WO2025014255A1 - 배터리 관리 장치 및 그것의 동작 방법 - Google Patents

배터리 관리 장치 및 그것의 동작 방법 Download PDF

Info

Publication number
WO2025014255A1
WO2025014255A1 PCT/KR2024/009774 KR2024009774W WO2025014255A1 WO 2025014255 A1 WO2025014255 A1 WO 2025014255A1 KR 2024009774 W KR2024009774 W KR 2024009774W WO 2025014255 A1 WO2025014255 A1 WO 2025014255A1
Authority
WO
WIPO (PCT)
Prior art keywords
batteries
deviation
voltage
target
battery
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/KR2024/009774
Other languages
English (en)
French (fr)
Inventor
장태혁
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.)
LG Energy Solution Ltd
Original Assignee
LG Energy Solution Ltd
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 LG Energy Solution Ltd filed Critical LG Energy Solution Ltd
Priority to CN202480046120.7A priority Critical patent/CN121464368A/zh
Priority to EP24840065.7A priority patent/EP4726420A1/en
Publication of WO2025014255A1 publication Critical patent/WO2025014255A1/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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/003—Measuring mean values of current or voltage during a given time interval
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations
    • 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]
    • G01R31/385—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
    • 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

  • Embodiments disclosed in this document relate to a battery management device and a method of operating the same.
  • Electric vehicles receive electricity from the outside to charge battery cells, and then drive a motor with the voltage charged in the battery cells to obtain power.
  • Battery cells undergo internal deformation and transformation through various charging and discharging during the production and use stages, and their physical and chemical properties change, which can cause internal short circuits, external short circuits, venting due to lithium deposition, or undervoltage defects in which the voltage of the battery cell decreases below a certain level.
  • a defect occurs inside a battery cell, the performance of the battery cell may deteriorate, and direct problems may occur in the battery cell, such as an increased risk of ignition due to electrolyte leakage. Therefore, a technology to determine whether a battery cell is abnormal is required.
  • One purpose of the embodiments disclosed in this document is to provide a battery management device and an operating method thereof capable of accurately diagnosing an abnormal battery cell by removing noise of deviations between a long-term moving average value and a short-term moving average value of a battery's voltage.
  • a battery management device may include a voltage measuring unit which measures the voltage of each of a plurality of batteries, and a controller which calculates a deviation between an average voltage of the plurality of batteries and the voltages of each of the plurality of batteries as a first voltage of each of the plurality of batteries, calculates a long-term moving average and a short-term moving average of the first voltage for each of the plurality of batteries, determines at least one noise battery based on the short-term moving average of each of the plurality of batteries, calculates a first deviation which is a deviation between the long-term moving average and the short-term moving average for each of the plurality of target batteries excluding the at least one noise battery among the plurality of batteries, calculates a second deviation which is an average of the first deviations of the plurality of target batteries, and diagnoses at least one target battery among the plurality of target batteries based on a first diagnosis deviation which is a difference between the first deviation and the second deviation for each of the plurality of target batteries.
  • the controller may calculate an average value (Mean), a median value (Median) or a minimum value (Min) of the voltages of the plurality of batteries as the average voltage of the plurality of batteries, and calculate an average value, a median value or a minimum value of the first deviations of the plurality of target batteries as the second deviation.
  • the controller may calculate an average, a median, or a minimum of short-term moving averages of the plurality of batteries as an average short-term moving average of the plurality of batteries, and may calculate a deviation between the average short-term moving average of the plurality of batteries and the short-term moving average of each of the plurality of batteries as a second voltage of each of the plurality of batteries.
  • the controller may calculate a long-term moving average of the second voltage of each of the plurality of batteries as ripple noise of each of the plurality of batteries.
  • the controller may set a first threshold value by multiplying an average value of ripple noise of the plurality of batteries by a first threshold constant, and determine a battery among the plurality of batteries whose ripple noise is outside the first threshold value as at least one noise battery.
  • the controller may normalize the first diagnostic deviation of each of the plurality of target batteries by dividing the first diagnostic deviation by a maximum value between a value obtained by multiplying the second deviation by a second threshold constant and a third threshold constant, thereby calculating the second diagnostic deviation of each of the plurality of target batteries.
  • the controller can diagnose at least one target battery among the plurality of target batteries based on whether a second diagnostic deviation of each of the plurality of target batteries exceeds a second threshold value.
  • An operating method of a battery management device may include a step of measuring a voltage of each of a plurality of batteries, a step of calculating a deviation between an average voltage of the plurality of batteries and the voltages of each of the plurality of batteries as a first voltage of each of the plurality of batteries, a step of calculating a long-term moving average and a short-term moving average of the first voltage for each of the plurality of batteries, a step of determining at least one noise battery based on the short-term moving average of each of the plurality of batteries, a step of calculating a first deviation which is a deviation between the long-term moving average and the short-term moving average for each of the plurality of target batteries excluding the at least one noise battery among the plurality of batteries, a step of calculating a second deviation which is an average of the first deviations of the plurality of target batteries, and a step of diagnosing at least one target battery among the plurality of target batteries based on a first diagnostic deviation which is
  • the step of calculating a deviation between the average voltage of the plurality of batteries and the voltages of each of the plurality of batteries as the first voltage of each of the plurality of batteries may calculate an average value (Mean), a median value (Median) or a minimum value (Min) of the voltages of the plurality of batteries as the average voltage of the plurality of batteries, and the step of calculating a second deviation as an average of the first deviations of the plurality of target batteries may calculate an average value, a median value or a minimum value of the first deviations of the plurality of target batteries as the second deviation.
  • the step of determining at least one noise battery based on the short-term moving average of each of the plurality of batteries may include calculating an average, a median, or a minimum of the short-term moving averages of the plurality of batteries as an average short-term moving average of the plurality of batteries, and calculating a deviation between the average short-term moving average of the plurality of batteries and the short-term moving average of each of the plurality of batteries as a second voltage of each of the plurality of batteries.
  • the step of determining at least one noise battery based on the short-term moving average of each of the plurality of batteries may calculate the long-term moving average of the second voltage of each of the plurality of batteries as ripple noise of each of the plurality of batteries.
  • the step of determining at least one noisy battery based on a short-term moving average of each of the plurality of batteries may include setting a first threshold value by multiplying an average value of ripple noise of the plurality of batteries by a first threshold constant, and determining a battery among the plurality of batteries whose ripple noise is outside the first threshold value as the at least one noisy battery.
  • the step of diagnosing at least one target battery among the plurality of target batteries based on a first diagnostic deviation, which is a difference between the first deviation and the second deviation for each of the plurality of target batteries may include normalizing the first diagnostic deviation of each of the plurality of target batteries by dividing the first diagnostic deviation of each of the plurality of target batteries by a maximum value between a value obtained by multiplying the second deviation by a second threshold constant and a third threshold constant, thereby calculating a second diagnostic deviation of each of the plurality of target batteries.
  • the step of diagnosing at least one target battery among the plurality of target batteries based on a first diagnostic deviation, which is a difference between the first deviation and the second deviation for each of the plurality of target batteries may diagnose at least one target battery among the plurality of target batteries based on whether a second diagnostic deviation of each of the plurality of target batteries exceeds a second threshold value.
  • noise of deviations between long-term moving average values and short-term moving average values of voltage of a battery can be removed to accurately diagnose an abnormal battery cell.
  • FIG. 1 is a drawing showing a battery pack according to one embodiment disclosed in this document.
  • FIG. 2 is a block diagram showing the configuration of a battery management device according to one embodiment disclosed in this document.
  • FIG. 3 is a graph showing the voltage of a battery cell according to one embodiment disclosed in this document.
  • FIG. 4 is a flowchart showing a method for identifying a target battery cell of a controller according to one embodiment disclosed in this document.
  • FIG. 5 is a graph showing a long-term moving average and a short-term moving average of a first voltage of a battery cell according to one embodiment disclosed in the present document.
  • FIG. 6 is a graph showing ripple noise of a battery cell according to one embodiment disclosed in this document.
  • FIG. 7 is a flowchart showing a method for diagnosing a target battery cell of a controller according to one embodiment disclosed in this document.
  • FIG. 8 is a graph showing a second diagnostic deviation of a battery cell according to one embodiment disclosed in this document.
  • FIG. 9 is a flowchart showing an operation method of a battery management device according to one embodiment disclosed in this document.
  • FIG. 10 is a flowchart showing an operation method for diagnosing a target battery cell of a battery management device according to one embodiment disclosed in this document.
  • FIG. 11 is a block diagram showing the hardware configuration of a computing system that implements an operating method of a battery management device according to one embodiment disclosed in this document.
  • FIG. 1 is a drawing showing a battery pack according to one embodiment disclosed in this document.
  • a battery pack (1000) may include a battery module (100), a battery management device (200), and a relay (300).
  • the battery module (100) may be a battery cell, in which case the battery pack (1000) may have a cell to pack structure.
  • a single battery module (100) is illustrated, but depending on the embodiment, the battery module (100) may be configured with a plurality of battery modules, and the battery pack (1000) may have a stacked structure of a plurality of battery modules.
  • the battery module (100) may include a plurality of battery cells (110, 120, 130, 140).
  • the plurality of battery cells is illustrated as being four, but is not limited thereto, and the battery module (100) may be configured to include n (n is a natural number greater than or equal to 2) battery cells.
  • each of the plurality of battery cells (110, 120, 130, 140) may be a cell group or battery bank in which at least two or more battery cells are connected in parallel.
  • the battery module (100) can supply power to a target device (not shown).
  • the battery module (100) can be electrically connected to the target device.
  • the target device can include an electrical, electronic, or mechanical device that operates by receiving power from a battery pack (1000) including a plurality of battery cells (110, 120, 130, 140), and for example, the target device can be, but is not limited to, an electric vehicle (EV) or an energy storage system (ESS).
  • EV electric vehicle
  • ESS energy storage system
  • a plurality of battery cells are basic units of a battery that can be used by charging and discharging electric energy, and may be, but are not limited to, a lithium-ion (Li-ion) battery, a lithium-ion polymer (Li-ion polymer) battery, a nickel-cadmium (Ni-Cd) battery, a nickel-metal hydride (Ni-MH) battery, etc.
  • a lithium-ion (Li-ion) battery Li-ion polymer
  • Ni-Cd nickel-cadmium
  • Ni-MH nickel-metal hydride
  • a battery management system (BMS) (200) can manage and/or control the state and/or operation of a battery module (100).
  • the battery management device (200) can manage and/or control the state and/or operation of a plurality of battery cells (110, 120, 130, 140) included in the battery module (100).
  • the battery management device (200) can manage charging and/or discharging of the battery module (100).
  • the battery management device (200) can control the operation of the relay (300). For example, the battery management device (200) can short-circuit the relay (300) to supply power to the target device. Additionally, the battery management device (200) can short-circuit the relay (300) when a charging device is connected to the battery pack (1000).
  • the battery management device (200) can monitor voltage, current, temperature, etc. of the battery module (100) and/or each of the plurality of battery cells (110, 120, 130, 140) included in the battery module (100).
  • sensors or various measurement modules not shown may be additionally installed in any location of the battery module (100), a charging/discharging path, or the battery module (100).
  • the battery management device (200) can calculate parameters indicating the state of the battery module (100), for example, SOC (State of Charge) or SOH (State of Health), based on the measured values of the monitored voltage, current, temperature, etc.
  • the battery management device (200) may diagnose abnormal phenomena inside the plurality of battery cells (110, 120, 130, 140) based on data of various factors that change as the battery cells deteriorate.
  • Battery cells may experience faster and greater voltage changes than normal battery cells when they are defective due to various causes, such as defects during the production stage, internal deformation and transformation through multiple charging and discharging, or external impact.
  • the battery management device (200) utilizes the phenomenon that battery cells with internal defects experience faster and greater voltage changes than normal battery cells during the idle period, and compares voltage data of the idle periods of each of a plurality of battery cells (110, 120, 130, 140) with statistical normal voltage data of the idle periods of normal battery cells, thereby diagnosing abnormal battery cells among the plurality of battery cells (110, 120, 130, 140).
  • the battery management device (200) can determine whether an abnormal battery cell exists among a plurality of battery cells (110, 120, 130, 140) by utilizing the characteristics of a large deviation and a large bias of an abnormal battery cell compared to a normal battery cell.
  • the battery management device (200) can calculate an average value of voltages of a plurality of battery cells (110, 120, 130, 140) and a voltage deviation (dV) of each of the plurality of battery cells (110, 120, 130, 140).
  • the battery management device (200) can use the voltage deviation of each of the plurality of battery cells (110, 120, 130, 140) to determine an abnormal voltage behavior of at least one battery cell among the plurality of battery cells (110, 120, 130, 140) and diagnose the corresponding battery cell.
  • the battery management device (200) can determine a plurality of target battery cells by excluding noise battery cells suspected of being noise data from among the voltage deviations of each of the plurality of battery cells (110, 120, 130, 140). After determining the plurality of target battery cells, the battery management device (200) can diagnose the target battery cells using the voltage deviation data of each of the plurality of target battery cells included in the battery pack (1000). The battery management device (200) can diagnose an abnormal battery cell suspected of having an abnormal voltage using the amplified voltage deviation data.
  • the operation of the battery management device (200) below can be performed in various devices such as a server, cloud, charger, or charger/discharger connected to the battery management device (200) or a vehicle equipped with the battery management device (200).
  • FIG. 2 is a block diagram showing the configuration of a battery management device according to one embodiment disclosed in this document.
  • the battery management device (200) may include a voltage measurement unit (210) and a controller (220).
  • the voltage measuring unit (210) can calculate the voltage of each of the plurality of battery cells (110, 120, 130, 140).
  • the voltage measuring unit (210) can calculate the voltage of each of the plurality of battery cells (110, 120, 130, 140) per unit time to calculate time-series data of the voltage of each of the plurality of battery cells (110, 120, 130, 140).
  • the voltage measuring unit (210) can continuously calculate voltage rise and fall data during charging, a rest period after charging, a rest period after discharging, and a rest period after discharging, and long-term stabilization (Relaxation) data of the plurality of battery cells (110, 120, 130, 140).
  • FIG. 3 is a graph showing the voltage of a battery cell according to one embodiment disclosed in this document.
  • the voltage measurement unit (210) can measure the voltages of the plurality of battery cells (110, 120, 130, 140) during charging, a rest period after charging, a discharge period, and a rest period after discharging, and can produce time series data of the voltages of each of the plurality of battery cells (110, 120, 130, 140).
  • the voltage measurement unit (210) can measure the voltages of each of the plurality of battery cells (110, 120, 130, 140) per unit time and generate a graph representing the voltage change of each of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) can calculate an average voltage (V_avg) of the plurality of battery cells (110, 120, 130, 140). According to one embodiment, the controller (220) can calculate an average value (Mean), a median value (Median), or a minimum value (Min) of the voltages of the plurality of battery cells (110, 120, 130, 140) as the average voltage (V_avg) of the plurality of battery cells (110, 120, 130, 140). The controller (220) can calculate a deviation (dV) between the average voltage (V_avg) and the voltages for each of the plurality of battery cells (110, 120, 130, 140).
  • dV deviation
  • the controller (220) may calculate the average voltage (V_avg) of each of the plurality of battery cells (110, 120, 130, 140) and the deviation (dV) between the voltages as the first voltage (dV1). In addition, according to one embodiment, the controller (220) may calculate the voltage of each of the plurality of battery cells (110, 120, 130, 140) as the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140).
  • the first voltage of each of the plurality of battery cells (110, 120, 130, 140) will be described as an example of the deviation (dV) between the voltage of each of the plurality of battery cells (110, 120, 130, 140) and the average voltage (V_avg), but is not limited thereto.
  • the controller (220) can determine at least one noisy battery cell among the plurality of battery cells (110, 120, 130, 140) based on the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140). After determining at least one noisy battery cell based on the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140), the controller (220) can identify a plurality of target battery cells excluding at least one noisy battery cell among the plurality of battery cells (110, 120, 130, 140).
  • FIG. 4 is a flowchart showing a method for identifying a target battery cell of a controller according to one embodiment disclosed in this document.
  • the controller (220) can calculate the average voltage (V_avg) of each of the plurality of battery cells (110, 120, 130, 140) and the deviation (dV) between the voltages as the first voltage (dV1).
  • the controller (220) can calculate a moving average of the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140).
  • the moving average is an average of some data extracted while moving a window of a specific size (Window) among the entire data.
  • the window is a reference section from which some of the entire data can be extracted to determine data to be used.
  • the start point of the window is a point in time preceding the current point in time by a reference time, and the end point of the window is the current point in time. For example, if the window is one week, the controller (220) can extract data acquired for the past one week from the current point in time among the entire data.
  • step S102 the controller (220) can calculate a moving average value of the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140) by using the first voltage (dV1) extracted while moving the window among the time series data of the overall first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140).
  • step S102 the controller (220) can calculate a continuous moving average value of the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140) by using the first voltage (dV1) data continuously extracted while moving the window among the overall first voltage (dV1) data of each of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) can measure voltages in the charging, post-charge rest period, discharging, and post-discharging rest period of the plurality of battery cells (110, 120, 130, 140) to calculate time series data of a long-term moving average (dV1_LMA) and a short-term moving average (dV1_SMA) of the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140).
  • dV1_LMA long-term moving average
  • dV1_SMA short-term moving average of the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) may apply one of a simple moving average, a weighted moving average, or an exponential moving average (EMA) to the entire first voltage (dV1) data of each of the plurality of battery cells (110, 120, 130, 140) to calculate a voltage deviation (dV) or a moving average value of voltage relative to the average voltage (V_avg) of each of the plurality of battery cells (110, 120, 130, 140).
  • a simple moving average a weighted moving average
  • EMA exponential moving average
  • the controller (220) may apply an exponential moving average (EMA) to the entire first voltage (dV1) data of each of the plurality of battery cells (110, 120, 130, 140) to calculate an exponential moving average value of the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140).
  • EMA exponential moving average
  • the exponential moving average is a type of weighted moving average method that uses data of all past periods while giving a higher weight to recent data.
  • the controller (220) may calculate a plurality of moving averages having different window sizes using the first voltage (dV1) data of each of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) may calculate a long-term moving average having a relatively long window length (Long) and a short-term moving average having a relatively short window length (Short) using the entire first voltage (dV1) data of each of the plurality of battery cells (110, 120, 130, 140).
  • the window size of the long-term moving average may include 100 seconds
  • the window size of the short-term moving average may include 10 seconds.
  • FIG. 5 is a graph showing a long-term moving average and a short-term moving average of a first voltage of a battery cell according to one embodiment disclosed in the present document.
  • the controller (220) may calculate, for example, a long-term moving average value of each of the plurality of battery cells (110, 120, 130, 140) using the first voltage (dV1) data acquired for the last 100 seconds from the calculation time based on the first voltage (dV1) data of each of the plurality of battery cells (110, 120, 130, 140), and may calculate a short-term moving average value of each of the plurality of battery cells (110, 120, 130, 140) using the first voltage (dV1) data acquired for the last 10 seconds from the calculation time.
  • the controller (220) can analyze a long-term voltage change trend (Trend) and a short-term voltage change trend of the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140) by using the continuous long-term moving average value (dV1_LMA) and the short-term moving average value (dV1_SMA) of the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) can diagnose whether the voltage of each of the plurality of battery cells is abnormal by using the voltage deviation (dV1) compared to the average voltage (V_avg) of each of the plurality of battery cells (110, 120, 130, 140) or the long-term moving average value (dV1_LMA) and the short-term moving average value (dV1_SMA) of the voltage.
  • dV1 voltage deviation
  • V_avg average voltage
  • dV1_LMA long-term moving average value
  • dV1_SMA short-term moving average value
  • the controller (220) can calculate ripple noise based on the short-term moving average value (dV1_SMA) of each of the plurality of battery cells (110, 120, 130, 140).
  • the ripple noise is the AC component remaining in the DC output when the AC is rectified in the rectifier circuit, i.e., voltage noise.
  • the controller (220) can calculate the average, median, or minimum value of the short-term moving averages (dV1_SMA) of each of the plurality of battery cells (110, 120, 130, 140) as the average short-term moving average (dV1_SMA_avg) of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) may calculate a deviation between the average short-term moving average (dV1_SMA_avg) and the short-term moving average (dV1_SMA) of each of the plurality of battery cells (110, 120, 130, 140). According to one embodiment, the controller (220) may calculate a deviation between the average short-term moving average (dV1_SMA_avg) and the short-term moving average (dV1_SMA) of each of the plurality of battery cells (110, 120, 130, 140) as a second voltage (dV2).
  • dV2 second voltage
  • the controller (220) may measure the second voltage (dV2) in the charging, post-charging rest period, discharging, and post-discharging rest period of the plurality of battery cells (110, 120, 130, 140) to calculate time series data of a long-term moving average (dV2_LMA) of the second voltage (dV2) of each of the plurality of battery cells (110, 120, 130, 140).
  • dV2_LMA long-term moving average
  • the controller (220) may apply any one of a simple moving average, a weighted moving average, or an exponential moving average to the entire second voltage (dV2) data of each of the plurality of battery cells (110, 120, 130, 140) to calculate the long-term moving average (dV2_LMA) of the second voltage (dV2) of each of the plurality of battery cells (110, 120, 130, 140).
  • a simple moving average a weighted moving average
  • dV2_LMA long-term moving average
  • the controller (220) may apply an exponential moving average (EMA) to the entire second voltage (dV2) data of each of the plurality of battery cells (110, 120, 130, 140) to calculate an exponential moving average of the second voltage (dV2) of each of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) may calculate a long-term moving average (Long Moving Average) having a relatively long window length by using the entire second voltage (dV2) data of each of the plurality of battery cells (110, 120, 130, 140).
  • the size of the window of the Long Moving Average may include 100 seconds.
  • the controller (220) can calculate the long-term moving average (dV2_LMA) of the second voltage (dV2) of each of the plurality of battery cells (110, 120, 130, 140) as the ripple noise of each of the plurality of battery cells (110, 120, 130, 140).
  • FIG. 6 is a graph showing ripple noise of a battery cell according to one embodiment disclosed in this document.
  • the controller (220) may use the second voltage (dV2) data of each of the plurality of battery cells (110, 120, 130, 140) to calculate a long-term moving average (dV2_LMA) of the second voltage (dV2) having a relatively long window length (Long) as ripple noise of each of the plurality of battery cells (110, 120, 130, 140).
  • a long-term moving average dV2_LMA
  • the size of the window of the long-term moving average may include 100 seconds.
  • the controller (220) can set a first threshold value by multiplying the average value (dV2_LMA_avg) of the ripple noise (dV2_LMA) of each of the plurality of battery cells (110, 120, 130, 140) by a first threshold constant (C1).
  • the first threshold constant (C1) can include '1.5'.
  • the controller (220) can set a value obtained by multiplying the average value (dV2_LMA_avg) of the ripple noise (dV2_LMA) of each of the plurality of battery cells (110, 120, 130, 140) by the first threshold constant (C1) '1.5' as the first threshold value.
  • the threshold value can be defined as a reference value that can be determined as 'abnormal' when an extreme result occurs. That is, the threshold value can be defined as a criterion indicating how much the data contradicts a specific statistical model.
  • the controller (220) can determine whether the ripple noise (dV2_LMA) of each of the plurality of battery cells (110, 120, 130, 140) exceeds the first threshold value.
  • the controller (220) can identify a battery cell among a plurality of battery cells (110, 120, 130, 140) whose ripple noise (dV2_LMA) is lower than or equal to a first threshold value as a target battery cell.
  • the controller (220) can determine a battery cell among a plurality of battery cells (110, 120, 130, 140) whose ripple noise (dV2_LMA) exceeds the first threshold value as a noisy battery cell.
  • the controller (220) can remove data of noise battery cells among a plurality of battery cells (110, 120, 130, 140) and identify battery cells from which noise battery cells have been removed as target battery cells.
  • the controller (220) can diagnose the target battery cell based on the deviation between the long-term moving average (dV1_LMA) and the short-term moving average (dV1_SMA) of the first voltage of each of the plurality of target battery cells.
  • FIG. 7 is a flowchart showing a method for diagnosing a target battery cell of a controller according to one embodiment disclosed in this document.
  • step S201 the controller (220) can calculate the deviation of the long-term moving average (dV1_LMA) and the short-term moving average (dV1_SMA) of the first voltage (dV1) of each of the plurality of target battery cells as the first deviation (dV1_LMA - dV1_SMA) of each of the plurality of target battery cells.
  • step S201 that is, the controller (220) can continuously calculate the voltage deviation (dV1) with respect to the average voltage (V_avg) of each of the plurality of target battery cells or the deviation of the long-term behavior and the short-term behavior of the voltage.
  • step S201 the controller (220) can measure voltages in the charge, post-charge rest, discharge, and post-discharge rest sections of a plurality of target battery cells to produce time series data of a first deviation (dV1_LMA - dV1_SMA), which is a deviation of a long-term moving average (dV1_LMA) and a short-term moving average (dV1_SMA) of the first voltage (dV1) of each of the plurality of target battery cells.
  • dV1_LMA - dV1_SMA a first deviation of a long-term moving average
  • dV1_SMA short-term moving average
  • the controller (220) can continuously calculate the first deviation (dV1_LMA - dV1_SMA) of each of the plurality of target battery cells calculated during a unit time.
  • step S202 the controller (220) can calculate a second deviation ((dV1_LMA- dV1_SMA )_AVG), which is an average of the first deviations (dV1_LMA - dV1_SMA) of the plurality of target battery cells.
  • the controller (220) can calculate an average, a median, or a minimum value of the first deviations (dV1_LMA - dV1_SMA) of the plurality of target battery cells as the second deviation ((dV1_LMA- dV1_SMA )_AVG).
  • step S202 the controller (220) continuously calculates the first deviation (dV1_LMA - dV1_SMA) of each of the plurality of target battery cells per unit time, and calculates the second deviation ((dV1_LMA - dV1_SMA)_AVG), which is an average, median, or minimum value of the first deviations (dV1_LMA - dV1_SMA) of the plurality of target battery cells, using the first deviations (dV1_LMA - dV1_SMA) of the plurality of target battery cells.
  • the controller (220) continuously calculates the first deviation (dV1_LMA - dV1_SMA) of each of the plurality of target battery cells per unit time, and calculates the second deviation ((dV1_LMA - dV1_SMA)_AVG), which is an average, median, or minimum value of the first deviations (dV1_LMA - dV1_SMA) of the plurality of
  • step S202 the controller (220) can continuously calculate the second deviation ((dV1_LMA - dV1_SMA )_AVG) of the plurality of target battery cells per unit time. That is, the controller (220) can calculate the average value of the long-term behavior and the short-term behavior of the voltage deviation of the plurality of target battery cells.
  • the controller (220) can calculate a first diagnostic deviation (D1) of each of the plurality of target battery cells, which is the difference between the first deviation (dV1_LMA - dV1_SMA) and the second deviation ((dV1_LMA - dV1_SMA )_AVG) of each of the plurality of target battery cells.
  • the controller (220) can calculate a first diagnostic deviation (D1) of each of the plurality of target battery cells based on [Mathematical Formula 1].
  • the controller (220) can calculate the difference between the plurality of first deviations (dV1_LMA - dV1_SMA) and the second deviation ((dV1_LMA - dV1_SMA)_AVG) as the first diagnostic deviation (D1) of each of the plurality of target battery cells.
  • the controller (220) can measure voltages in the charge, post-charge rest, discharge, and post-discharge rest sections of a plurality of target battery cells to produce time series data of a first diagnostic deviation (D1) of each of the plurality of target battery cells, which is the difference between a first deviation (dV1_LMA - dV1_SMA) and a second deviation ((dV1_LMA - dV1_SMA)_AVG) of each of the plurality of target battery cells.
  • D1 first diagnostic deviation
  • the controller (220) can continuously calculate the first diagnostic deviation (D1) of each of the plurality of target battery cells per unit time, and generate a graph showing the change in the first diagnostic deviation (D1) of each of the plurality of target battery cells.
  • the controller (220) calculates a first diagnostic deviation (D1) of each of the plurality of target battery cells and can compare the deviation of the long-term behavior and short-term behavior of the first voltage (dV1) of each of the plurality of target battery cells with the deviation of the average long-term behavior and short-term behavior of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) can normalize the first diagnostic deviation (D1) of each of the plurality of target battery cells to produce a second diagnostic deviation (D2).
  • the controller (220) can normalize the first diagnostic deviation (D1) of each of the plurality of target battery cells based on [Mathematical Formula 2] below to calculate the second diagnostic deviation (D2) of each of the plurality of target battery cells.
  • 2nd diagnostic deviation 1st diagnostic deviation / Max[
  • step S204 the controller (220) can calculate a maximum value (Max) among a value (
  • Max a maximum value among a value (
  • the controller (220) can normalize the first diagnostic deviation (D1) of each of the plurality of target battery cells by using a value obtained by multiplying the absolute value of the second deviation by the third threshold constant and a maximum value (Max[
  • the second critical constant (C2) may include '0.1'
  • the third critical constant (C3) may include '0.1'
  • the second critical constant (C2) and the third critical constant (C3) may be changed according to the size and characteristics of the first voltage (dV1) data of each of the plurality of target battery cells.
  • the controller (220) may normalize the first diagnostic deviation (D1) of each of the plurality of target battery cells by using the second deviation ((dV1_LMA - dV1_SMA )_AVG) representing the behavior of the average voltage (V_avg) of the plurality of battery cells (110, 120, 130, 140) to calculate the second diagnostic deviation (D2).
  • the controller (220) may normalize the first diagnostic deviation (D1) of each of the plurality of target battery cells through a logarithmic operation. That is, the controller (220) may calculate the value obtained by normalizing the first diagnostic deviation (D1) of each of the plurality of target battery cells through a logarithmic operation as the second diagnostic deviation (D2) of each of the plurality of target battery cells.
  • the controller (220) may set the average value (D2_avg) of the first diagnostic deviations (D1) of each of the plurality of target battery cells as a normalization reference value.
  • the controller (220) may normalize the first diagnostic deviation (D1) of each of the plurality of target battery cells by dividing the average value (D2_avg) of the first diagnostic deviations (D1) by using the average value (D2_avg) of the second diagnostic deviations as a normalization reference value.
  • the controller (220) may calculate a normalized value by dividing the first diagnostic deviation (D1) of each of the plurality of target battery cells by the average value (D2_avg) of the second diagnostic deviations as the second diagnostic deviation (D2) of each of the plurality of target battery cells.
  • the controller (220) may normalize the first diagnostic deviation (D1) of each of the plurality of target battery cells according to various embodiments to calculate the second diagnostic deviation (D2) of each of the plurality of target battery cells.
  • step S204 the controller (220) can continuously calculate the second diagnostic deviation (D2) of each of the plurality of target battery cells per unit time, and generate a graph representing the change in the second diagnostic deviation (D2) of each of the plurality of target battery cells.
  • step S205 the controller (220) can determine whether the second diagnostic deviation (D2) of each of the plurality of target battery cells exceeds the second threshold value.
  • the second threshold value is a criterion for determining the target battery cell as a normal battery cell or an abnormal battery cell in which an abnormal voltage behavior has occurred.
  • the controller (220) can diagnose at least one target battery cell among the plurality of target battery cells based on whether the second diagnostic deviation (D2) of each of the plurality of target battery cells exceeds the threshold value.
  • the controller (220) can diagnose a target battery cell among a plurality of target battery cells in which a second diagnostic deviation (D2) exceeds a second threshold value as an abnormal battery cell.
  • the controller (220) may increase a diagnostic count value of at least one target battery cell if a second diagnostic deviation (D2) of at least one target battery cell among the plurality of target battery cells exceeds a second threshold value.
  • the controller (220) may diagnose at least one target battery cell if a diagnostic count value of at least one target battery cell among the plurality of target battery cells is equal to or greater than a threshold count value.
  • the controller (220) can diagnose at least one battery cell among the plurality of battery cells (110, 120, 130, 140), and then track and monitor whether there is a defect, such as whether an internal short circuit has occurred, whether an external short circuit has occurred, or whether lithium has been precipitated, inside the battery cell. If the controller (220) determines that an internal defect has occurred in the battery cell as a result of the diagnosis, the controller can provide information about the battery cell to the user. For example, the controller (220) can provide information about a battery cell in which an internal short circuit has occurred to a user terminal through a communication unit (not shown), and can also provide information about the battery cell through a display equipped in a vehicle or a charger.
  • a communication unit not shown
  • noise of the long-term moving average and short-term moving average of the voltage deviation which is the difference between the voltage and the average voltage of the battery cell, can be removed to accurately diagnose an abnormal battery cell.
  • the battery management device (200) minimizes distortion of the voltage of a battery cell, removes noise data, and reflects the bias of the voltage of the battery cell to amplify the voltage behavior of an abnormal battery cell, thereby improving the accuracy of diagnosis.
  • the battery management device (200) can diagnose battery cells in which abnormal voltage behavior has occurred early by using the deviation of the long-term moving average value and the short-term moving average value of the voltage deviation of the battery cell, thereby ensuring the safety and reliability of battery energy.
  • the battery management device (200) can diagnose battery cells in which abnormal voltage behavior has occurred while the battery is installed in the vehicle, so that separate separation of the battery is not necessary, and thus the battery cell can be diagnosed quickly and easily.
  • FIG. 9 is a flowchart showing an operation method of a battery management device according to one embodiment disclosed in this document.
  • the battery management device (200) may be substantially the same as the battery management device (200) described with reference to FIGS. 1 to 8, and therefore, it is briefly described below to avoid duplication of explanation.
  • the operating method of the battery management device may include a step of measuring the voltage of each of the plurality of batteries (S301), a step of calculating a deviation between the average voltage of the plurality of batteries and the voltages of each of the plurality of batteries as a first voltage of each of the plurality of batteries (S302), a step of calculating a long-term moving average value and a short-term moving average value of the first voltage for each of the plurality of batteries (S303), a step of determining at least one noise battery based on the short-term moving average value of each of the plurality of batteries (S304), a step of calculating a first deviation which is a deviation between the long-term moving average value and the short-term moving average value for each of the plurality of target batteries excluding at least one noise battery among the plurality of batteries (S305), a step of calculating a second deviation which is an average of the first deviations of the plurality of target batteries (S306), and a step of diagnosing at least one target
  • the voltage measuring unit (210) can calculate the voltage of each of the plurality of battery cells (110, 120, 130, 140).
  • the voltage measuring unit (210) can calculate the voltage of each of the plurality of battery cells (110, 120, 130, 140) per unit time to calculate time-series data of the voltage of each of the plurality of battery cells (110, 120, 130, 140).
  • the voltage measuring unit (210) can continuously calculate data of voltage rise and fall during charging, a rest period after charging, a rest period after discharging, and a rest period after discharging, and long-term stabilization (Relaxation) of the plurality of battery cells (110, 120, 130, 140).
  • the voltage measuring unit (210) can measure the voltages of the plurality of battery cells (110, 120, 130, 140) during charging, a rest period after charging, a discharge period, and a rest period after discharging, and can produce time series data of the voltages of each of the plurality of battery cells (110, 120, 130, 140).
  • the voltage measuring unit (210) can measure the voltages of each of the plurality of battery cells (110, 120, 130, 140) per unit time and generate a graph representing the voltage change of each of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) can calculate an average voltage (V_avg) of the plurality of battery cells (110, 120, 130, 140). According to one embodiment, the controller (220) can calculate an average value (Mean), a median value (Median), or a minimum value (Min) of the voltages of the plurality of battery cells (110, 120, 130, 140) as the average voltage (V_avg) of the plurality of battery cells (110, 120, 130, 140). In step S302, the controller (220) can calculate a deviation (dV) between the average voltage (V_avg) and the voltages for each of the plurality of battery cells (110, 120, 130, 140).
  • dV deviation
  • the controller (220) may calculate the average voltage (V_avg) of each of the plurality of battery cells (110, 120, 130, 140) and the deviation (dV) between the voltages as the first voltage (dV1). In addition, according to one embodiment, the controller (220) may calculate the voltage of each of the plurality of battery cells (110, 120, 130, 140) as the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140).
  • the first voltage of each of the plurality of battery cells (110, 120, 130, 140) will be described as an example of the deviation (dV) between the voltage of each of the plurality of battery cells (110, 120, 130, 140) and the average voltage (V_avg), but is not limited thereto.
  • the controller (220) can calculate a moving average of the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140).
  • the moving average is an average of some data extracted while moving a window of a specific size (Size) among the entire data.
  • the window is a reference section from which some of the entire data can be extracted to determine data to be used.
  • the start point of the window is a point in time before the reference time from the present point in time, and the end point of the window is the present point in time. For example, if the window is one week, the controller (220) can extract data acquired for the past one week from the present point in time among the entire data.
  • step S303 the controller (220) can calculate a moving average value of the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140) by using the first voltage (dV1) extracted while moving the window among the time series data of the overall first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140).
  • step S303 the controller (220) can calculate a continuous moving average value of the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140) by using the first voltage (dV1) data continuously extracted while moving the window among the overall first voltage (dV1) data of each of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) can measure voltages in the charging, post-charge rest period, discharging, and post-discharging rest period of the plurality of battery cells (110, 120, 130, 140) to calculate time series data of a long-term moving average (dV1_LMA) and a short-term moving average (dV1_SMA) of the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140).
  • dV1_LMA long-term moving average
  • dV1_SMA short-term moving average of the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) may apply one of a simple moving average, a weighted moving average, or an exponential moving average (EMA) to the entire first voltage (dV1) data of each of the plurality of battery cells (110, 120, 130, 140) to calculate a voltage deviation (dV) or a moving average value of voltage relative to the average voltage (V_avg) of each of the plurality of battery cells (110, 120, 130, 140).
  • a simple moving average a weighted moving average
  • EMA exponential moving average
  • the controller (220) may apply an exponential moving average (EMA) to the entire first voltage (dV1) data of each of the plurality of battery cells (110, 120, 130, 140) to calculate an exponential moving average value of the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140).
  • EMA exponential moving average
  • the exponential moving average is a type of weighted moving average method that uses data of all past periods while giving a higher weight to recent data.
  • the controller (220) may calculate a plurality of moving averages having different window sizes using the first voltage (dV1) data of each of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) may calculate a long-term moving average having a relatively long window length (Long) and a short-term moving average having a relatively short window length (Short) using the entire first voltage (dV1) data of each of the plurality of battery cells (110, 120, 130, 140).
  • the window size of the long-term moving average may include 100 seconds
  • the window size of the short-term moving average may include 10 seconds.
  • the controller (220) can determine at least one noisy battery cell among the plurality of battery cells (110, 120, 130, 140) based on the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) can determine at least one noisy battery cell among the plurality of battery cells (110, 120, 130, 140) based on the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140), and then identify a plurality of target battery cells excluding at least one noisy battery cell among the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) may calculate a long-term moving average value of each of the plurality of battery cells (110, 120, 130, 140) by using the first voltage (dV1) data acquired for the last 100 seconds from the calculation time point using the first voltage (dV1) data of each of the plurality of battery cells (110, 120, 130, 140), for example, and may calculate a short-term moving average value of each of the plurality of battery cells (110, 120, 130, 140) by using the first voltage (dV1) data acquired for the last 10 seconds from the calculation time point.
  • step S303 the controller (220) can analyze a long-term voltage change trend (Trend) and a short-term voltage change trend of the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140) by using the continuous long-term moving average value (dV1_LMA) and the short-term moving average value (dV1_SMA) of the first voltage (dV1) of each of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) can diagnose whether the voltage of each of the plurality of battery cells is abnormal by using the voltage deviation (dV1) compared to the average voltage (V_avg) of each of the plurality of battery cells (110, 120, 130, 140) or the long-term moving average value (dV1_LMA) and the short-term moving average value (dV1_SMA) of the voltage.
  • dV1 voltage deviation
  • V_avg average voltage
  • dV1_LMA long-term moving average value
  • dV1_SMA short-term moving average value
  • the controller (220) can calculate ripple noise based on the short-term moving average (dV1_SMA) of each of the plurality of battery cells (110, 120, 130, 140).
  • step S304 the controller (220) can calculate the average, median, or minimum value of the short-term moving averages (dV1_SMA) of each of the plurality of battery cells (110, 120, 130, 140) as the average short-term moving average (dV1_SMA_avg) of the plurality of battery cells (110, 120, 130, 140).
  • step S304 the controller (220) may calculate a deviation between the average short-term moving average (dV1_SMA_avg) and the short-term moving average (dV1_SMA) of each of the plurality of battery cells (110, 120, 130, 140). According to one embodiment, the controller (220) may calculate a deviation between the average short-term moving average (dV1_SMA_avg) and the short-term moving average (dV1_SMA) of each of the plurality of battery cells (110, 120, 130, 140) as a second voltage (dV2).
  • dV2 second voltage
  • the controller (220) may use the second voltage (dV2) data of each of the plurality of battery cells (110, 120, 130, 140) to calculate a long-term moving average (dV2_LMA) of the second voltage (dV2) having a relatively long window length (Long) as ripple noise of each of the plurality of battery cells (110, 120, 130, 140).
  • a long-term moving average dV2_LMA
  • the size of the window of the long-term moving average may include 100 seconds.
  • the controller (220) may measure the second voltage (dV2) in the charging, post-charging rest period, discharging, and post-discharging rest period of the plurality of battery cells (110, 120, 130, 140) to calculate time series data of a long-term moving average (dV2_LMA) of the second voltage (dV2) of each of the plurality of battery cells (110, 120, 130, 140).
  • dV2_LMA long-term moving average
  • the controller (220) may apply any one of a simple moving average, a weighted moving average, or an exponential moving average to the entire second voltage (dV2) data of each of the plurality of battery cells (110, 120, 130, 140) to calculate the long-term moving average (dV2_LMA) of the second voltage (dV2) of each of the plurality of battery cells (110, 120, 130, 140).
  • a simple moving average a weighted moving average
  • dV2_LMA long-term moving average
  • the controller (220) may apply an exponential moving average (EMA) to the entire second voltage (dV2) data of each of the plurality of battery cells (110, 120, 130, 140) to calculate an exponential moving average of the second voltage (dV2) of each of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) may calculate a long-term moving average (Long Moving Average) having a relatively long window length by using the entire second voltage (dV2) data of each of the plurality of battery cells (110, 120, 130, 140).
  • the size of the window of the Long Moving Average may include 100 seconds.
  • the controller (220) can calculate the long-term moving average value (dV2_LMA) of the second voltage (dV2) of each of the plurality of battery cells (110, 120, 130, 140) as the ripple noise of each of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) may set a first threshold value by multiplying the average value (dV2_LMA_avg) of the ripple noise (dV2_LMA) of each of the plurality of battery cells (110, 120, 130, 140) by a first threshold constant (C1).
  • the first threshold constant (C1) may include '1.5'.
  • the controller (220) may set a value obtained by multiplying the average value (dV2_LMA_avg) of the ripple noise (dV2_LMA) of each of the plurality of battery cells (110, 120, 130, 140) by the first threshold constant (C1) '1.5' as the first threshold value.
  • the threshold value may be defined as a reference value that can be determined as 'abnormal' when an extreme result occurs. That is, the threshold value may be defined as a criterion indicating how much the data contradicts a specific statistical model.
  • the controller (220) can determine whether the ripple noise (dV2_LMA) of each of the plurality of battery cells (110, 120, 130, 140) exceeds the first threshold value.
  • the controller (220) can identify a battery cell among the plurality of battery cells (110, 120, 130, 140) whose ripple noise (dV2_LMA) is lower than or equal to a first threshold value as a target battery cell.
  • the controller (220) can determine a battery cell among the plurality of battery cells (110, 120, 130, 140) whose ripple noise (dV2_LMA) is higher than the first threshold value as a noisy battery cell.
  • step S304 the controller (220) can remove data of noise battery cells among the plurality of battery cells (110, 120, 130, 140) and identify the battery cells from which the noise battery cells have been removed as target battery cells.
  • the controller (220) can diagnose the target battery cells based on a deviation between a long-term moving average value (dV1_LMA) and a short-term moving average value (dV1_SMA) of the first voltage of each of the plurality of target battery cells.
  • dV1_LMA long-term moving average value
  • dV1_SMA short-term moving average value
  • step S305 the controller (220) can calculate the deviation of the long-term moving average (dV1_LMA) and the short-term moving average (dV1_SMA) of the first voltage (dV1) of each of the plurality of target battery cells as the first deviation (dV1_LMA - dV1_SMA) of each of the plurality of target battery cells.
  • step S201 that is, the controller (220) can continuously calculate the voltage deviation (dV1) with respect to the average voltage (V_avg) of each of the plurality of target battery cells or the deviation of the long-term behavior and the short-term behavior of the voltage.
  • step S305 the controller (220) can measure voltages in the charge, post-charge rest, discharge, and post-discharge rest sections of the plurality of target battery cells to calculate time series data of a first deviation (dV1_LMA - dV1_SMA), which is a deviation of a long-term moving average (dV1_LMA) and a short-term moving average (dV1_SMA) of the first voltage (dV1) of each of the plurality of target battery cells.
  • the controller (220) can continuously calculate the first deviation (dV1_LMA - dV1_SMA) of each of the plurality of target battery cells calculated for a unit time.
  • the controller (220) can calculate a second deviation ((dV_LMA- dV_SMA)_AVG), which is an average of the first deviations (dV1_LMA - dV1_SMA) of the plurality of target battery cells.
  • the controller (220) can calculate an average, a median, or a minimum value of the first deviations (dV1_LMA - dV1_SMA) of the plurality of target battery cells as the second deviation ((dV1_LMA- dV1_SMA)_AVG).
  • step S306 the controller (220) can continuously calculate the first deviation (dV1_LMA - dV1_SMA) of each of the plurality of target battery cells per unit time, and can calculate the second deviation ((dV1_LMA - dV1_SMA )_AVG), which is an average, a median, or a minimum value of the first deviations (dV1_LMA - dV1_SMA) of the plurality of target battery cells, using the first deviations (dV1_LMA - dV1_SMA) of the plurality of target battery cells.
  • the controller (220) can continuously calculate the first deviation (dV1_LMA - dV1_SMA) of each of the plurality of target battery cells per unit time, and can calculate the second deviation ((dV1_LMA - dV1_SMA )_AVG), which is an average, a median, or a minimum value of the first deviations (dV1_LMA - d
  • step S306 the controller (220) can continuously calculate the second deviations ((dV1_LMA - dV1_SMA )_AVG) of the plurality of target battery cells per unit time. That is, the controller (220) can calculate the average value of the deviations of the long-term behavior and the short-term behavior of the voltage deviations of the plurality of target battery cells.
  • FIG. 11 is a flowchart showing an operation method for diagnosing a target battery cell of a battery management device according to one embodiment disclosed in this document.
  • the controller (220) can calculate a first diagnostic deviation (D1) of each of the plurality of target battery cells, which is the difference between the first deviation (dV1_LMA - dV1_SMA) and the second deviation ((dV1_LMA - dV1_SMA )_AVG) of each of the plurality of target battery cells.
  • the controller (220) can calculate a first diagnostic deviation (D1) of each of the plurality of target battery cells based on [Mathematical Formula 3].
  • the controller (220) can calculate the difference between the plurality of first deviations (dV1_LMA - dV1_SMA) and the second deviation ((dV1_LMA - dV1_SMA)_AVG) as the first diagnostic deviation (D1) of each of the plurality of target battery cells.
  • step S401 the controller (220) can measure voltages in the charge, post-charge rest, discharge, and post-discharge rest sections of the plurality of target battery cells to calculate time series data of a first diagnostic deviation (D1) of each of the plurality of target battery cells, which is a difference between a first deviation (dV1_LMA - dV1_SMA) and a second deviation ((dV1_LMA - dV1_SMA )_AVG) of each of the plurality of target battery cells.
  • the controller (220) can continuously calculate the first diagnostic deviation (D1) of each of the plurality of target battery cells per unit time to generate a graph representing a change in the first diagnostic deviation (D1) of each of the plurality of target battery cells.
  • the controller (220) calculates a first diagnostic deviation (D1) of each of the plurality of target battery cells and compares the deviation of the long-term behavior and short-term behavior of the first voltage (dV1) of each of the plurality of target battery cells to the deviation of the average long-term behavior and short-term behavior of the plurality of battery cells (110, 120, 130, 140).
  • the controller (220) can normalize the first diagnostic deviation (D1) of each of the plurality of target battery cells to produce a second diagnostic deviation (D2).
  • the controller (220) can normalize the first diagnostic deviation (D1) of each of the plurality of target battery cells based on [Mathematical Formula 2] below to calculate the second diagnostic deviation (D2) of each of the plurality of target battery cells.
  • 2nd diagnostic deviation 1st diagnostic deviation / Max[
  • step S402 the controller (220) can calculate a maximum value (Max) among a value (
  • Max a maximum value among a value (
  • the controller (220) can normalize the first diagnostic deviation (D1) of each of the plurality of target battery cells by using a value obtained by multiplying the absolute value of the second deviation by the third threshold constant and a maximum value (Max[
  • the second critical constant (C2) may include '0.1'
  • the third critical constant (C3) may include '0.1'
  • the second critical constant (C2) and the third critical constant (C3) may be changed according to the size and characteristics of the first voltage (dV1) data of each of the plurality of target battery cells.
  • the controller (220) may normalize the first diagnostic deviation (D1) of each of the plurality of target battery cells by using the second deviation ((dV1_LMA - dV1_SMA )_AVG) representing the behavior of the average voltage (V_avg) of the plurality of battery cells (110, 120, 130, 140) to calculate the second diagnostic deviation (D2).
  • the controller (220) may normalize the first diagnostic deviation (D1) of each of the plurality of target battery cells through a logarithmic operation. That is, the controller (220) may calculate the value obtained by normalizing the first diagnostic deviation (D1) of each of the plurality of target battery cells through a logarithmic operation as the second diagnostic deviation (D2) of each of the plurality of target battery cells.
  • the controller (220) may set the average value (D2_avg) of the first diagnostic deviations (D1) of each of the plurality of target battery cells as a normalization reference value.
  • the controller (220) may normalize the first diagnostic deviation (D1) of each of the plurality of target battery cells by dividing the average value (D2_avg) of the first diagnostic deviations (D1) by using the average value (D2_avg) of the second diagnostic deviations as a normalization reference value.
  • the controller (220) may calculate a normalized value by dividing the first diagnostic deviation (D1) of each of the plurality of target battery cells by the average value (D2_avg) of the second diagnostic deviations as the second diagnostic deviation (D2) of each of the plurality of target battery cells.
  • the controller (220) may normalize the first diagnostic deviation (D1) of each of the plurality of target battery cells according to various embodiments to calculate the second diagnostic deviation (D2) of each of the plurality of target battery cells.
  • step S402 the controller (220) can continuously calculate the second diagnostic deviation (D2) of each of the plurality of target battery cells per unit time, and generate a graph representing the change in the second diagnostic deviation (D2) of each of the plurality of target battery cells.
  • the controller (220) can determine whether the second diagnostic deviation (D2) of each of the plurality of target battery cells exceeds the second threshold value.
  • the second threshold value is a criterion for determining the target battery cell as a normal battery cell or an abnormal battery cell in which an abnormal voltage behavior has occurred.
  • the controller (220) can diagnose at least one target battery cell among the plurality of target battery cells based on whether the second diagnostic deviation (D2) of each of the plurality of target battery cells exceeds the threshold value.
  • the controller (220) can diagnose a target battery cell among a plurality of target battery cells in which a second diagnostic deviation (D2) exceeds a second threshold value as an abnormal battery cell.
  • the controller (220) may increase a diagnostic count value of at least one target battery cell if a second diagnostic deviation (D2) of at least one target battery cell among the plurality of target battery cells exceeds a second threshold value.
  • the controller (220) may diagnose at least one target battery cell if a diagnostic count value of at least one target battery cell among the plurality of target battery cells is equal to or greater than a threshold count value.
  • the controller (220) can diagnose at least one battery cell among the plurality of battery cells (110, 120, 130, 140), and then track and monitor whether there is a defect, such as whether an internal short circuit has occurred, whether an external short circuit has occurred, or whether lithium has been precipitated, inside the battery cell. If the controller (220) determines that an internal defect has occurred in the battery cell as a result of the diagnosis, the controller can provide information about the battery cell to the user. For example, the controller (220) can provide information about a battery cell in which an internal short circuit has occurred to a user terminal through a communication unit (not shown), and can also provide information about the battery cell through a display equipped in a vehicle or a charger.
  • a communication unit not shown
  • FIG. 11 is a block diagram showing the hardware configuration of a computing system that implements an operating method of a battery management device according to one embodiment disclosed in this document.
  • a computing system (2000) may include an MCU (2100), a memory (2200), an input/output I/F (2300), and a communication I/F (2400).
  • the MCU (2100) may be a processor that executes various programs (e.g., a battery voltage deviation analysis program) stored in the memory (2200), processes various data from these programs, and performs the functions of the battery management device (200) shown in FIG. 1 described above.
  • programs e.g., a battery voltage deviation analysis program
  • the MCU (2100) may be a processor that executes various programs (e.g., a battery voltage deviation analysis program) stored in the memory (2200), processes various data from these programs, and performs the functions of the battery management device (200) shown in FIG. 1 described above.
  • the memory (2200) can store various programs related to the operation of the battery management device (200). In addition, the memory (2200) can store operation data of the battery management device (200).
  • the memories (2200) may be provided in multiple numbers as needed.
  • the memories (2200) may be volatile memories or nonvolatile memories.
  • volatile memories (2200) RAM, DRAM, SRAM, etc. may be used.
  • nonvolatile memories (2200) ROM, PROM, EAROM, EPROM, EEPROM, flash memories, etc. may be used.
  • the examples of the memories (2200) listed above are only examples and are not limited to these examples.
  • the input/output I/F (2300) can provide an interface that enables data to be transmitted and received between an input device (not shown) such as a keyboard, mouse, or touch panel, and an output device (not shown) such as a display and the MCU (2100).
  • an input device such as a keyboard, mouse, or touch panel
  • an output device such as a display and the MCU (2100).
  • the communication I/F (2400) is a configuration that can transmit and receive various data with the server, and may be various devices that can support wired or wireless communication. For example, programs for resistance measurement and abnormality diagnosis or various data can be transmitted and received from a separately provided external server through the communication I/F (2400).

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

본 문서에 개시된 일 실시예에 따른 배터리 관리 장치는 복수의 배터리 각각의 전압을 측정하는 전압 측정부 및 상기 복수의 배터리의 평균 전압 및 상기 복수의 배터리 각각의 전압 간의 편차를 상기 복수의 배터리 각각의 제1 전압으로 산출하고, 상기 복수의 배터리 각각에 대해 제1 전압의 장기 이동 평균값 및 단기 이동 평균값을 산출하고, 상기 복수의 배터리 각각의 단기 이동 평균값을 기초로 적어도 하나의 노이즈 배터리를 판단하고, 상기 복수의 배터리 중 상기 적어도 하나의 노이즈 배터리를 제외한 복수의 타겟 배터리 각각에 대해 상기 장기 이동 평균값 및 단기 이동 평균값 간의 편차인 제1 편차를 산출하고, 상기 복수의 타겟 배터리의 제1 편차의 평균인 제2 편차를 산출하고, 상기 복수의 타겟 배터리 각각에 대해 상기 제1 편차와 상기 제2 편차 간의 차이인 제1 진단 편차에 기초하여 상기 복수의 타겟 배터리 중 적어도 하나의 타겟 배터리를 진단하는 컨트롤러를 포함할 수 있다.

Description

배터리 관리 장치 및 그것의 동작 방법
관련출원과의 상호인용
본 출원은 2023년 7월 12일자로 출원된 대한민국 특허출원 제 10-2023-0090673호에 기초한 우선권의 이익을 주장하며, 해당 특허출원의 문헌에 개시된 모든 내용을 본 명세서의 일부로서 포함한다.
기술분야
본 문서에 개시된 실시예들은 배터리 관리 장치 및 그것의 동작 방법에 관한 것이다.
전기차는 외부로부터 전기를 공급받아 배터리 셀을 충전한 후, 배터리 셀에 충전된 전압으로 모터를 구동시켜 동력을 얻는다. 배터리 셀은 생산 및 사용 단계에서 다양한 충방전을 통해 내부 변형 및 변성을 겪으며 물리 화학적 특성이 변경되어 내부 단락, 외부 단락, 리튬 석출로 인한 벤팅(Venting) 또는 배터리 셀의 전압이 일정 수준 이하로 감소하는 저전압 (Under Voltage) 불량이 발생할 수 있다.
배터리 셀 내부에 불량이 발생하는 경우 배터리 셀의 성능이 저하되고, 전해액이 누액됨으로 인하여 발화 가능성이 증가하는 등 배터리 셀에 직접적인 문제가 발생할 수 있다. 따라서, 배터리 셀의 이상 여부를 판단하는 기술이 필요하다.
종래의 배터리 관리 장치는 배터리 셀들의 평균 전압 대비 개별 배터리 셀의 전압 편차를 이용하여 배터리 셀의 전압 이상을 진단하였으나, 이러한 방법은 노이즈에 취약하여 이상 배터리 셀 진단의 기준이 되는 임계값(Threshold)을 일정 수준 이하로 조정할 수 없고, 전기차에서 발생하는 미세 단선으로 인한 배터리 셀의 이상 전압을 검출할 수 없는 한계점이 있다.
본 문서에 개시되는 실시예들의 일 목적은 배터리의 전압의 장기 이동 평균값 및 단기 이동 평균값의 편차의 노이즈를 제거하여 이상 배터리 셀을 정확하게 진단할 수 있는 배터리 관리 장치 및 그것의 동작 방법을 제공하는 데 있다.
본 문서에 개시된 실시예들의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 문서에 개시된 일 실시예에 따른 배터리 관리 장치는 복수의 배터리 각각의 전압을 측정하는 전압 측정부 및 상기 복수의 배터리의 평균 전압 및 상기 복수의 배터리 각각의 전압 간의 편차를 상기 복수의 배터리 각각의 제1 전압으로 산출하고, 상기 복수의 배터리 각각에 대해 제1 전압의 장기 이동 평균값 및 단기 이동 평균값을 산출하고, 상기 복수의 배터리 각각의 단기 이동 평균값을 기초로 적어도 하나의 노이즈 배터리를 판단하고, 상기 복수의 배터리 중 상기 적어도 하나의 노이즈 배터리를 제외한 복수의 타겟 배터리 각각에 대해 상기 장기 이동 평균값 및 단기 이동 평균값 간의 편차인 제1 편차를 산출하고, 상기 복수의 타겟 배터리의 제1 편차의 평균인 제2 편차를 산출하고, 상기 복수의 타겟 배터리 각각에 대해 상기 제1 편차와 상기 제2 편차 간의 차이인 제1 진단 편차에 기초하여 상기 복수의 타겟 배터리 중 적어도 하나의 타겟 배터리를 진단하는 컨트롤러를 포함할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 복수의 배터리의 전압의 평균값(Mean), 중앙값(Median) 또는 최소값(Min)을 상기 복수의 배터리의 평균 전압으로 산출하고, 상기 복수의 타겟 배터리의 제1 편차의 평균값, 중앙값 또는 최소값을 상기 제2 편차로 산출할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 복수의 배터리의 단기 이동 평균값의 평균값, 중앙값 또는 최소값을 상기 복수의 배터리의 평균 단기 이동 평균값으로 산출하고, 상기 복수의 배터리의 평균 단기 이동 평균값과 상기 복수의 배터리 각각의 단기 이동 평균값의 편차를 상기 복수의 배터리 각각의 제2 전압으로 산출할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 복수의 배터리 각각의 제2 전압의 장기 이동 평균값을 상기 복수의 배터리 각각의 리플 노이즈(Ripple Noise)로 산출할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 복수의 배터리의 리플 노이즈의 평균값에 제1 임계 상수를 곱하여 제1 임계값을 설정하고, 상기 복수의 배터리 중 상기 리플 노이즈가 상기 제1 임계값 이외인 배터리를 상기 적어도 하나의 노이즈 배터리로 판단할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 복수의 타겟 배터리 각각의 제1 진단 편차를 상기 제2 편차에 제2 임계 상수를 곱하여 얻어지는 값과 제3 임계 상수 중 최대값으로 나누어 정규화(Normalization)하여 상기 복수의 타겟 배터리 각각의 제2 진단 편차를 산출할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 복수의 타겟 배터리 각각의 제2 진단 편차의 제2 임계값 초과 여부를 기초로 상기 복수의 타겟 배터리 중 적어도 하나의 타겟 배터리를 진단할 수 있다.
본 문서에 개시된 일 실시예에 따른 배터리 관리 장치의 동작 방법은 복수의 배터리 각각의 전압을 측정하는 단계, 상기 복수의 배터리의 평균 전압 및 상기 복수의 배터리 각각의 전압 간의 편차를 상기 복수의 배터리 각각의 제1 전압으로 산출하는 단계, 상기 복수의 배터리 각각에 대해 제1 전압의 장기 이동 평균값 및 단기 이동 평균값을 산출하는 단계, 상기 복수의 배터리 각각의 단기 이동 평균값을 기초로 적어도 하나의 노이즈 배터리를 판단하는 단계, 상기 복수의 배터리 중 상기 적어도 하나의 노이즈 배터리를 제외한 복수의 타겟 배터리 각각에 대해 상기 장기 이동 평균값 및 단기 이동 평균값 간의 편차인 제1 편차를 산출하는 단계, 상기 복수의 타겟 배터리의 제1 편차의 평균인 제2 편차를 산출하는 단계 및 상기 복수의 타겟 배터리 각각에 대해 상기 제1 편차와 상기 제2 편차 간의 차이인 제1 진단 편차에 기초하여 상기 복수의 타겟 배터리 중 적어도 하나의 타겟 배터리를 진단하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 복수의 배터리의 평균 전압 및 상기 복수의 배터리 각각의 전압 간의 편차를 상기 복수의 배터리 각각의 제1 전압으로 산출하는 단계는 상기 복수의 배터리의 전압의 평균값(Mean), 중앙값(Median) 또는 최소값(Min)을 상기 복수의 배터리의 평균 전압으로 산출하고, 상기 복수의 타겟 배터리의 제1 편차의 평균인 제2 편차를 산출하는 단계는 상기 복수의 타겟 배터리의 제1 편차의 평균값, 중앙값 또는 최소값을 상기 제2 편차로 산출할 수 있다.
일 실시예에 따라, 상기 복수의 배터리 각각의 단기 이동 평균값을 기초로 적어도 하나의 노이즈 배터리를 판단하는 단계는 상기 복수의 배터리의 단기 이동 평균값의 평균값, 중앙값 또는 최소값을 상기 복수의 배터리의 평균 단기 이동 평균값으로 산출하고, 상기 복수의 배터리의 평균 단기 이동 평균값과 상기 복수의 배터리 각각의 단기 이동 평균값의 편차를 상기 복수의 배터리 각각의 제2 전압으로 산출할 수 있다.
일 실시예에 따라, 상기 복수의 배터리 각각의 단기 이동 평균값을 기초로 적어도 하나의 노이즈 배터리를 판단하는 단계는 상기 복수의 배터리 각각의 제2 전압의 장기 이동 평균값을 상기 복수의 배터리 각각의 리플 노이즈(Ripple Noise)로 산출할 수 있다.
일 실시예에 따라, 상기 복수의 배터리 각각의 단기 이동 평균값을 기초로 적어도 하나의 노이즈 배터리를 판단하는 단계는 상기 복수의 배터리의 리플 노이즈의 평균값에 제1 임계 상수를 곱하여 제1 임계값을 설정하고, 상기 복수의 배터리 중 상기 리플 노이즈가 상기 제1 임계값 이외인 배터리를 상기 적어도 하나의 노이즈 배터리로 판단할 수 있다.
일 실시예에 따라, 상기 복수의 타겟 배터리 각각에 대해 상기 제1 편차와 상기 제2 편차 간의 차이인 제1 진단 편차에 기초하여 상기 복수의 타겟 배터리 중 적어도 하나의 타겟 배터리를 진단하는 단계는 상기 복수의 타겟 배터리 각각의 제1 진단 편차를 상기 제2 편차에 제2 임계 상수를 곱하여 얻어지는 값과 제3 임계 상수 중 최대값으로 나누어 정규화(Normalization)하여 상기 복수의 타겟 배터리 각각의 제2 진단 편차를 산출할 수 있다.
일 실시예에 따라, 상기 복수의 타겟 배터리 각각에 대해 상기 제1 편차와 상기 제2 편차 간의 차이인 제1 진단 편차에 기초하여 상기 복수의 타겟 배터리 중 적어도 하나의 타겟 배터리를 진단하는 단계는 상기 복수의 타겟 배터리 각각의 제2 진단 편차의 제2 임계값 초과 여부를 기초로 상기 복수의 타겟 배터리 중 적어도 하나의 타겟 배터리를 진단할 수 있다.
본 문서에 개시되는 일 실시예에 따른 배터리 관리 장치 및 그것의 동작 방법에 따르면 배터리의 전압의 장기 이동 평균값 및 단기 이동 평균값의 편차의 노이즈를 제거하여 이상 배터리 셀을 정확하게 진단할 수 있다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 팩을 보여주는 도면이다.
도 2는 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치의 구성을 보여주는 블록도이다.
도 3은 본 문서에 개시된 일 실시예에 따른 배터리 셀의 전압을 나타내는 그래프이다.
도 4는 본 문서에 개시된 일 실시예에 따른 컨트롤러의 타겟 배터리 셀을 식별하는 방법을 보여주는 흐름도이다.
도 5는 본 문서에 개시된 일 실시예에 따른 배터리 셀의 제1 전압의 장기 이동 평균 및 단기 이동 평균을 나타내는 그래프이다.
도 6은 본 문서에 개시된 일 실시예에 따른 배터리 셀의 리플 노이즈를 나타내는 그래프이다.
도 7은 본 문서에 개시된 일 실시예에 따른 컨트롤러의 타겟 배터리 셀을 진단하는 방법을 보여주는 흐름도이다.
도 8은 본 문서에 개시된 일 실시예에 따른 배터리 셀의 제2 진단 편차를 나타내는 그래프이다.
도 9는 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치의 동작 방법을 보여주는 흐름도이다.
도 10은 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치의 타겟 배터리 셀을 진단하는 동작 방법을 보여주는 흐름도이다.
도 11은 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치의 동작 방법을 구현하는 컴퓨팅 시스템의 하드웨어 구성을 나타내는 블록도이다.
이하, 본 문서에 개시된 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 문서에 개시된 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 문서에 개시된 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 문서에 개시된 실시예의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 문서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 팩을 보여주는 도면이다.
도 1을 참조하면, 본 문서에 개시된 일 실시예에 따른 배터리 팩(1000)은 배터리 모듈(100), 배터리 관리 장치(200) 및 릴레이(300)를 포함할 수 있다. 다양한 실시예에 따르면, 배터리 모듈(100)은 배터리 셀일 수 있으며, 이러한 경우 배터리 팩(1000)은 셀 투 팩(cell to pack) 구조를 가질 수 있다.
도 1에서는 배터리 모듈(100)이 한 개인 경우로 도시되나, 실시예에 따라 배터리 모듈(100)은 복수개로 구성될 수도 있고, 배터리 팩(1000)은 복수의 배터리 모듈이 적층 구조를 이룰 수 있다. 배터리 모듈(100)은 복수의 배터리 셀들(110, 120, 130, 140)을 포함할 수 있다. 도 1에서는 복수의 배터리 셀들이 4개인 것으로 도시되었지만, 이에 한정되는 것은 아니며, 배터리 모듈(100)은 n(n은 2이상의 자연수)개의 배터리 셀들을 포함하여 구성될 수 있다. 또한, 복수의 배터리 셀들(110, 120, 130, 140) 각각은, 적어도 두개 이상의 배터리 셀들이 병렬 연결된 셀 그룹 또는 배터리 뱅크(Bank)가 될 수 있다.
배터리 모듈(100)은 대상 장치(미도시)에 전원을 공급할 수 있다. 이를 위해, 배터리 모듈(100)은 대상 장치와 전기적으로 연결될 수 있다. 여기서, 대상 장치는 복수의 배터리 셀들(110, 120, 130, 140)을 포함하는 배터리 팩(1000)으로부터 전원을 공급받아 동작하는 전기적, 전자적, 또는 기계적인 장치를 포함할 수 있으며, 예를 들어, 대상 장치는 전기 자동차(EV) 또는 에너지 저장 시스템(ESS, Energy Storage System)일 수 있으나 이에 한정되는 것은 아니다.
복수의 배터리 셀들(110, 120, 130, 140)은 전기 에너지를 충방전하여 사용할 수 있는 배터리의 기본 단위로, 리튬이온(Li-ion) 전지, 리튬이온 폴리머(Li-ion polymer) 전지, 니켈 카드뮴(Ni-Cd) 전지, 니켈 수소(Ni-MH) 전지 등일 수 있으며, 이에 한정되지 않는다.
배터리 관리 장치(BMS, Battery Management System)(200)는 배터리 모듈(100)의 상태 및/또는 동작을 관리 및/또는 제어할 수 있다. 예를 들어, 배터리 관리 장치(200)는 배터리 모듈(100)에 포함된 복수의 배터리 셀들(110, 120, 130, 140)의 상태 및/또는 동작을 관리 및/또는 제어할 수 있다. 배터리 관리 장치(200)는 배터리 모듈(100)의 충전 및/또는 방전을 관리할 수 있다.
배터리 관리 장치(200)는 릴레이(300)의 동작을 제어할 수 있다. 예를 들어, 배터리 관리 장치(200)는 대상 장치에 전원을 공급하기 위해 릴레이(300)를 단락 시킬 수 있다. 또한, 배터리 관리 장치(200)는 배터리 팩(1000)에 충전 장치가 연결되는 경우 릴레이(300)를 단락 시킬 수 있다.
또한, 배터리 관리 장치(200)는 배터리 모듈(100) 및/또는 배터리 모듈(100)에 포함된 복수의 배터리 셀들(110, 120, 130, 140) 각각의 전압, 전류, 온도 등을 모니터링 할 수 있다. 그리고 배터리 관리 장치(200)에 의한 모니터링을 위해 도시하지 않은 센서나 각종 측정 모듈이 배터리 모듈(100)이나 충방전 경로, 또는 배터리 모듈(100) 등의 임의의 위치에 추가로 설치될 수 있다. 배터리 관리 장치(200)는 모니터링 한 전압, 전류, 온도 등의 측정값에 기초하여 배터리 모듈(100)의 상태를 나타내는 파라미터, 예를 들어 SOC(State of Charge) 또는 SOH(State of Health)를 산출할 수 있다.
복수의 배터리 셀(110, 120, 130, 140)은 사용 기간 또는 사용 횟수가 증가할수록 용량이 감소하고, 내부 저항이 증가하는 등 여러 인자들이 변화할 수 있다. 배터리 관리 장치(200)는 배터리 셀이 열화됨에 따라 변화하는 여러 인자들의 데이터를 기초로 복수의 배터리 셀(110, 120, 130, 140) 내부의 이상 현상을 진단할 수 있다.
배터리 셀은 생산 단계에서의 불량, 복수의 충방전을 통한 내부 변형 및 변성 또는 외부 충격 등 다양한 원인으로 불량이 발생한 경우 정상 배터리 셀에 비해 전압 변화가 더 빠르게 크게 일어날 수 있다. 배터리 관리 장치(200)는 내부 불량이 발생한 배터리 셀이 휴지기에서 정상 배터리 셀에 비해 전압 변화가 빠르고 크게 발생하는 현상을 이용하여, 복수의 배터리 셀(110, 120, 130, 140) 각각의 휴지기의 전압 데이터와 정상 배터리 셀의 휴지기의 통계적인 정상 전압 데이터를 비교해 복수의 배터리 셀(110, 120, 130, 140) 중 이상 배터리 셀을 진단할 수 있다.
구체적으로 이상 배터리 셀의 경우 정상 배터리 셀 대비 충전 후 휴지 구간에서 전압이 하강하는 현상이 발생하고, 정상 배터리 셀의 전압 거동 대비 큰 전압 거동의 편차가 발생하여 전압 거동이 한쪽으로 치우치는 현상이 발생해 큰 편향도를 갖는다. 배터리 관리 장치(200)는 이상 배터리 셀의 정상 배터리 셀의 전압 거동 대비 편차가 크고 편향도가 큰 특성을 이용하여 복수의 배터리 셀(110, 120, 130, 140) 중 이상 배터리 셀의 존재 여부를 판단할 수 있다.
배터리 관리 장치(200)는 복수의 배터리 셀들(110, 120, 130, 140)의 전압의 평균값과 복수의 배터리 셀(110, 120, 130, 140) 각각의 전압의 편차(dV)를 산출할 수 있다. 배터리 관리 장치(200)는 복수의 배터리 셀들(110, 120, 130, 140)각각의 전압의 편차를 이용하여 복수의 배터리 셀들(110, 120, 130, 140) 중 적어도 하나의 배터리 셀의 전압의 이상 거동을 판단하여 해당 배터리 셀을 진단할 수 있다.
배터리 관리 장치(200)는 복수의 배터리 셀(110, 120, 130, 140)의 각각의 전압의 편차 중 노이즈(Noise) 데이터로 의심되는 노이즈 배터리 셀을 제외하여 복수의 타겟 배터리 셀을 판단할 수 있다. 배터리 관리 장치(200)는 복수의 타겟 배터리 셀을 판단한 후, 배터리 팩(1000)에 포함된 복수의 타겟 배터리 셀들 각각의 전압의 편차 데이터를 이용하여 타겟 배터리 셀을 진단할 수 있다. 배터리 관리 장치(200)는 증폭된 각각의 전압 편차 데이터를 이용하여 이상 전압으로 의심되는 이상 배터리 셀을 진단할 수 있다.
또한, 이하의 배터리 관리 장치(200)의 동작은 배터리 관리 장치(200) 또는 배터리 관리 장치(200)가 탑재된 차량과 연결되는 서버, 클라우드, 충전기 또는 충방전기 등 다양한 기기에서 수행될 수 있다.
도 2는 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치의 구성을 보여주는 블록도이다.
이하에서는 도 2를 참조하여 배터리 관리 장치(200)의 구성에 대해 구체적으로 설명한다.
도 2를 참조하면 배터리 관리 장치(200)는 전압 측정부(210) 및 컨트롤러(220)를 포함할 수 있다.
전압 측정부(210)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전압을 산출할 수 있다. 전압 측정부(210)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전압을 단위 시간마다 산출하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 전압의 시계열(Time-series) 데이터를 산출할 수 있다. 일 실시예에 따라, 전압 측정부(210)는 복수의 배터리 셀(110, 120, 130, 140)의 충전, 충전 후 휴지 구간, 방전 및 방전 후 휴지 구간에서의 전압 상승 및 하강과, 장시간 안정화(Relaxation) 데이터를 연속적으로 산출할 수 있다.
도 3은 본 문서에 개시된 일 실시예에 따른 배터리 셀의 전압을 나타내는 그래프이다.
도 3을 참조하면, 전압 측정부(210)는 복수의 배터리 셀(110, 120, 130, 140)의 충전, 충전 후 휴지 구간, 방전 및 방전 후 휴지 구간에서의 전압을 측정하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 전압의 시계열 데이터를 산출할 수 있다. 전압 측정부(210)는 단위 시간마다 복수의 배터리 셀(110, 120, 130, 140) 각각의 전압을 측정하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 전압 변화를 나타내는 그래프를 생성할 수 있다.
컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 평균 전압(V_avg)을 산출할 수 있다. 일 실시예에 따라, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 전압의 평균값(Mean), 중앙값(Median) 또는 최소값(Min)을 복수의 배터리 셀(110, 120, 130, 140)의 평균 전압(V_avg)으로 산출할 수 있다. 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각에 대해 평균 전압(V_avg)과 전압 간의 편차(dV)를 산출할 수 있다.
일 실시예에 따라, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)각각의 평균 전압(V_avg)과 전압 간의 편차(dV)를 제1 전압(dV1)으로 산출할 수 있다. 또한, 일 실시예에 따라, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전압을 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)으로 산출할 수 있다. 이하에서는 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압은 복수의 배터리 셀(110, 120, 130, 140)각각의 전압과 평균 전압(V_avg) 간의 편차(dV)를 예로 들어 설명하나, 이에 한정되는 것은 아니다.
컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)을 기초로 복수의 배터리 셀(110, 120, 130, 140) 중 적어도 하나의 노이즈 배터리 셀을 판단할 수 있다. 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)을 기초로 적어도 하나의 노이즈 배터리 셀을 판단한 후, 복수의 배터리 셀(110, 120, 130, 140) 중 적어도 하나의 노이즈 배터리 셀을 제외한 복수의 타겟 배터리 셀을 식별할 수 있다.
도 4는 본 문서에 개시된 일 실시예에 따른 컨트롤러의 타겟 배터리 셀을 식별하는 방법을 보여주는 흐름도이다.
이하에서는 도 4를 참조하여, 컨트롤러(220)의 타겟 배터리 셀을 식별하는 방법을 구체적으로 설명한다.
도 4를 참조하면, S101 단계에서, 컨트롤러(220)는 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)각각의 평균 전압(V_avg)과 전압 간의 편차(dV)를 제1 전압(dV1)으로 산출할 수 있다.
S102 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)의 이동 평균(Moving Average)을 산출할 수 있다. 여기서 이동 평균은 전체 데이터의 중 특정 사이즈(Size)의 윈도우(Window)를 이동하면서 추출한 일부 데이터의 평균이다. 여기서 윈도우는 전체 데이터 중 일부를 추출하여 사용될 데이터를 판단할 수 있는 기준 구간이다. 윈도우의 시작 시점은 현 시점으로부터 기준 시간만큼 앞선 시점이고, 윈도우의 종료 시점은 현 시점이다, 예를 들어, 윈도우가 1주일인 경우 컨트롤러(220)는 전체 데이터 중 현 시점으로부터 최근 1주일 동안 획득한 데이터를 추출할 수 있다.
S102 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전체 제1 전압(dV1)의 시계열 데이터 중 윈도우를 이동하면서 추출한 제1 전압(dV1)을 이용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)의 이동 평균값을 산출할 수 있다. S102 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전체 제1 전압(dV1) 데이터 중 윈도우를 이동하면서 연속적으로 추출한 제1 전압(dV1) 데이터를 이용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)의 연속적인 이동 평균값을 산출할 수 있다.
S102 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 충전, 충전 후 휴지 구간, 방전 및 방전 후 휴지 구간에서의 전압을 측정하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)의 장기 이동 평균(dV1_LMA) 및 단기 이동 평균(dV1_SMA)의 시계열 데이터를 산출할 수 있다. 예를 들어, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전체 제1 전압(dV1) 데이터에 단순 이동 평균(Simple Moving Average), 가중 이동 평균(Weighted Moving Average) 또는 지수 이동 평균(EMA, Exponential Moving Average) 중 어느 하나를 적용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 평균 전압(V_avg) 대비 전압 편차(dV) 또는 전압의 이동 평균값을 산출할 수 있다.
S102 단계에서, 일 실시예에 따라, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전체 제1 전압(dV1) 데이터에 지수 이동 평균(EMA)을 적용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)의 지수 이동 평균값을 산출할 수 있다. 지수 이동 평균은 과거의 모든 기간의 데이터를 사용하면서, 최근의 데이터에 더 높은 가중치를 두는 일종의 가중 이동 평균법이다.
S102 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1) 데이터를 이용하여 윈도우의 크기가 서로 다른 복수의 이동 평균값을 산출할 수 있다. 일 실시예에 따라, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전체 제1 전압(dV1) 데이터를 이용하여 상대적으로 윈도우의 길이가 긴(Long) 장기 이동 평균값(Long Moving Average) 및 상대적으로 윈도우의 길이가 짧은(Short) 단기 이동 평균값(Short Moving Average)을 산출할 수 있다. 예를 들어, 장기 이동 평균값의 윈도우의 크기는 100초를 포함할 수 있고, 단기 이동 평균값의 윈도우의 크기는 10초를 포함할 수 있다.
도 5는 본 문서에 개시된 일 실시예에 따른 배터리 셀의 제1 전압의 장기 이동 평균 및 단기 이동 평균을 나타내는 그래프이다.
도 5를 참조하면, 컨트롤러(220)는 예를 들어, 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1) 데이터를 기초로, 산출 시점으로부터 최근 100초 동안 획득한 제1 전압(dV1) 데이터를 이용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 장기 이동 평균값을 산출할 수 있고, 산출 시점으로부터 최근 10초 동안 획득한 제1 전압(dV1) 데이터를 이용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 단기 이동 평균값을 산출할 수 있다.
컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)의 연속적인 장기 이동 평균값(dV1_LMA)과 단기 이동 평균값(dV1_SMA)을 이용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)의 장기 전압 변화 추세(Trend) 및 단기 전압 변화 추세를 분석할 수 있다. 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 평균 전압(V_avg) 대비 전압 편차(dV1) 또는 전압의 장기 이동 평균값(dV1_LMA)과 단기 이동 평균값(dV1_SMA)을 이용하여 복수의 배터리 셀 각각의 전압의 이상 여부를 진단할 수 있다.
다시 도 4를 참조하면, S103 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 단기 이동 평균값(dV1_SMA)을 기초로 리플 노이즈(Ripple Noise)를 산출할 수 있다. 여기서 리플 노이즈는 정류 회로에서 교류를 정류한 경우 직류 출력에 남는 교류분으로 즉, 전압의 노이즈이다.
S103 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 단기 이동 평균값(dV1_SMA)의 평균값, 중앙값 또는 최소값을 복수의 배터리 셀(110, 120, 130, 140)의 평균 단기 이동 평균값(dV1_SMA_avg)으로 산출할 수 있다.
S103 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각에 평균 단기 이동 평균값(dV1_SMA_avg)과 단기 이동 평균값(dV1_SMA) 간의 편차를 산출할 수 있다. 일 실시예에 따라, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)각각의 평균 단기 이동 평균값(dV1_SMA_avg)과 단기 이동 평균값(dV1_SMA) 간의 편차를 제2 전압(dV2)으로 산출할 수 있다.
S103 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 충전, 충전 후 휴지 구간, 방전 및 방전 후 휴지 구간에서의 제2 전압(dV2)을 측정하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 제2 전압(dV2)의 장기 이동 평균(dV2_LMA)의 시계열 데이터를 산출할 수 있다. 예를 들어, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전체 제2 전압(dV2) 데이터에 단순 이동 평균, 가중 이동 평균 또는 지수 이동 평균 중 어느 하나를 적용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 제2 전압(dV2)의 장기 이동 평균값(dV2_LMA)을 산출할 수 있다.
S103 단계에서, 일 실시예에 따라, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전체 제2 전압(dV2) 데이터에 지수 이동 평균(EMA)을 적용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 제2 전압(dV2)의 지수 이동 평균값을 산출할 수 있다. S103 단계에서, 일 실시예에 따라, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전체 제2 전압(dV2) 데이터를 이용하여 상대적으로 윈도우의 길이가 긴(Long) 장기 이동 평균값(Long Moving Average)을 산출할 수 있다. 예를 들어, 장기 이동 평균값의 윈도우의 크기는 100초를 포함할 수 있다. S103 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 제2 전압(dV2)의 장기 이동 평균값(dV2_LMA)을 복수의 배터리 셀(110, 120, 130, 140) 각각의 리플 노이즈로 산출할 수 있다.
도 6은 본 문서에 개시된 일 실시예에 따른 배터리 셀의 리플 노이즈를 나타내는 그래프이다.
도 6을 참조하면, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 제2 전압(dV2) 데이터를 이용하여 상대적으로 윈도우의 길이가 긴(Long) 제2 전압(dV2)의 장기 이동 평균값(dV2_LMA)을 복수의 배터리 셀(110, 120, 130, 140) 각각의 리플 노이즈로 산출할 수 있다. 예를 들어, 장기 이동 평균값의 윈도우의 크기는 100초를 포함할 수 있다.
컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 리플 노이즈(dV2_LMA)의 평균값(dV2_LMA_avg)에 제1 임계 상수(C1)를 곱하여 제1 임계값을 설정할 수 있다. 여기서 제1 임계 상수(C1)는 '1.5'를 포함할 수 있다. 예를 들어, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 리플 노이즈(dV2_LMA)의 평균값(dV2_LMA_avg)에 제1 임계 상수(C1)'1.5'를 곱하여 얻어지는 값을 제1 임계값으로 설정할 수 있다. 여기서 임계값은 극단적인 결과가 나와 '비정상' 이라고 판단할 수 있는 기준값으로 정의될 수 있다. 즉, 임계값은 데이터가 특정 통계 모델과 얼마나 상반되는지 나타내는 기준으로 정의될 수 있다.
다시 도 4를 참조하면, S104 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 리플 노이즈(dV2_LMA)가 제1 임계값 초과 여부를 판단할 수 있다.
S105 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 중 리플 노이즈(dV2_LMA)가 제1 임계값 이하인 배터리 셀의 경우 타겟 배터리 셀로 식별할 수 있다.
S106 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 중 리플 노이즈(dV2_LMA)가 제1 임계값 초과인 배터리 셀의 경우 노이즈 배터리 셀로 판단할 수 있다.
S106 단계에서, 컨트롤러(220)는 복수의 배터리 셀들(110, 120, 130, 140) 중 노이즈 배터리 셀의 데이터를 제거하여 노이즈 배터리 셀이 제거된 배터리 셀들을 타겟 배터리 셀로 식별할 수 있다.
S107 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 전압의 장기 이동 평균값(dV1_LMA) 및 단기 이동 평균값(dV1_SMA) 간의 편차에 기초하여 타겟 배터리 셀을 진단할 수 있다.
도 7은 본 문서에 개시된 일 실시예에 따른 컨트롤러의 타겟 배터리 셀을 진단하는 방법을 보여주는 흐름도이다.
이하에서는 도 7을 참조하여 컨트롤러의 타겟 배터리 셀을 진단 방법을 구체적으로 설명한다.
S201 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 전압(dV1)의 장기 이동 평균값(dV1_LMA) 및 단기 이동 평균값(dV1_SMA)의 편차를 복수의 타겟 배터리 셀 각각의 제1 편차(dV1_LMA - dV1_SMA)로 산출할 수 있다. S201 단계에서, 즉, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 평균 전압(V_avg) 대비 전압 편차(dV1) 또는 전압의 장기 거동과 단기 거동의 편차를 연속적으로 산출할 수 있다.
S201 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀의 충전, 충전 후 휴지, 방전 및 방전 후 휴지 구간에서의 전압을 측정하여 복수의 타겟 배터리 셀 각각의 제1 전압(dV1)의 장기 이동 평균(dV1_LMA) 및 단기 이동 평균(dV1_SMA)의 편차인 제1 편차(dV1_LMA - dV1_SMA)의 시계열 데이터를 산출할 수 있다.
S201 단계에서, 컨트롤러(220)는 단위 시간 동안 산출된 복수의 타겟 배터리 셀 각각의 제1 편차(dV1_LMA - dV1_SMA)를 연속적으로 산출할 수 있다.
S202 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀의 제1 편차(dV1_LMA - dV1_SMA)의 평균인 제2 편차((dV1_LMA- dV1_SMA )_AVG)를 산출할 수 있다. 여기서 컨트롤러(220)는 복수의 타겟 배터리 셀의 제1 편차(dV1_LMA - dV1_SMA)의 평균값, 중앙값 또는 최소값을 제2 편차((dV1_LMA- dV1_SMA )_AVG)로 산출할 수 있다.
S202 단계에서, 컨트롤러(220)는 단위 시간마다 복수의 타겟 배터리 셀 각각의 제1 편차(dV1_LMA - dV1_SMA)를 연속적으로 산출하고, 복수의 타겟 배터리 셀들의 제1 편차(dV1_LMA - dV1_SMA)를 이용하여 복수의 타겟 배터리 셀의 제1 편차(dV1_LMA - dV1_SMA)의 평균값, 중앙값 또는 최소값인 제2 편차((dV1_LMA- dV1_SMA )_AVG)를 산출할 수 있다.
S202 단계에서, 컨트롤러(220)는 단위 시간마다 복수의 타겟 배터리 셀들의 제 제2 편차((dV1_LMA- dV1_SMA )_AVG)를 연속적으로 산출할 수 있다. 즉, 컨트롤러(220)는 복수의 타겟 배터리 셀들의 전압 편차의 장기 거동과 단기 거동의 편차의 평균값을 산출할 수 있다.
S203 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 편차(dV1_LMA - dV1_SMA)와 제2 편차((dV1_LMA- dV1_SMA )_AVG)의 차이인 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 산출할 수 있다.
S203 단계에서, 구체적으로 컨트롤러(220)는 [수학식 1]에 기초하여 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 산출할 수 있다.
[수학식 1]
제1 진단 편차 (D1)=제2 편차-제1편차= ((dV1_LMA- dV1_SMA )_AVG)-(dV1_LMA - dV1_SMA)
[수학식 1]을 참조하면, 컨트롤러(220)는 복수의 제1 편차(dV1_LMA - dV1_SMA)와 제2 편차((dV1_LMA- dV1_SMA )_AVG)의 차이를 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)로 산출할 수 있다.
컨트롤러(220)는 복수의 타겟 배터리 셀의 충전, 충전 후 휴지, 방전 및 방전 후 휴지 구간에서의 전압을 측정하여 복수의 타겟 배터리 셀 각각의 제1 편차(dV1_LMA - dV1_SMA)와 제2 편차((dV1_LMA- dV1_SMA )_AVG)의 차이인 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)의 시계열 데이터를 산출할 수 있다.
컨트롤러(220)는 단위 시간마다 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 연속적으로 산출하여, 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)의 변화를 나타내는 그래프를 생성할 수 있다.
즉, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 산출하여 복수의 배터리 셀들(110, 120, 130, 140)의 평균 장기 거동 및 단기 거동의 편차 대비 복수의 타겟 배터리 셀 각각의 제1 전압(dV1)의 장기 거동 및 단기 거동의 편차를 비교할 수 있다.
S204 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 정규화(Normalization)하여 제2 진단 편차(D2)를 산출할 수 있다.
S204 단계에서, 구체적으로 컨트롤러(220)는 아래의 [수학식 2]에 기초하여 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 정규화하여 복수의 타겟 배터리 셀 각각의 제2 진단 편차(D2)를 산출할 수 있다.
[수학식 2]
제2 진단 편차 =제1 진단 편차/ Max[|(dV1_LMA- dV1_SMA )_AVG |*C2,C3]
S204 단계에서, 컨트롤러(220)는 제2 편차의 절대값(|(dV1_LMA- dV1_SMA )_AVG |)에 제2 임계 상수(C2)를 곱하여 얻어지는 값(|(dV1_LMA- dV1_SMA )_AVG |*C2)과 제3 임계 상수(C3) 중 최대값(Max)을 산출할 수 있다. 컨트롤러(220)는 제2 편차의 절대값에 제3 임계 상수를 곱하여 얻어지는 값과 제3 임계 상수(C3) 중 최대값(Max[|(dV_LMA- dV_SMA )_AVG |*C2,C3])을 이용하여 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 정규화할 수 있다. 여기서 제2 임계 상수(C2)는 '0.1', 제3 임계 상수(C3)는 '0.1'를 포함할 수 있고, 제2 임계 상수(C2) 및 제3 임계 상수(C3)는 복수의 타겟 배터리 셀 각각 제1 전압(dV1) 데이터의 크기 및 특성에 따라 변경될 수 있다. S204 단계에서, 컨트롤러(220)는 복수의 배터리 셀들(110, 120, 130, 140)의 평균 전압(V_avg)의 거동을 나타내는 제2 편차((dV1_LMA- dV1_SMA )_AVG)를 이용하여 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 정규화해 제2 진단 편차(D2)를 산출할 수 있다.
S204 단계에서, 일 실시예에 따라 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 로그(log) 연산을 통해 정규화할 수 있다. 즉, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 로그 연산을 통해 정규화한 값을 복수의 타겟 배터리 셀 각각의 제2 진단 편차(D2)로 산출할 수 있다.
S204 단계에서, 일 실시예에 따라 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)의 평균값(D2_avg)을 정규화 기준값으로 설정할 수 있다. S204 단계에서, 컨트롤러(220)는 제2 진단 편차의 평균값(D2_avg)을 정규화 기준값으로 사용하여 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 제1 진단 편차(D1)의 평균값(D2_avg)으로 나누어 정규화할 수 있다. 즉, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 제2 진단 편차의 평균값(D2_avg)으로 나누어 정규화한 값을 복수의 타겟 배터리 셀 각각의 제2 진단 편차(D2)로 산출할 수 있다.
S204 단계에서, 컨트롤러(220)는 다양한 실시예에 따라 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 정규화하여 복수의 타겟 배터리 셀 각각의 제2 진단 편차(D2)를 산출할 수 있다.
S204 단계에서, 컨트롤러(220)는 단위 시간마다 복수의 타겟 배터리 셀 각각의 제2 진단 편차(D2)를 연속적으로 산출하여, 복수의 타겟 배터리 셀 각각의 제2 진단 편차(D2)의 변화를 나타내는 그래프를 생성할 수 있다.
S205 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제2 진단 편차(D2)의 제2 임계값 초과 여부를 판단할 수 있다. 여기서 제2 임계값은 타겟 배터리 셀을 정상 배터리 셀 또는 전압의 이상 거동이 발생한 이상 배터리 셀로 판단할 수 있는 기준이다. S205 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제2 진단 편차(D2)의 임계값 초과 여부를 기초로 복수의 타겟 배터리 셀 중 적어도 하나의 타겟 배터리 셀을 진단할 수 있다.
S206 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀들 중 제2 진단 편차(D2)가 제2 임계값 초과인 타겟 배터리 셀의 경우 해당 타겟 배터리 셀을 이상 배터리 셀로 진단할 수 있다.
S206 단계에서, 일 실시예에 따라, 컨트롤러(220)는 복수의 타겟 배터리 셀 중 적어도 하나의 타겟 배터리 셀의 제2 진단 편차(D2)가 제2 임계값 초과인 경우, 적어도 하나의 타겟 배터리 셀의 진단 카운트 값을 증가시킬 수 있다. S206 단계에서, 일 실시예에 따라, 컨트롤러(220)는 복수의 타겟 배터리 셀 중 적어도 하나의 타겟 배터리 셀의 진단 카운트 값이 임계 카운트 값 이상인 경우, 적어도 하나의 타겟 배터리 셀을 진단할 수 있다.
S206 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 중 적어도 하나의 배터리 셀을 진단한 후, 해당 배터리 셀 내부의 내부 단락 발생 여부, 외부 단락 발생 여부, 리튬 석출 여부 등의 불량 여부를 추적 및 모니터링할 수 있다. 그리고 컨트롤러(220)는 진단 결과 배터리 셀 내부 불량이 발생한 것으로 확인되면, 해당 배터리 셀에 대한 정보를 사용자에게 제공할 수 있다. 일 예로, 컨트롤러(220)는 통신부(미도시)를 통해 사용자 단말로 내부 단락이 발생한 배터리 셀에 대한 정보를 제공할 수 있음은 물론, 차량 또는 충전기 등에 구비된 디스플레이를 통해 해당 배터리 셀에 대한 정보를 제공할 수 있을 것이다.
상술한 바와 같이, 본 문서에 개시된 다른 실시예에 따른 배터리 관리 장치(200)에 따르면 배터리 셀의 평균 전압 대비 전압의 차이인 전압 편차의 장기 이동 평균값 및 단기 이동 평균값의 노이즈를 제거하여 이상 배터리 셀을 정확하게 진단할 수 있다.
종래의 배터리 관리 장치는 배터리 셀들 평균 전압 대비 배터리 셀 각각의 전압의 편차를 이용하여 배터리 셀 각각의 전압의 이상 거동 신호가 왜곡되고 노이즈 데이터로 인한 오진단의 가능성이 있었으나, 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치(200)는 배터리 셀 각각의 전압 편차의 장기 이동 평균값 및 단기 이동 평균값의 편차를 이용하여 배터리 셀의 전압의 왜곡을 최소화하고, 노이즈 데이터를 제거하고, 배터리 셀의 전압의 편향도를 반영해 이상 배터리 셀의 전압 거동을 증폭하여 진단의 정확도를 개선할 수 있다.
배터리 관리 장치(200)는 배터리 셀의 전압 편차의 장기 이동 평균값 및 단기 이동 평균값의 편차를 이용하여 이상 전압 거동이 발생한 배터리 셀을 조기에 진단하여 배터리 에너지의 안전성과 신뢰성을 확보할 수 있다. 또한, 배터리 관리 장치(200)는 차량에 배터리가 장착된 상태에서 이상 전압 거동이 발생한 배터리 셀을 진단해 배터리의 별도 분리가 불필요하여 신속 및 간편하게 배터리 셀을 진단할 수 있다.
도 9는 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치의 동작 방법을 보여주는 흐름도이다.
이하에서는 도 1 내지 도 8을 참조하여 배터리 관리 장치(200)의 동작 방법에 대해 구체적으로 설명한다.
배터리 관리 장치(200)는 도 1 내지 도 8을 참조하여 설명한 배터리 관리 장치(200)와 실질적으로 동일할 수 있으므로, 이하에서는 설명의 중복을 피하기 위하여 간략히 설명한다.
도 9를 참조하면 배터리 관리 장치의 동작 방법은 복수의 배터리 각각의 전압을 측정하는 단계(S301), 복수의 배터리의 평균 전압 및 복수의 배터리 각각의 전압 간의 편차를 복수의 배터리 각각의 제1 전압으로 산출하는 단계(S302), 복수의 배터리 각각에 대해 제1 전압의 장기 이동 평균값 및 단기 이동 평균값을 산출하는 단계(S303), 복수의 배터리 각각의 단기 이동 평균값을 기초로 적어도 하나의 노이즈 배터리를 판단하는 단계(S304), 복수의 배터리 중 적어도 하나의 노이즈 배터리를 제외한 복수의 타겟 배터리 각각에 대해 장기 이동 평균값 및 단기 이동 평균값 간의 편차인 제1 편차를 산출하는 단계(S305), 복수의 타겟 배터리의 제1 편차의 평균인 제2 편차를 산출하는 단계(S306) 및 복수의 타겟 배터리 각각에 대해 제1 편차와 제2 편차 간의 차이인 제1 진단 편차에 기초하여 복수의 타겟 배터리 중 적어도 하나의 타겟 배터리를 진단하는 단계(S307)를 포함할 수 있다.
S301 단계에서 전압 측정부(210)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전압을 산출할 수 있다. 전압 측정부(210)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전압을 단위 시간마다 산출하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 전압의 시계열(Time-series) 데이터를 산출할 수 있다. S301 단계에서, 일 실시예에 따라, 전압 측정부(210)는 복수의 배터리 셀(110, 120, 130, 140)의 충전, 충전 후 휴지 구간, 방전 및 방전 후 휴지 구간에서의 전압 상승 및 하강과, 장시간 안정화(Relaxation) 데이터를 연속적으로 산출할 수 있다.
S301 단계에서, 전압 측정부(210)는 복수의 배터리 셀(110, 120, 130, 140)의 충전, 충전 후 휴지 구간, 방전 및 방전 후 휴지 구간에서의 전압을 측정하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 전압의 시계열 데이터를 산출할 수 있다. 전압 측정부(210)는 단위 시간마다 복수의 배터리 셀(110, 120, 130, 140) 각각의 전압을 측정하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 전압 변화를 나타내는 그래프를 생성할 수 있다.
S302 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 평균 전압(V_avg)을 산출할 수 있다. 일 실시예에 따라, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 전압의 평균값(Mean), 중앙값(Median) 또는 최소값(Min)을 복수의 배터리 셀(110, 120, 130, 140)의 평균 전압(V_avg)으로 산출할 수 있다. S302 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각에 대해 평균 전압(V_avg)과 전압 간의 편차(dV)를 산출할 수 있다.
S302 단계에서, 일 실시예에 따라, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)각각의 평균 전압(V_avg)과 전압 간의 편차(dV)를 제1 전압(dV1)으로 산출할 수 있다. 또한, 일 실시예에 따라, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전압을 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)으로 산출할 수 있다. 이하에서는 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압은 복수의 배터리 셀(110, 120, 130, 140)각각의 전압과 평균 전압(V_avg) 간의 편차(dV)를 예로 들어 설명하나, 이에 한정되는 것은 아니다.
S303 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)의 이동 평균(Moving Average)을 산출할 수 있다. 여기서 이동 평균은 전체 데이터의 중 특정 사이즈(Size)의 윈도우(Window)를 이동하면서 추출한 일부 데이터의 평균이다. 여기서 윈도우는 전체 데이터 중 일부를 추출하여 사용될 데이터를 판단할 수 있는 기준 구간이다. 윈도우의 시작 시점은 현 시점으로부터 기준 시간만큼 앞선 시점이고, 윈도우의 종료 시점은 현 시점이다, 예를 들어, 윈도우가 1주일인 경우 컨트롤러(220)는 전체 데이터 중 현 시점으로부터 최근 1주일 동안 획득한 데이터를 추출할 수 있다.
S303 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전체 제1 전압(dV1)의 시계열 데이터 중 윈도우를 이동하면서 추출한 제1 전압(dV1)을 이용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)의 이동 평균값을 산출할 수 있다. S303 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전체 제1 전압(dV1) 데이터 중 윈도우를 이동하면서 연속적으로 추출한 제1 전압(dV1) 데이터를 이용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)의 연속적인 이동 평균값을 산출할 수 있다.
S303 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 충전, 충전 후 휴지 구간, 방전 및 방전 후 휴지 구간에서의 전압을 측정하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)의 장기 이동 평균(dV1_LMA) 및 단기 이동 평균(dV1_SMA)의 시계열 데이터를 산출할 수 있다. 예를 들어, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전체 제1 전압(dV1) 데이터에 단순 이동 평균(Simple Moving Average), 가중 이동 평균(Weighted Moving Average) 또는 지수 이동 평균(EMA, Exponential Moving Average) 중 어느 하나를 적용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 평균 전압(V_avg) 대비 전압 편차(dV) 또는 전압의 이동 평균값을 산출할 수 있다.
S303 단계에서, 일 실시예에 따라, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전체 제1 전압(dV1) 데이터에 지수 이동 평균(EMA)을 적용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)의 지수 이동 평균값을 산출할 수 있다. 지수 이동 평균은 과거의 모든 기간의 데이터를 사용하면서, 최근의 데이터에 더 높은 가중치를 두는 일종의 가중 이동 평균법이다.
S303 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1) 데이터를 이용하여 윈도우의 크기가 서로 다른 복수의 이동 평균값을 산출할 수 있다. 일 실시예에 따라, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전체 제1 전압(dV1) 데이터를 이용하여 상대적으로 윈도우의 길이가 긴(Long) 장기 이동 평균값(Long Moving Average) 및 상대적으로 윈도우의 길이가 짧은(Short) 단기 이동 평균값(Short Moving Average)을 산출할 수 있다. 예를 들어, 장기 이동 평균값의 윈도우의 크기는 100초를 포함할 수 있고, 단기 이동 평균값의 윈도우의 크기는 10초를 포함할 수 있다.
S303 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)을 기초로 복수의 배터리 셀(110, 120, 130, 140) 중 적어도 하나의 노이즈 배터리 셀을 판단할 수 있다. S304 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)을 기초로 적어도 하나의 노이즈 배터리 셀을 판단한 후, 복수의 배터리 셀(110, 120, 130, 140) 중 적어도 하나의 노이즈 배터리 셀을 제외한 복수의 타겟 배터리 셀을 식별할 수 있다.
S303 단계에서, 컨트롤러(220)는 예를 들어, 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1) 데이터를 이용하여 산출 시점으로부터 최근 100초 동안 획득한 제1 전압(dV1) 데이터를 이용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 장기 이동 평균값을 산출할 수 있고, 산출 시점으로부터 최근 10초 동안 획득한 제1 전압(dV1) 데이터를 이용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 단기 이동 평균값을 산출할 수 있다.
S303 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)의 연속적인 장기 이동 평균값(dV1_LMA)과 단기 이동 평균값(dV1_SMA)을 이용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 제1 전압(dV1)의 장기 전압 변화 추세(Trend) 및 단기 전압 변화 추세를 분석할 수 있다. 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 평균 전압(V_avg) 대비 전압 편차(dV1) 또는 전압의 장기 이동 평균값(dV1_LMA)과 단기 이동 평균값(dV1_SMA)을 이용하여 복수의 배터리 셀 각각의 전압의 이상 여부를 진단할 수 있다.
S304 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 단기 이동 평균값(dV1_SMA)을 기초로 리플 노이즈를 산출할 수 있다.
S304 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 단기 이동 평균값(dV1_SMA)의 평균값, 중앙값 또는 최소값을 복수의 배터리 셀(110, 120, 130, 140)의 평균 단기 이동 평균값(dV1_SMA_avg)으로 산출할 수 있다.
S304 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각에 평균 단기 이동 평균값(dV1_SMA_avg)과 단기 이동 평균값(dV1_SMA) 간의 편차를 산출할 수 있다. 일 실시예에 따라, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)각각의 평균 단기 이동 평균값(dV1_SMA_avg)과 단기 이동 평균값(dV1_SMA) 간의 편차를 제2 전압(dV2)으로 산출할 수 있다.
S304 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 제2 전압(dV2) 데이터를 이용하여 상대적으로 윈도우의 길이가 긴(Long) 제2 전압(dV2)의 장기 이동 평균값(dV2_LMA)을 복수의 배터리 셀(110, 120, 130, 140) 각각의 리플 노이즈로 산출할 수 있다. 예를 들어, 장기 이동 평균값의 윈도우의 크기는 100초를 포함할 수 있다.
S304 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140)의 충전, 충전 후 휴지 구간, 방전 및 방전 후 휴지 구간에서의 제2 전압(dV2)을 측정하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 제2 전압(dV2)의 장기 이동 평균(dV2_LMA)의 시계열 데이터를 산출할 수 있다. 예를 들어, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전체 제2 전압(dV2) 데이터에 단순 이동 평균, 가중 이동 평균 또는 지수 이동 평균 중 어느 하나를 적용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 제2 전압(dV2)의 장기 이동 평균값(dV2_LMA)을 산출할 수 있다.
S304 단계에서, 일 실시예에 따라, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전체 제2 전압(dV2) 데이터에 지수 이동 평균(EMA)을 적용하여 복수의 배터리 셀(110, 120, 130, 140) 각각의 제2 전압(dV2)의 지수 이동 평균값을 산출할 수 있다. S304 단계에서, 일 실시예에 따라, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 전체 제2 전압(dV2) 데이터를 이용하여 상대적으로 윈도우의 길이가 긴(Long) 장기 이동 평균값(Long Moving Average)을 산출할 수 있다. 예를 들어, 장기 이동 평균값의 윈도우의 크기는 100초를 포함할 수 있다. S304 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 제2 전압(dV2)의 장기 이동 평균값(dV2_LMA)을 복수의 배터리 셀(110, 120, 130, 140) 각각의 리플 노이즈(Ripple Noise)로 산출할 수 있다.
S304 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 리플 노이즈(dV2_LMA)의 평균값(dV2_LMA_avg)에 제1 임계 상수(C1)를 곱하여 제1 임계값을 설정할 수 있다. 여기서 제1 임계 상수(C1)는 '1.5'를 포함할 수 있다. 예를 들어, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 리플 노이즈(dV2_LMA)의 평균값(dV2_LMA_avg)에 제1 임계 상수(C1)'1.5'를 곱하여 얻어지는 값을 제1 임계값으로 설정할 수 있다. 여기서 임계값은 극단적인 결과가 나와 '비정상' 이라고 판단할 수 있는 기준값으로 정의될 수 있다. 즉, 임계값은 데이터가 특정 통계 모델과 얼마나 상반되는지 나타내는 기준으로 정의될 수 있다.
S304 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 각각의 리플 노이즈(dV2_LMA)가 제1 임계값 초과 여부를 판단할 수 있다.
S304 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 중 리플 노이즈(dV2_LMA)가 제1 임계값 이하인 배터리 셀의 경우 타겟 배터리 셀로 식별할 수 있다. S304 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 중 리플 노이즈(dV2_LMA)가 제1 임계값 초과인 배터리 셀의 경우 노이즈 배터리 셀로 판단할 수 있다.
S304 단계에서, 컨트롤러(220)는 복수의 배터리 셀들(110, 120, 130, 140) 중 노이즈 배터리 셀의 데이터를 제거하여 노이즈 배터리 셀이 제거된 배터리 셀들을 타겟 배터리 셀로 식별할 수 있다. 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 전압의 장기 이동 평균값(dV1_LMA) 및 단기 이동 평균값(dV1_SMA) 간의 편차에 기초하여 타겟 배터리 셀을 진단할 수 있다.
S305 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 전압(dV1)의 장기 이동 평균값(dV1_LMA) 및 단기 이동 평균값(dV1_SMA)의 편차를 복수의 타겟 배터리 셀 각각의 제1 편차(dV1_LMA - dV1_SMA)로 산출할 수 있다. S201 단계에서, 즉, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 평균 전압(V_avg) 대비 전압 편차(dV1) 또는 전압의 장기 거동과 단기 거동의 편차를 연속적으로 산출할 수 있다.
S305 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀의 충전, 충전 후 휴지, 방전 및 방전 후 휴지 구간에서의 전압을 측정하여 복수의 타겟 배터리 셀 각각의 제1 전압(dV1)의 장기 이동 평균(dV1_LMA) 및 단기 이동 평균(dV1_SMA)의 편차인 제1 편차(dV1_LMA - dV1_SMA)의 시계열 데이터를 산출할 수 있다. S305 단계에서, 컨트롤러(220)는 단위 시간 동안 산출된 복수의 타겟 배터리 셀 각각의 제1 편차(dV1_LMA - dV1_SMA)를 연속적으로 산출할 수 있다.
S306 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀의 제1 편차(dV1_LMA - dV1_SMA)의 평균인 제2 편차((dV_LMA- dV_SMA )_AVG)를 산출할 수 있다. 여기서 컨트롤러(220)는 복수의 타겟 배터리 셀의 제1 편차(dV1_LMA - dV1_SMA)의 평균값, 중앙값 또는 최소값을 제2 편차((dV1_LMA- dV1_SMA )_AVG)로 산출할 수 있다.
S306 단계에서, 컨트롤러(220)는 단위 시간마다 복수의 타겟 배터리 셀 각각의 제1 편차(dV1_LMA - dV1_SMA)를 연속적으로 산출하고, 복수의 타겟 배터리 셀들의 제1 편차(dV1_LMA - dV1_SMA)를 이용하여 복수의 타겟 배터리 셀의 제1 편차(dV1_LMA - dV1_SMA)의 평균값, 중앙값 또는 최소값인 제2 편차((dV1_LMA- dV1_SMA )_AVG)를 산출할 수 있다. S306 단계에서, 컨트롤러(220)는 단위 시간마다 복수의 타겟 배터리 셀들의 제 제2 편차((dV1_LMA- dV1_SMA )_AVG)를 연속적으로 산출할 수 있다. 즉, 컨트롤러(220)는 복수의 타겟 배터리 셀들의 전압 편차의 장기 거동과 단기 거동의 편차의 평균값을 산출할 수 있다.
도 11은 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치의 타겟 배터리 셀을 진단하는 동작 방법을 보여주는 흐름도이다.
이하에서 도 11을 참조하여 배터리 관리 장치(200)의 타겟 배터리 셀을 진단하는 동작 방법을 구체적으로 설명한다.
S401 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 편차(dV1_LMA - dV1_SMA)와 제2 편차((dV1_LMA- dV1_SMA )_AVG)의 차이인 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 산출할 수 있다.
S401 단계에서, 구체적으로 컨트롤러(220)는 [수학식 3]에 기초하여 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 산출할 수 있다.
[수학식 3]
제1 진단 편차 (D1)=제2 편차-제1편차= ((dV1_LMA- dV1_SMA )_AVG)-(dV1_LMA - dV1_SMA)
[수학식 3]을 참조하면, 컨트롤러(220)는 복수의 제1 편차(dV1_LMA - dV1_SMA)와 제2 편차((dV1_LMA- dV1_SMA )_AVG)의 차이를 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)로 산출할 수 있다.
S401 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀의 충전, 충전 후 휴지, 방전 및 방전 후 휴지 구간에서의 전압을 측정하여 복수의 타겟 배터리 셀 각각의 제1 편차(dV1_LMA - dV1_SMA)와 제2 편차((dV1_LMA- dV1_SMA )_AVG)의 차이인 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)의 시계열 데이터를 산출할 수 있다. 컨트롤러(220)는 단위 시간마다 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 연속적으로 산출하여, 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)의 변화를 나타내는 그래프를 생성할 수 있다.
S401 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 산출하여 복수의 배터리 셀들(110, 120, 130, 140)의 평균 장기 거동 및 단기 거동의 편차 대비 복수의 타겟 배터리 셀 각각의 제1 전압(dV1)의 장기 거동 및 단기 거동의 편차를 비교할 수 있다.
S402 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 정규화(Normalization)하여 제2 진단 편차(D2)를 산출할 수 있다.
S402 단계에서, 구체적으로 컨트롤러(220)는 아래의 [수학식 2]에 기초하여 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 정규화하여 복수의 타겟 배터리 셀 각각의 제2 진단 편차(D2)를 산출할 수 있다.
[수학식 4]
제2 진단 편차 =제1 진단 편차/ Max[|(dV1_LMA- dV1_SMA )_AVG |*C2,C3]
S402 단계에서, 컨트롤러(220)는 제2 편차의 절대값(|(dV1_LMA- dV1_SMA )_AVG |)에 제2 임계 상수(C2)를 곱하여 얻어지는 값(|(dV1_LMA- dV1_SMA )_AVG |*C2)과 제3 임계 상수(C3) 중 최대값(Max)을 산출할 수 있다. 컨트롤러(220)는 제2 편차의 절대값에 제3 임계 상수를 곱하여 얻어지는 값과 제3 임계 상수(C3) 중 최대값(Max[|(dV_LMA- dV_SMA )_AVG |*C2,C3])을 이용하여 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 정규화할 수 있다. 여기서 제2 임계 상수(C2)는 '0.1', 제3 임계 상수(C3)는 '0.1'를 포함할 수 있고, 제2 임계 상수(C2) 및 제3 임계 상수(C3)는 복수의 타겟 배터리 셀 각각 제1 전압(dV1) 데이터의 크기 및 특성에 따라 변경될 수 있다. S204 단계에서, 컨트롤러(220)는 복수의 배터리 셀들(110, 120, 130, 140)의 평균 전압(V_avg)의 거동을 나타내는 제2 편차((dV1_LMA- dV1_SMA )_AVG)를 이용하여 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 정규화해 제2 진단 편차(D2)를 산출할 수 있다.
S402 단계에서, 일 실시예에 따라 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 로그(log) 연산을 통해 정규화할 수 있다. 즉, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 로그 연산을 통해 정규화한 값을 복수의 타겟 배터리 셀 각각의 제2 진단 편차(D2)로 산출할 수 있다.
S402 단계에서, 일 실시예에 따라 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)의 평균값(D2_avg)을 정규화 기준값으로 설정할 수 있다. S402 단계에서, 컨트롤러(220)는 제2 진단 편차의 평균값(D2_avg)을 정규화 기준값으로 사용하여 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 제1 진단 편차(D1)의 평균값(D2_avg)으로 나누어 정규화할 수 있다. 즉, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 제2 진단 편차의 평균값(D2_avg)으로 나누어 정규화한 값을 복수의 타겟 배터리 셀 각각의 제2 진단 편차(D2)로 산출할 수 있다.
S402 단계에서, 컨트롤러(220)는 다양한 실시예에 따라 복수의 타겟 배터리 셀 각각의 제1 진단 편차(D1)를 정규화하여 복수의 타겟 배터리 셀 각각의 제2 진단 편차(D2)를 산출할 수 있다.
S402 단계에서, 컨트롤러(220)는 단위 시간마다 복수의 타겟 배터리 셀 각각의 제2 진단 편차(D2)를 연속적으로 산출하여, 복수의 타겟 배터리 셀 각각의 제2 진단 편차(D2)의 변화를 나타내는 그래프를 생성할 수 있다.
S403 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제2 진단 편차(D2)의 제2 임계값 초과 여부를 판단할 수 있다. 여기서 제2 임계값은 타겟 배터리 셀을 정상 배터리 셀 또는 전압의 이상 거동이 발생한 이상 배터리 셀로 판단할 수 있는 기준이다. S403 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀 각각의 제2 진단 편차(D2)의 임계값 초과 여부를 기초로 복수의 타겟 배터리 셀 중 적어도 하나의 타겟 배터리 셀을 진단할 수 있다.
S404 단계에서, 컨트롤러(220)는 복수의 타겟 배터리 셀들 중 제2 진단 편차(D2)가 제2 임계값 초과인 타겟 배터리 셀의 경우 해당 타겟 배터리 셀을 이상 배터리 셀로 진단할 수 있다.
S404 단계에서, 일 실시예에 따라, 컨트롤러(220)는 복수의 타겟 배터리 셀 중 적어도 하나의 타겟 배터리 셀의 제2 진단 편차(D2)가 제2 임계값 초과인 경우, 적어도 하나의 타겟 배터리 셀의 진단 카운트 값을 증가시킬 수 있다. S402 단계에서, 일 실시예에 따라, 컨트롤러(220)는 복수의 타겟 배터리 셀 중 적어도 하나의 타겟 배터리 셀의 진단 카운트 값이 임계 카운트 값 이상인 경우, 적어도 하나의 타겟 배터리 셀을 진단할 수 있다.
S404 단계에서, 컨트롤러(220)는 복수의 배터리 셀(110, 120, 130, 140) 중 적어도 하나의 배터리 셀을 진단한 후, 해당 배터리 셀 내부의 내부 단락 발생 여부, 외부 단락 발생 여부, 리튬 석출 여부 등의 불량 여부를 추적 및 모니터링할 수 있다. 그리고 컨트롤러(220)는 진단 결과 배터리 셀 내부 불량이 발생한 것으로 확인되면, 해당 배터리 셀에 대한 정보를 사용자에게 제공할 수 있다. 일 예로, 컨트롤러(220)는 통신부(미도시)를 통해 사용자 단말로 내부 단락이 발생한 배터리 셀에 대한 정보를 제공할 수 있음은 물론, 차량 또는 충전기 등에 구비된 디스플레이를 통해 해당 배터리 셀에 대한 정보를 제공할 수 있을 것이다.
도 11은 본 문서에 개시된 일 실시예에 따른 배터리 관리 장치의 동작 방법을 구현하는 컴퓨팅 시스템의 하드웨어 구성을 나타내는 블록도이다.
도 11을 참조하면, 본 문서에 개시된 일 실시예에 따른 컴퓨팅 시스템(2000)은 MCU(2100), 메모리(2200), 입출력 I/F(2300) 및 통신 I/F(2400)를 포함할 수 있다.
MCU(2100)는 메모리(2200)에 저장되어 있는 각종 프로그램(예를 들면, 배터리 전압 편차 분석 프로그램)을 실행시키고, 이러한 프로그램들을 각종 데이터를 처리하며, 전술한 도 1에 나타낸 배터리 관리 장치(200)의 기능들을 수행하도록 하는 프로세서일 수 있다.
메모리(2200)는 배터리 관리 장치(200)의 작동에 관한 각종 프로그램을 저장할 수 있다. 또한, 메모리(2200)는 배터리 관리 장치(200)의 작동 데이터를 저장할 수 있다.
이러한 메모리(2200)는 필요에 따라서 복수 개 마련될 수도 있을 것이다. 메모리(2200)는 휘발성 메모리일 수도 있으며 비휘발성 메모리일 수 있다. 휘발성 메모리로서의 메모리(2200)는 RAM, DRAM, SRAM 등이 사용될 수 있다. 비휘발성 메모리로서 메모리(2200)는 ROM, PROM, EAROM, EPROM, EEPROM, 플래시 메모리 등이 사용될 수 있다. 상기 열거한 메모리(2200)들의 예를 단지 예시일 뿐이며 이들 예로 한정되는 것은 아니다.
입출력 I/F(2300)는, 키보드, 마우스, 터치 패널 등의 입력 장치(미도시)와 디스플레이(미도시) 등의 출력 장치와 MCU(2100) 사이를 연결하여 데이터를 송수신할 수 있도록 하는 인터페이스를 제공할 수 있다.
통신 I/F(2400)는 서버와 각종 데이터를 송수신할 수 있는 구성으로서, 유선 또는 무선 통신을 지원할 수 있는 각종 장치일 수 있다. 예를 들면, 통신 I/F(2400)를 통해 별도로 마련된 외부 서버로부터 저항 측정 및 이상 진단을 위한 프로그램이나 각종 데이터 등을 송수신할 수 있다.
이상의 설명은 본 개시의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 개시에 개시된 실시예들은 본 개시의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 개시의 기술 사상의 범위가 한정되는 것은 아니다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
[부호의 설명]
1000: 배터리 팩
100: 배터리 모듈
110: 제1 배터리 셀
120: 제2 배터리 셀
130: 제3 배터리 셀
140: 제4 배터리 셀
200: 배터리 관리 장치
210: 전압 측정부
220: 컨트롤러
300: 릴레이
2000: 컴퓨팅 시스템
2100: MCU
2200: 메모리
2300: 입출력 I/F
2400: 통신 I/F

Claims (14)

  1. 복수의 배터리 각각의 전압을 측정하는 전압 측정부; 및
    상기 복수의 배터리의 평균 전압 및 상기 복수의 배터리 각각의 전압 간의 편차를 상기 복수의 배터리 각각의 제1 전압으로 산출하고,
    상기 복수의 배터리 각각에 대해 제1 전압의 장기 이동 평균값 및 단기 이동 평균값을 산출하고,
    상기 복수의 배터리 각각의 단기 이동 평균값을 기초로 적어도 하나의 노이즈 배터리를 판단하고,
    상기 복수의 배터리 중 상기 적어도 하나의 노이즈 배터리를 제외한 복수의 타겟 배터리 각각에 대해 상기 장기 이동 평균값 및 단기 이동 평균값 간의 편차인 제1 편차를 산출하고,
    상기 복수의 타겟 배터리의 제1 편차의 평균인 제2 편차를 산출하고, 상기 복수의 타겟 배터리 각각에 대해 상기 제1 편차와 상기 제2 편차 간의 차이인 제1 진단 편차에 기초하여 상기 복수의 타겟 배터리 중 적어도 하나의 타겟 배터리를 진단하는 컨트롤러를 포함하는 배터리 관리 장치.
  2. 제1 항에 있어서,
    상기 컨트롤러는 상기 복수의 배터리의 전압의 평균값(Mean), 중앙값(Median) 또는 최소값(Min)을 상기 복수의 배터리의 평균 전압으로 산출하고, 상기 복수의 타겟 배터리의 제1 편차의 평균값, 중앙값 또는 최소값을 상기 제2 편차로 산출하는 것을 특징으로 하는 배터리 관리 장치.
  3. 제2 항에 있어서,
    상기 컨트롤러는 상기 복수의 배터리의 단기 이동 평균값의 평균값, 중앙값 또는 최소값을 상기 복수의 배터리의 평균 단기 이동 평균값으로 산출하고,
    상기 복수의 배터리의 평균 단기 이동 평균값과 상기 복수의 배터리 각각의 단기 이동 평균값의 편차를 상기 복수의 배터리 각각의 제2 전압으로 산출하는 것을 특징으로 하는 배터리 관리 장치.
  4. 제3 항에 있어서,
    상기 컨트롤러는 상기 복수의 배터리 각각의 제2 전압의 장기 이동 평균값을 상기 복수의 배터리 각각의 리플 노이즈(Ripple Noise)로 산출하는 것을 특징으로 하는 배터리 관리 장치.
  5. 제4 항에 있어서,
    상기 컨트롤러는 상기 복수의 배터리의 리플 노이즈의 평균값에 제1 임계 상수를 곱하여 제1 임계값을 설정하고,
    상기 복수의 배터리 중 상기 리플 노이즈가 상기 제1 임계값 이외인 배터리를 상기 적어도 하나의 노이즈 배터리로 판단하는 것을 특징으로 하는 배터리 관리 장치.
  6. 제2 항에 있어서,
    상기 컨트롤러는 상기 복수의 타겟 배터리 각각의 제1 진단 편차를 상기 제2 편차에 제2 임계 상수를 곱하여 얻어지는 값과 제3 임계 상수 중 최대값으로 나누어 정규화(Normalization)하여 상기 복수의 타겟 배터리 각각의 제2 진단 편차를 산출하는 것을 특징으로 하는 배터리 관리 장치.
  7. 제6 항에 있어서,
    상기 컨트롤러는 상기 복수의 타겟 배터리 각각의 제2 진단 편차의 제2 임계값 초과 여부를 기초로 상기 복수의 타겟 배터리 중 적어도 하나의 타겟 배터리를 진단하는 것을 특징으로 하는 배터리 관리 장치.
  8. 복수의 배터리 각각의 전압을 측정하는 단계;
    상기 복수의 배터리의 평균 전압 및 상기 복수의 배터리 각각의 전압 간의 편차를 상기 복수의 배터리 각각의 제1 전압으로 산출하는 단계;
    상기 복수의 배터리 각각에 대해 제1 전압의 장기 이동 평균값 및 단기 이동 평균값을 산출하는 단계;
    상기 복수의 배터리 각각의 단기 이동 평균값을 기초로 적어도 하나의 노이즈 배터리를 판단하는 단계;
    상기 복수의 배터리 중 상기 적어도 하나의 노이즈 배터리를 제외한 복수의 타겟 배터리 각각에 대해 상기 장기 이동 평균값 및 단기 이동 평균값 간의 편차인 제1 편차를 산출하는 단계;
    상기 복수의 타겟 배터리의 제1 편차의 평균인 제2 편차를 산출하는 단계; 및
    상기 복수의 타겟 배터리 각각에 대해 상기 제1 편차와 상기 제2 편차 간의 차이인 제1 진단 편차에 기초하여 상기 복수의 타겟 배터리 중 적어도 하나의 타겟 배터리를 진단하는 단계를 포함하는 배터리 관리 장치의 동작 방법.
  9. 제8 항에 있어서,
    상기 복수의 배터리의 평균 전압 및 상기 복수의 배터리 각각의 전압 간의 편차를 상기 복수의 배터리 각각의 제1 전압으로 산출하는 단계는
    상기 복수의 배터리의 전압의 평균값(Mean), 중앙값(Median) 또는 최소값(Min)을 상기 복수의 배터리의 평균 전압으로 산출하고,
    상기 복수의 타겟 배터리의 제1 편차의 평균인 제2 편차를 산출하는 단계는
    상기 복수의 타겟 배터리의 제1 편차의 평균값, 중앙값 또는 최소값을 상기 제2 편차로 산출하는 것을 특징으로 하는 배터리 관리 장치의 동작 방법.
  10. 제9 항에 있어서,
    상기 복수의 배터리 각각의 단기 이동 평균값을 기초로 적어도 하나의 노이즈 배터리를 판단하는 단계는
    상기 복수의 배터리의 단기 이동 평균값의 평균값, 중앙값 또는 최소값을 상기 복수의 배터리의 평균 단기 이동 평균값으로 산출하고,
    상기 복수의 배터리의 평균 단기 이동 평균값과 상기 복수의 배터리 각각의 단기 이동 평균값의 편차를 상기 복수의 배터리 각각의 제2 전압으로 산출하는 것을 특징으로 하는 배터리 관리 장치의 동작 방법.
  11. 제10 항에 있어서,
    상기 복수의 배터리 각각의 단기 이동 평균값을 기초로 적어도 하나의 노이즈 배터리를 판단하는 단계는
    상기 복수의 배터리 각각의 제2 전압의 장기 이동 평균값을 상기 복수의 배터리 각각의 리플 노이즈(Ripple Noise)로 산출하는 것을 특징으로 하는 배터리 관리 장치의 동작 방법.
  12. 제11 항에 있어서,
    상기 복수의 배터리 각각의 단기 이동 평균값을 기초로 적어도 하나의 노이즈 배터리를 판단하는 단계는
    상기 복수의 배터리의 리플 노이즈의 평균값에 제1 임계 상수를 곱하여 제1 임계값을 설정하고, 상기 복수의 배터리 중 상기 리플 노이즈가 상기 제1 임계값 이외인 배터리를 상기 적어도 하나의 노이즈 배터리로 판단하는 것을 특징으로 하는 배터리 관리 장치의 동작 방법.
  13. 제12 항에 있어서,
    상기 복수의 타겟 배터리 각각에 대해 상기 제1 편차와 상기 제2 편차 간의 차이인 제1 진단 편차에 기초하여 상기 복수의 타겟 배터리 중 적어도 하나의 타겟 배터리를 진단하는 단계는
    상기 복수의 타겟 배터리 각각의 제1 진단 편차를 상기 제2 편차에 제2 임계 상수를 곱하여 얻어지는 값과 제3 임계 상수 중 최대값으로 나누어 정규화(Normalization)하여 상기 복수의 타겟 배터리 각각의 제2 진단 편차를 산출하는 것을 특징으로 하는 배터리 관리 장치의 동작 방법.
  14. 제13 항에 있어서,
    상기 복수의 타겟 배터리 각각에 대해 상기 제1 편차와 상기 제2 편차 간의 차이인 제1 진단 편차에 기초하여 상기 복수의 타겟 배터리 중 적어도 하나의 타겟 배터리를 진단하는 단계는
    상기 복수의 타겟 배터리 각각의 제2 진단 편차의 제2 임계값 초과 여부를 기초로 상기 복수의 타겟 배터리 중 적어도 하나의 타겟 배터리를 진단하는 것을 특징으로 하는 배터리 관리 장치의 동작 방법.
PCT/KR2024/009774 2023-07-12 2024-07-09 배터리 관리 장치 및 그것의 동작 방법 Ceased WO2025014255A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202480046120.7A CN121464368A (zh) 2023-07-12 2024-07-09 电池管理设备及其操作方法
EP24840065.7A EP4726420A1 (en) 2023-07-12 2024-07-09 Battery management apparatus and operating method thereof

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020230090673A KR20250010435A (ko) 2023-07-12 2023-07-12 배터리 관리 장치 및 그것의 동작 방법
KR10-2023-0090673 2023-07-12

Publications (1)

Publication Number Publication Date
WO2025014255A1 true WO2025014255A1 (ko) 2025-01-16

Family

ID=94215673

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2024/009774 Ceased WO2025014255A1 (ko) 2023-07-12 2024-07-09 배터리 관리 장치 및 그것의 동작 방법

Country Status (4)

Country Link
EP (1) EP4726420A1 (ko)
KR (1) KR20250010435A (ko)
CN (1) CN121464368A (ko)
WO (1) WO2025014255A1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140111920A (ko) * 2013-03-12 2014-09-22 삼성에스디아이 주식회사 이산 웨이블릿 변환을 이용하여 배터리 팩의 soh를 예측하는 장치
US20180194391A1 (en) * 2015-07-20 2018-07-12 Continental Automotive France Method for detecting a torque control defect of an electric motor of a power-steering system of a motor vehicle
KR20190050386A (ko) * 2017-11-03 2019-05-13 구본혁 배터리 소비전력량 관리 및 수명 관리장치
JP2020119712A (ja) * 2019-01-22 2020-08-06 株式会社東芝 蓄電池評価装置、蓄電池評価方法及び蓄電池評価システム
KR20220074797A (ko) * 2020-11-27 2022-06-03 주식회사 엘지에너지솔루션 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
KR20230090673A (ko) 2021-12-15 2023-06-22 한국전력공사 배전선로 보수용 절연안전모

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140111920A (ko) * 2013-03-12 2014-09-22 삼성에스디아이 주식회사 이산 웨이블릿 변환을 이용하여 배터리 팩의 soh를 예측하는 장치
US20180194391A1 (en) * 2015-07-20 2018-07-12 Continental Automotive France Method for detecting a torque control defect of an electric motor of a power-steering system of a motor vehicle
KR20190050386A (ko) * 2017-11-03 2019-05-13 구본혁 배터리 소비전력량 관리 및 수명 관리장치
JP2020119712A (ja) * 2019-01-22 2020-08-06 株式会社東芝 蓄電池評価装置、蓄電池評価方法及び蓄電池評価システム
KR20220074797A (ko) * 2020-11-27 2022-06-03 주식회사 엘지에너지솔루션 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
KR20230090673A (ko) 2021-12-15 2023-06-22 한국전력공사 배전선로 보수용 절연안전모

Also Published As

Publication number Publication date
EP4726420A1 (en) 2026-04-15
KR20250010435A (ko) 2025-01-21
CN121464368A (zh) 2026-02-03

Similar Documents

Publication Publication Date Title
WO2022114871A1 (ko) 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
WO2023068899A1 (ko) 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법
WO2021085836A1 (ko) 배터리 진단 장치 및 방법
WO2010016647A1 (en) Apparatus and method for estimating state of health of battery based on battery voltage variation pattern
WO2017142385A1 (ko) 스위치 부품의 고장 진단 장치 및 방법
WO2021118118A1 (ko) 배터리 퇴화도 진단 장치 및 방법
WO2021230642A1 (ko) 배터리를 진단하기 위한 장치 및 그 방법
WO2022145822A1 (ko) 배터리 관리 장치 및 방법
WO2022215962A1 (ko) 배터리 진단 장치 및 방법
WO2024063600A1 (ko) 배터리 관리 장치 및 그것의 동작 방법
WO2023224414A1 (ko) 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
WO2018194225A1 (ko) 배터리 모니터링 및 보호 시스템
WO2022080837A1 (ko) 배터리 진단 장치 및 방법
WO2021054716A1 (ko) 배터리 전압 데이터 및 온도 데이터를 이용한 이상 상태 사전 감지 시스템
WO2022250390A1 (ko) 배터리 모니터링 장치 및 방법
WO2021080219A1 (ko) 배터리 퇴화도 진단 장치 및 방법
WO2023249298A1 (ko) 배터리 진단 장치, 배터리 진단 방법 및 배터리 진단 시스템
WO2021137642A1 (ko) 배터리 관리 장치 및 방법
WO2023182611A1 (ko) 배터리 관리 장치 및 방법
WO2022071776A1 (ko) 배터리 진단 장치, 방법 및 시스템
WO2022085996A1 (ko) 배터리 관리 장치 및 방법
WO2023153744A1 (ko) 배터리 관리 장치 및 방법
WO2024237704A1 (ko) 배터리 관리 장치 및 그것의 동작 방법
WO2022080835A1 (ko) 배터리 진단 장치 및 방법
WO2024205079A1 (ko) 배터리 관리 장치 및 그것의 동작 방법

Legal Events

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

Ref document number: 24840065

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2024840065

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2024840065

Country of ref document: EP

Effective date: 20260107

ENP Entry into the national phase

Ref document number: 2024840065

Country of ref document: EP

Effective date: 20260107

ENP Entry into the national phase

Ref document number: 2024840065

Country of ref document: EP

Effective date: 20260107

ENP Entry into the national phase

Ref document number: 2024840065

Country of ref document: EP

Effective date: 20260107

NENP Non-entry into the national phase

Ref country code: DE

WWP Wipo information: published in national office

Ref document number: 2024840065

Country of ref document: EP