를 포함하고, 상태추정회로(1430)를 더 포함할 수 있다.
상태추정회로(1430)는 측정회로(1410)에서 기록한 충전시간과 단자전압값들을 이용하여 N(N은 2 이상의 자연수)개의 단자전압구간 각각에서 단자전압의 시간변화율을 계산할 수 있다.
그리고, 상태추정회로(1430)는 계산된 N개의 단자전압 시간변화율들을 저장회로(1420)에 저장된 단자전압 시간변화율 데이터-도 15 및 도 16을 참조하여 설명한 기준데이터-와 비교하여 대상배터리의 노화상태를 추정할 수 있다.
도 17은 제2실시예에서 대상배터리의 단자전압 시간변화율과 가장 유사한 데이터를 찾는 과정을 설명하기 위한 도면이다.
도 17을 참조하면, 상태추정회로는 대상배터리의 동작온도를 확인하고, 해당 동작온도에 가장 근접한 온도에서 측정된 룩업테이블을 먼저 찾아낼 수 있다. 도 17에서는 기준온도가 대상배터리의 동작온도에 가장 근접한 것으로 도시되고 있다.
동작온도에 대한 룩업테이블을 찾아낸 후에, 상태추정회로는 룩업테이블에 저장된 복수의 단자전압구간들 중에서 대상배터리에 대해 측정된 N개의 단자전압구간을 확인할 수 있다. 예를 들어, 룩업테이블이 테스트 배터리에 대해서 3.1V ~ 4.2V의 범위에 해당되는 복수의 단자전압구간별로 단자전압 시간변화율을 저장하고 있고, 대상배터리에 대해 측정된 N개의 단자전압구간이 3.2V ~ 3.7V의 범위에 해당된다면, 상태추정회로는 룩업테이블에서 3.2V ~ 3.7V의 범위에 해당되는 단자전압구간 데이터를 확인할 수 있다.
N개의 단자전압구간에 해당되는 부분을 검색윈도우라고 할 때, 상태추정회로는 검색윈도우를 충방전횟수별로 정렬된 데이터에서 이동시키면서 대상배터리의 단자전압 시간변화율과 가장 유사한 데이터를 검색할 수 있다. 검색이 완료되면, 상태추정회로는 해당 데이터에 대응되는 SOH를 대상배터리의 노화상태값으로 결정할 수 있다.
N개의 단자전압구간별 단자전압 시간변화율을 벡터로 형성할 때, 상태추정회로는 룩업테이블에 저장된 벡터들과 대상배터리에 대응되는 벡터의 유사도를 판단하여 대상배터리의 노화상태값을 결정할 수 있다.
유사도는 유클리드 거리(Euclidean distance)에 따라 판단될 수 있다. 상태추정회로는 대상배터리에 대응되는 벡터와 룩업테이블에 저장된 벡터들 각각에 대하여 유클리드 거리값들을 계산할 수 있다. 그리고, 상태추정회로는 계산된 유클리드 거리값들 중 가장 짧은 거리값에 대응되는 벡터를 가장 유사도가 높은 벡터로 결정하고 해당 벡터에 대응되는 SOH를 대상배터리의 노화상태값으로 결정할 수 있다.
도 18은 제2실시예에 따른 배터리 노화상태 추정 방법의 흐름도이다.
도 18을 참조하면, 추정장치는 대상배터리의 정전류충전모드에서, N(N은 2 이상의 자연수)개의 단자전압구간 각각에서 단자전압의 시간변화율을 계산할 수 있다(S1800).
N개의 단자전압구간 중 적어도 두 개의 단자전압구간은 크기가 서로 다를 수 있다. 예를 들어, 제1단자전압구간은 3.00V ~ 3.05V에 해당되는 구간으로 크기가 0.05V에 해당되고, 제2단자전압구간은 3.05V ~ 3.15V에 해당되는 구간으로 크기가 0.1V에 해당될 수 있다.
단자전압 시간변화율이 큰 구간이 단자전압 시간변화율이 작은 구간보다 구간의 크기가 더 작게 설정될 수 있다.
추정장치는 전술한 단계에서 계산한 N개의 단자전압 시간변화율들을, 노화상태별로 저장된 단자전압 시간변화율 데이터와 비교하여 대상배터리의 노화상태를 추정할 수 있다(S1802).
단자전압 시간변화율 데이터에는, 노화상태별로, 복수의 단자전압구간에서의 단자전압 시간변화율을 저장한 룩업테이블이 포함되어 있을 수 있다.
추정장치는 노화상태를 추정할 때, 룩업테이블에서 N개의 단자전압 시간변화율들과의 유사도가 높은 단자전압 시간변화율들을 저장한 데이터를 찾고, 해당 데이터에 대응되는 노화상태값을 대상배터리의 노화상태값으로 결정할 수 있다.
추정장치는 노화상태를 추정할 때, 계산된 N개의 단자전압 시간변화율들과 룩업테이블에 저장된 단자전압 시간변화율들에 대해 유클리드 거리값을 계산하고, 유클리드 거리값이 가장 작은 데이터를 찾고, 해당 데이터에 대응되는 노화상태값을 대상배터리의 노화상태값으로 결정할 수 있다.
룩업테이블에 대응되는 복수의 단자전압구간의 범위는 대상배터리에 대해 계산된 N개의 단자전압구간의 범위보다 넓을 수 있다.
추정장치는 노화상태를 추정할 때, 단자전압 시간변화율 데이터에 포함된 룩업테이블들 중 대상배터리의 온도값에 대응되는 룩업테이블을 선별하고, 선별된 룩업테이블에 따라 대상배터리의 노화상태값을 결정할 수 있다.
일 실시예는 부분 충전에서도 효과적으로 배터리의 노화상태를 추정할 수 있고, 계산이 간단하여 온라인 SOH 추정도 가능하다는 장점이 있다.
이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (15)

  1. 정전류 충전되는 기준 노화상태의 배터리에 대해, 복수의 단자전압구간 각각에서 측정한 충전시간을 기준충전시간으로 저장하는 단계;
    일 배터리의 정전류 충전모드에서, N(N은 2 이상의 자연수)개의 단자전압구간 각각에 대한 충전시간을 비교충전시간으로 저장하고, 상기 기준충전시간과 상기 비교충전시간의 비율값을 상기 N개의 단자전압구간 각각에 대해 계산하는 단계; 및
    N개의 상기 비율값을 미리 학습된 기계학습모델에 대입하여 상기 일 배터리의 노화상태를 추정하는 단계
    를 포함하는 배터리의 노화상태 추정 방법.
  2. 제1항에 있어서,
    상기 노화상태를 추정하는 단계에서,
    상기 기계학습모델에 상기 일 배터리의 동작온도와 기준온도의 차이를 더 대입시켜 상기 일 배터리의 노화상태를 추정하는 배터리의 노화상태 추정 방법.
  3. 제1항에 있어서,
    상기 N개의 단자전압구간 각각의 크기는 동일한 배터리의 노화상태 추정 방법.
  4. 제1항에 있어서,
    상기 노화상태를 추정하는 단계에서,
    상기 기계학습모델에 상기 N개의 단자전압구간에 대응되는 적어도 하나의 단자전압값을 더 대입시켜 상기 일 배터리의 노화상태를 추정하는 배터리의 노화상태 추정 방법.
  5. 제1항에 있어서,
    상기 비율값을 계산하는 단계에서,
    일 시점에서 확인되는 상기 일 배터리의 단자전압으로부터 N개의 구간을 상기 N개의 단자전압구간으로 설정하는 배터리의 노화상태 추정 방법.
  6. 제1항에 있어서,
    M(M은 N보다 큰 자연수)개의 단자전압구간에 대하여 상기 비교충전시간이 측정되는 경우,
    상기 비율값을 계산하는 단계에서,
    미리 정해진 단자전압구간들이 포함되도록 상기 N개의 단자전압구간을 설정하는 배터리의 노화상태 추정 방법.
  7. 제6항에 있어서,
    상기 M개의 단자전압구간 중 상기 N개의 단자전압구간에 속하는 일 단자전압구간에서의 충전시간이 상기 N개의 단자전압구간에 속하지 않는 다른 일 단자전압구간에서의 충전시간보다 긴 배터리의 노화상태 추정 방법.
  8. 제1항에 있어서,
    상기 기계학습모델은 각 단자전압구간의 비율값을 입력으로 하고 노화상태값을 출력으로 하는 N개의 서브기계학습모델이 앙상블의 형태로 결합된 형태인 배터리의 노화상태 추정 방법.
  9. 제1항에 있어서,
    상기 기계학습모델은 각 단자전압구간의 비율값을 입력으로 하고 노화상태값을 출력으로 하는 L(L은 N보다 큰 자연수)개의 서브기계학습모델로 구성되고, 각 서브기계학습모델에는 우선순위가 정해져 있으며,
    상기 노화상태를 추정하는 단계에서,상기 L개의 서브기계학습모델 중 상기 N개의 단자전압구간에 해당되는 N개의 서브기계학습모델의 출력값 중 우선순위가 높은 서브기계학습모델의 출력값에 따라 상기 일 배터리의 노화상태를 추정하는 배터리의 노화상태 추정 방법.
  10. 제1항에 있어서,
    상기 N개의 단자전압구간 중 적어도 두 개의 단자전압구간의 크기는 서로 다르고, 상기 적어도 두 개의 단자전압구간에서 상기 기준충전시간 혹은 상기 비교충전시간은 일정 오차범위 이내로 서로 유사한 크기를 가지는 배터리의 노화상태 추정 방법.
  11. 정전류 충전되는 기준 노화상태의 배터리에 대해, 복수의 단자전압구간 각각에서 측정한 충전시간을 기준충전시간으로 저장하는 저장회로;
    일 배터리의 정전류 충전모드에서, N(N은 2 이상의 자연수)개의 단자전압구간 각각에 대한 충전시간을 비교충전시간으로 저장하고, 상기 기준충전시간과 상기 비교충전시간의 비율값을 상기 N개의 단자전압구간 각각에 대해 계산하는 계산회로; 및
    N개의 상기 비율값을 미리 학습된 기계학습모델에 대입하여 상기 일 배터리의 노화상태를 추정하는 상태추정회로
    를 포함하는 배터리 노화상태 추정장치.
  12. 제11항에 있어서,
    상기 상태추정회로는,
    상기 기계학습모델에 상기 일 배터리의 동작온도와 기준온도의 차이를 더 대입시켜 상기 일 배터리의 노화상태를 추정하는 배터리 노화상태 추정장치.
  13. 제11항에 있어서,
    상기 상태추정회로는,
    상기 기계학습모델에 상기 N개의 단자전압구간에 대응되는 적어도 하나의 단자전압값을 더 대입시켜 상기 일 배터리의 노화상태를 추정하는 배터리 노화상태 추정장치.
  14. 제11항에 있어서,
    상기 계산회로는,
    일 시점에서 확인되는 상기 일 배터리의 단자전압으로부터 N개의 구간을 상기 N개의 단자전압구간으로 설정하는 배터리 노화상태 추정장치.
  15. 제11항에 있어서,
    M(M은 N보다 큰 자연수)개의 단자전압구간에 대하여 상기 비교충전시간이 측정되는 경우,
    상기 계산회로는,
    미리 정해진 단자전압구간들이 포함되도록 상기 N개의 단자전압구간을 설정하는 배터리 노화상태 추정장치.
PCT/KR2022/020452 2022-12-15 2022-12-15 배터리 노화상태 추정 장치 및 방법 Ceased WO2024128352A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US18/276,216 US20250283944A1 (en) 2022-12-15 2022-12-15 Device and method for estimating state of health of battery
PCT/KR2022/020452 WO2024128352A1 (ko) 2022-12-15 2022-12-15 배터리 노화상태 추정 장치 및 방법
KR1020237023417A KR20240095083A (ko) 2022-12-15 2022-12-15 배터리 노화상태 추정 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2022/020452 WO2024128352A1 (ko) 2022-12-15 2022-12-15 배터리 노화상태 추정 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2024128352A1 true WO2024128352A1 (ko) 2024-06-20

Family

ID=91485933

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/020452 Ceased WO2024128352A1 (ko) 2022-12-15 2022-12-15 배터리 노화상태 추정 장치 및 방법

Country Status (3)

Country Link
US (1) US20250283944A1 (ko)
KR (1) KR20240095083A (ko)
WO (1) WO2024128352A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130113296A (ko) * 2012-04-05 2013-10-15 삼성에스디아이 주식회사 배터리의 수명 예측 시스템
KR20160079637A (ko) * 2014-12-26 2016-07-06 삼성전자주식회사 배터리의 성능 상태를 추정하는 방법 및 장치
KR20190096673A (ko) * 2018-02-09 2019-08-20 주식회사 엘지화학 이차 전지 상태 추정 장치 및 방법
KR20220043059A (ko) * 2020-09-28 2022-04-05 (주)세자에너지 학습 기반 배터리 셀의 잔존 수명 예측 방법
KR20220059153A (ko) * 2020-11-02 2022-05-10 주식회사 피엠그로우 인공 신경망을 이용한 배터리의 잔존 수명 예측 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130113296A (ko) * 2012-04-05 2013-10-15 삼성에스디아이 주식회사 배터리의 수명 예측 시스템
KR20160079637A (ko) * 2014-12-26 2016-07-06 삼성전자주식회사 배터리의 성능 상태를 추정하는 방법 및 장치
KR20190096673A (ko) * 2018-02-09 2019-08-20 주식회사 엘지화학 이차 전지 상태 추정 장치 및 방법
KR20220043059A (ko) * 2020-09-28 2022-04-05 (주)세자에너지 학습 기반 배터리 셀의 잔존 수명 예측 방법
KR20220059153A (ko) * 2020-11-02 2022-05-10 주식회사 피엠그로우 인공 신경망을 이용한 배터리의 잔존 수명 예측 방법 및 장치

Also Published As

Publication number Publication date
KR20240095083A (ko) 2024-06-25
US20250283944A1 (en) 2025-09-11

Similar Documents

Publication Publication Date Title
WO2021118118A1 (ko) 배터리 퇴화도 진단 장치 및 방법
WO2021246655A1 (ko) 배터리 상태 진단 장치 및 방법
WO2022015116A1 (ko) 배터리 관리 장치 및 방법
WO2022145777A1 (ko) 이차 전지 진단 장치 및 방법
WO2020189919A1 (ko) 배터리 상태 추정 장치
WO2018093045A1 (ko) 배터리의 절연 저항 산출 장치 및 방법
WO2022050540A1 (ko) 배터리 관리 장치 및 방법
WO2022092827A1 (ko) 배터리 관리 장치 및 방법
WO2020189914A1 (ko) 배터리 상태 추정 장치
WO2022075708A1 (ko) 배터리 상태 진단 장치 및 방법
WO2020189918A1 (ko) 배터리 관리 장치
WO2022215962A1 (ko) 배터리 진단 장치 및 방법
WO2021107655A1 (ko) 배터리 상태 진단 장치 및 방법
WO2019151674A1 (ko) 배터리의 전력 한계를 결정하기 위한 방법 및 배터리 관리 시스템
WO2018194225A1 (ko) 배터리 모니터링 및 보호 시스템
WO2023249298A1 (ko) 배터리 진단 장치, 배터리 진단 방법 및 배터리 진단 시스템
WO2018151431A1 (ko) 에너지 저장장치 충전상태 추정방법
WO2021006708A1 (ko) 배터리 팩의 상태 진단 장치 및 방법
WO2021075771A1 (ko) 충전 상태 추정 장치 및 방법
WO2023224368A1 (ko) 배터리 soh 추정 장치 및 방법
WO2020166914A1 (ko) 충전 상태 추정 장치 및 방법
WO2021194133A1 (ko) 배터리 파라미터 설정 장치 및 방법
WO2022080837A1 (ko) 배터리 진단 장치 및 방법
WO2021080219A1 (ko) 배터리 퇴화도 진단 장치 및 방법
WO2023182611A1 (ko) 배터리 관리 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: 22968612

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWP Wipo information: published in national office

Ref document number: 18276216

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 22968612

Country of ref document: EP

Kind code of ref document: A1