KR101992051B1 - 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템 - Google Patents
배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템 Download PDFInfo
- Publication number
- KR101992051B1 KR101992051B1 KR1020180031486A KR20180031486A KR101992051B1 KR 101992051 B1 KR101992051 B1 KR 101992051B1 KR 1020180031486 A KR1020180031486 A KR 1020180031486A KR 20180031486 A KR20180031486 A KR 20180031486A KR 101992051 B1 KR101992051 B1 KR 101992051B1
- Authority
- KR
- South Korea
- Prior art keywords
- battery
- remaining amount
- prediction model
- parameter value
- remaining
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Secondary Cells (AREA)
Abstract
배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템이 개시된다. 본 발명의 일실시예에 따른 배터리 잔량 예측 방법은, 배터리 관리 시스템(BMS)으로부터, 배터리의 잔량과 연관되는 파라미터값을 일정 시간 간격으로 수집하는 단계와, 수집된 파라미터값 중 적어도 일부의 제1 파라미터값을 인공 신경망 기법에 따라 학습시켜, 상기 배터리에 대한 잔량 예측 모델을 구축하는 단계, 및 잔량 예측 요청의 발생 후 수집되는 제2 파라미터값을 상기 잔량 예측 모델에 적용하여, 상기 배터리에 대한 예측 잔량(SOC)을 산출하는 단계를 포함한다.
Description
본 발명은 인공 신경망 기법을 이용한 충전식 배터리의 잔존용량(STATE OF CHARGE, SOC) 추정 기술에 관한 것으로, 배터리 잔량에 영향을 미치는 여러 가지 파라미터값을 인공 신경망 기법에 따라 학습하여 구축한 잔량 예측 모델을 통해, 배터리의 현재 잔량을 정확하게 예측하기 위한 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템에 관한 것이다.
2차 전지는, 전기를 저장해 두고 필요 시 사용하는 에너지 저장 기기로서 신재생/그린 에너지 산업의 필수 요소이며 최근 급속도로 개발이 진행되는 전기 자동차의 전원 공급 장치에 충전식 배터리로서 활용되고 있으며 일례로 납 전지, 니켈 전지, 리튬이온 전지 등의 2차 전지가 상용화 되어 있다.
특히, 리튬이온 전지는 기존의 다른 전지에 비해 중량이 가벼우며 성능과 출력이 높고 수명이 길다는 장점에도 불구하고 비정상적인 상황에서의 발화 및 폭발의 위험성 때문에 상용화가 지연되어 왔으나, 최근, 배터리 관리 시스템(Battery Management System, BMS)을 통해 셀 밸런스를 유지하고 안전성을 도모할 수 있게 되면서, 전기 자동차를 비롯해, 전동 스쿠터, 무인 항공기, 전기 선박 등 다양한 이동 기기와 ESS(Energy Storage System, 에너지 저장 시스템) 등의 충전식 배터리에서 리튬이온 전지의 사용 비율이 점차 높아지고 있다.
한편, 배터리 관리 시스템(BMS)은 리튬이온 전지로 구성된 배터리의 내부를 실시간으로 볼 수는 없기 때문에, 배터리의 전류, 전압, 온도, 수명(State of Health, SOH) 등을 주기적으로 측정하여 배터리 잔존용량(SOC)을 추정하고 있다.
일례로, 배터리 관리 시스템(BMS)은 전류 적산법, 확장 칼만 필터(Extended Kalman Filter), 개방 전압(Open Circuit Voltage, OCV) 등을 이용해 배터리 잔량을 추정하고 있으며, 특히 전류 적산법을 이용 시 실시간으로 SOC 추정이 가능하지만 초기 SOC 값을 알고 있어야 예측이 가능하며, 어디까지나 추정이기 때문에 항상 오차는 있을 수 있다.
이에 따라, 데이터 마이닝 기법 중 하나인 인공 신경망을 활용하여 오차율을 줄여서 배터리 잔량을 정확하게 예측할 수 있는 기술이 요구되고 있다.
본 발명의 실시예는 배터리 잔량에 영향을 미치는 다양한 파라미터값들을 인공 신경망 기법에 따라 학습하여 배터리의 잔량 예측 모델을 구축하고, 구축한 잔량 예측 모델을 통해 배터리의 현상태에 따른 잔량을 산출 함으로써, 배터리의 잔량을 정확하게 추정하는 것을 목적으로 한다.
또한, 본 발명의 실시예는 잔량 예측 모델을 통해 추정한 배터리 잔량에 대해 오차율 검증을 수행하고, 오차율이 허용 범위를 초과하는 경우 상기 잔량 예측 모델 구축 시 학습에 사용된 파라미터값을 필터링 또는 수정하여 재학습을 통해 잔량 예측 모델을 구축 함으로써, 잔량 예측의 정확성을 더욱 높이는 것을 목적으로 한다.
또한, 본 발명의 실시예는 다양한 파라미터값들 사이의 연관 관계(상관관계)를 인공 신경망을 활용하여 경험적으로 학습하여 잔량 예측 모델을 구축 함으로써, 각 파라미터값들의 변화가 서로에게 미치는 영향을 고려하여 배터리의 잔량을 더욱 정확하게 예측하는 것을 목적으로 한다.
본 발명의 일실시예에 따른 배터리 잔량 예측 방법은, 배터리에 장착된 배터리 관리 시스템(BMS)으로부터, 상기 배터리의 잔량과 연관되는 파라미터값을 일정 시간 간격으로 수집하는 단계와, 수집된 파라미터값 중 적어도 일부의 제1 파라미터값을 인공 신경망 기법에 따라 학습시켜, 상기 배터리에 대한 잔량 예측 모델을 구축하는 단계, 및 잔량 예측 요청의 발생 후 수집되는 제2 파라미터값을 상기 잔량 예측 모델에 적용하여, 상기 배터리에 대한 예측 잔량(SOC)을 산출하는 단계를 포함한다.
또한, 본 발명의 일실시예에 따른 배터리 잔량 예측 시스템은, 배터리에 장착된 배터리 관리 시스템(BMS)으로부터, 상기 배터리의 잔량과 연관되는 파라미터값을 일정 시간 간격으로 수집하는 수집부와, 수집된 파라미터값 중 적어도 일부의 제1 파라미터값을 인공 신경망 기법에 따라 학습시켜, 상기 배터리에 대한 잔량 예측 모델을 구축하는 모델 구축부, 및 잔량 예측 요청의 발생 후 수집되는 제2 파라미터값을 상기 잔량 예측 모델에 적용하여, 상기 배터리에 대한 예측 잔량(SOC)을 산출하는 처리부를 포함한다.
본 발명의 일실시예에 따르면, 다이나믹하고 다양한 환경 하에서 수집되는 배터리의 전압, 전류, 표면온도 및 주변온도 등과 같은 파라미터값들을 인공 신경망 기법에 따라 학습하여 배터리의 잔량을 정확하게 예측 함과 동시에, 예측한 잔량에 대한 오차율 검증을 통해 정확성을 더욱 높일 수 있다.
또한, 본 발명의 일실시예에 따르면, 인공 신경망 기법을 활용하여, 배터리 잔량에 영향을 미치는 여러 가지 파라미터값들 사이의 변화 관계를 반영한 잔량 예측 모델을 구축할 수 있어, 배터리의 잔량을 정확하게 추정할 수 있다.
또한, 본 발명의 일실시예에 따르면, 인공 신경망 기법을 활용하여 리튬이온 이차전지와 같은 충전식 배터리의 잔량을 정확하게 예측할 수 있으며, 예측한 잔량에 기초하여, 배터리를 사용하는 전기 자동차, 무인 잠수정과 같은 기기의 운행 가능 시간도 예측할 수 있다.
도 1은 본 발명의 일실시예에 따른 배터리 잔량 예측 시스템의 구성을 도시한 블록도이다.
도 2는 본 발명의 일실시예에 따른 배터리 잔량 예측 시스템에서, ANFIS 모델을 이용해 잔량 예측 모델을 구축하는 일례를 도시한 도면이다.
도 3a 내지 도 3d는 본 발명의 일실시예에 따른 배터리 잔량 예측 시스템에서, 배터리의 잔량에 영향을 미치는 파라미터값들 간의 관계를 나타내는 그래프이다.
도 4는 본 발명의 일실시예에 따른 배터리 잔량 예측 방법의 순서를 도시한 흐름도이다.
도 5는 본 발명의 일실시예에 따른 배터리 잔량 예측 시스템에서, 잔량 예측 모델의 검증 과정의 순서를 도시한 흐름도이다.
도 2는 본 발명의 일실시예에 따른 배터리 잔량 예측 시스템에서, ANFIS 모델을 이용해 잔량 예측 모델을 구축하는 일례를 도시한 도면이다.
도 3a 내지 도 3d는 본 발명의 일실시예에 따른 배터리 잔량 예측 시스템에서, 배터리의 잔량에 영향을 미치는 파라미터값들 간의 관계를 나타내는 그래프이다.
도 4는 본 발명의 일실시예에 따른 배터리 잔량 예측 방법의 순서를 도시한 흐름도이다.
도 5는 본 발명의 일실시예에 따른 배터리 잔량 예측 시스템에서, 잔량 예측 모델의 검증 과정의 순서를 도시한 흐름도이다.
이하, 첨부된 도면들을 참조하여 본 발명의 일실시예에 따른 응용프로그램 업데이트 장치 및 방법에 대해 상세히 설명한다. 그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
본 발명의 일실시예에 따른 배터리 잔량 예측 시스템은, 기존의 배터리 관리 시스템(BMS)으로부터 측정할 수 있는 전류, 전압, 온도, 전지의 수명(SOH) 등 여러 파라미터들 사이의 비선형적인 상관관계를, 인공 신경망을 활용하여 경험적으로 학습시킴으로써 정확한 잔존용량(잔량)을 추정 가능한 잔량 예측 모델을 구축할 수 있고, 상기 잔량 예측 모델을 통해 추정된 예측 잔량에 대해 오차율을 검증하여 신뢰도 높은 데이터들로 잔량 예측 모델이 구축되도록 할 수 있다.
도 1은 본 발명의 일실시예에 따른 배터리 잔량 예측 시스템의 구성을 도시한 블록도이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 배터리 잔량 예측 시스템(100)은, 수집부(110), 처리부(120), 검증부(130), 출력부(140), 데이터베이스(150) 및 모델 구축부(160)를 포함하여 구성할 수 있다.
수집부(110)는 배터리 관리 시스템(BMS)으로부터, 상기 배터리의 잔량에 영향을 미치는 파라미터값을 일정 시간 간격으로 수집한다.
여기서, 상기 파라미터값은, 상기 배터리에 대해 측정되는, 전압, 전류, 표면온도 및 주변온도 중 적어도 하나의 측정 데이터 및 상기 측정 데이터를 이용하여 전류 적산법에 따라 측정되는 측정 잔량으로 구성될 수 있다.
상기 배터리 관리 시스템(BMS)은, 배터리의 상태를 모니터링 하여 배터리의 셀 벨런스를 유지하고 발화나 폭발의 위험을 감지해 안전성을 도모하는 역할을 수행하는 장비일 수 있다.
일례로, 배터리 관리 시스템(BMS)은, 배터리에 장착되어, 해당 배터리의 전류, 전압, 표면온도 및 주변온도 중 적어도 하나의 데이터를 측정하고, 측정 데이터를 전류 적산법에 적용하여 배터리의 잔량을 측정할 수 있다.
수집부(110)는 전지 제조사, 전지 용량, 전지가 사용된 기기 등이 제한된 조건 하에서, 상기 배터리 관리 시스템(BMS)에 의해 측정된 측정 데이터(전류, 전압, 표면온도 및 주변온도)와 상기 전류 적산법에 따른 측정 잔량을, 일정 주기로 수집할 수 있다.
본 발명의 배터리 잔량 예측 시스템(100)은, 도 1에 도시된 것처럼, 배터리 관리 시스템(BMS)의 외부에 구현될 수도 있으나, 배터리 관리 시스템(BMS)의 내부에 포함되어 구현될 수도 있다.
일례로, 수집부(110)는 상기 배터리 관리 시스템(BMS)을 통해, 상기 배터리의 주변온도가 고정된 환경에서, 일정한 전류로 상기 배터리의 방전을 실시하는 동안 수집되는 상기 파라미터값을, 인공 신경망 기법 중 하나인 ANFIS(Adaptive Neuro-Fuzzy Interface System) 알고리즘에 맞춰 전처리한 후, 데이터베이스(150)에 유지할 수 있다.
예를 들어, 수집부(110)는 '18650 리튬이온 전지'로 이루어진 배터리를 주변온도가 '0도'인 환경에서 일정한 전류('1.7' A)로 측정 잔량이 '0'이 될 때까지 방전을 실시하면서 전류, 전압, 표면온도, 주변온도와 같은 데이터를 측정하고, 각 측정 데이터의 변화에 따른 잔량을 전류 적산법으로 측정하여, 측정 데이터 및 측정 잔량으로 구성된 파라미터값을 수집할 수 있다. 수집부(110)는 파라미터값을 ANFIS 알고리즘에 적용할 수 있게 정제하여 데이터베이스(150)에 유지할 수 있다.
모델 구축부(160)는 수집된 파라미터값 중 적어도 일부의 제1 파라미터값을 인공 신경망 기법에 따라 학습시켜, 상기 배터리에 대한 잔량 예측 모델을 구축한다.
인공 신경망은 과거자료의 입출력 패턴에서 정보를 추출하여 지식으로 보유하고 이를 근거로 새로운 상황에 대한 해답을 제시하도록 하는 인공지능분야의 학습기법으로서, 인간이 과거의 경험과 훈련으로 지식을 축적하듯이 시스템의 입출력에 의하여 연결 강도를 최적화 함으로써 모형의 구조를 스스로 조직화하기 때문에 모형의 구조에 적합한 최적 매개변수를 추정하는데 이용될 수 있다.
일례로, 모델 구축부(160)는 상기 인공 신경망 기법 중 하나인 ANFIS 알고리즘에 따라, 상기 제1 파라미터값 내 측정 데이터와 측정 잔량을 각각 입력값과 출력값으로서 학습시켜, 상기 잔량 예측 모델을 구축할 수 있다.
여기서, ANFIS 알고리즘은, 신경 회로망과 퍼지 이론을 동시에 가장 쉽게 이용하는 방법으로, 신경 회로망의 구조와 학습능력을 이용하여 환경으로부터 얻은 입출력정보로부터 언어 변수의 멤버십 함수와 제어 규칙을 환경에 맞게 자동 조정하는 방식이다. 즉, ANFIS 알고리즘은 학습을 통해 N개의 입력값과 1개의 출력값으로 대응되는 결과를 예측할 수 있는 알고리즘으로서, 일반적으로 수학식 1과 같은 Sugeno 퍼지 규칙에 대응한 구조를 사용할 수 있다.
ANFIS 알고리즘은 6개 층의 피드포워드 신경망으로 나타낼 수 있다. 여기서 1층은 입력 층이며, 1층에 있는 뉴런은 단순히 외부 크리스프 신호를 2층으로 전달하고, 2층은 퍼지화 층이며, 2층에 있는 뉴런은 퍼지화를 수행하고 종형 활성화 함수를 취할 수 있다. 여기서, 종형 활성화 함수는 수학식 2와 같이 정의할 수 있다.
수학식 2에서, x는 2층에 있는 뉴런 i의 입력이고, y는 출력이며, a, b, c는 각각 뉴런 i의 종형 활성화 함수의 중심, 폭, 기울기를 제어하는 인수이다.
3층은 규칙 층이며, 3층에 있는 각각의 뉴런은 Sugeno 퍼지 규칙 하나에 대응할 수 있다. 규칙 뉴런은 퍼지화 뉴런에서 입력을 받아 그것이 표현하는 규칙의 수행 강도를 계산하고, ANFIS에서는 규칙 전건의 결합을 곱셈 연산자를 사용해 평가할 수 있다. 따라서, 3층에 있는 뉴런의 출력을 수학식 3과 같이 구할 수 있다.
여기서, xji는 3층에 있는 규칙 뉴런 i의 입력이고 yi는 출력이다. 정리하면 수학식 4와 같다.
4층은 정규화 층이며, 4층에 있는 뉴런은 규칙 층에 있는 모든 뉴런에서 입력을 받아 그 규칙의 정규화 수행 강도를 계산할 수 있다. 4층에 있는 뉴런 i의 출력을 수학식 5와 같이 결정할 수 있다.
xji는 3층에 있는 뉴런 j에서 4층에 있는 뉴런 i로 들어가는 입력이고, n은 규칙 뉴런 개수이며, 정리하면 수학식 6과 같다.
5층은 역퍼지화 층이며, 5층에 있는 뉴런은 각각 정규화 뉴런에 연결되어 초기 입력 x1과 x2를 받을 수 있다. 역퍼지화 뉴런은 규칙의 가중 결론값을 계산한다. 여기서 xi는 5층에 있는 역퍼지화 뉴런 i의 입력이고 yi는 출력이며 ki0, ki1, ki2는 규칙 i의 결론 인수 집합이다.
6층은 합계 뉴런이며, 6층에 있는 뉴런은 모든 역퍼지화 뉴런의 출력을 더하여 전체 ANFIS 출력 y를 만들 수 있다.
예를 들어, 모델 구축부(160)는 도 2에 도시한 ANFIS 알고리즘에서 제1 파라미터값 내 측정 데이터(전압, 전류, 전지 표면온도 및 전지 주변온도)를 입력값('x1', 'x2')으로 하고, 제1 파라미터값 내 측정 잔량을 출력값(y)로 하여, ANFIS 옵션('초기 뉴런의 수: 4', '반복횟수: 40')에 따라, 일정 수의 제1 파라미터값을 학습시킴으로써, 배터리의 잔량 예측 모델을 구축할 수 있다.
또한, 모델 구축부(160)는 상기 제1 파라미터값 내 측정 데이터 중, 전압에 따라 변화하는 측정 잔량, 상기 배터리의 주변온도에 따라 변화하는 표면온도, 및 상기 배터리의 표면온도에 따라 변화하는 측정 잔량 중 적어도 하나에 관한 파라미터 연관 관계를 분석하고, 상기 ANFIS 알고리즘을 이용하여, 상기 파라미터 연관 관계를 반영한 상기 잔량 예측 모델을 구축할 수 있다.
일례로, 모델 구축부(160)는 측정 데이터들 사이의 변화 관계 또는 측정 데이터와 측정 잔량 사이의 변화 관계를 분석할 수 있다. 예를 들어, 모델 구축부(160)는 도 3a에 도시된 그래프와 같이 배터리의 전압이 감소함에 따라 측정 잔량이 비선형적으로 감소하는 관계에 있음을 알 수 있고, 도 3b에 도시된 그래프와 같이 배터리의 전압이 감소함에 따라 배터리의 표면온도가 대체로 증가하는 관계에 있음을 알 수 있고, 도 3c에 도시된 그래프와 같이 배터리의 측정 잔량이 감소 시 배터리의 표면온도가 대체로 높아지는 것을 알 수 있으며, 도 3d에 도시된 그래프와 같이 배터리의 표면온도와 주변온도가 사이에 연관 관계가 없음을 알 수 있다.
모델 구축부(160)는 인공 신경망 기법 중 ANFIS 알고리즘에, 측정 데이터 및 측정 잔량으로 구성된 제1 파라미터값을 학습시킴으로써, 이러한 파라미터 연관 관계를 경험적으로 학습한 잔량 예측 모델을 구축할 수 있다.
처리부(120)는 잔량 예측 요청의 발생 후 수집되는 제2 파라미터값을 상기 잔량 예측 모델에 적용하여, 상기 배터리에 대한 예측 잔량(SOC)을 산출한다.
구체적으로, 처리부(120)는 상기 제2 파라미터값 내 측정 데이터를 상기 잔량 예측 모델의 입력값(x1, x2)으로 입력 시, 상기 잔량 예측 모델로부터 출력되는 측정 잔량을, 상기 배터리의 예측 잔량으로서 산출할 수 있다.
검증부(130)는 상기 제2 파라미터값에 포함되는 상기 배터리의 측정 잔량을 식별하고, 상기 측정 잔량과 상기 예측 잔량과의 오차율을 연산하고, 상기 오차율이 허용 범위 이내인지 검증한다.
일례로, 상기 검증 결과 오차율이 허용 범위 이내인 경우, 수집부(110)는 잔량 예측 모델 구축 시 사용된 상기 제1 파라미터값을, 데이터베이스(150)에 유지할 수 있다.
예를 들어, 검증부(130)는 제2 파라미터값을 잔량 예측 모델에 적용해 산출된 예측 잔량이 '80'이고, 제2 파라미터값 내 측정 잔량이 '75'일 경우, 측정 잔량과 예측 잔량 간의 오차율('5%')을 연산할 수 있다. 이때, 측정 잔량과 예측 잔량 간의 오차율('5%')이 허용 범위('5%') 이내이므로, 수집부(110)는 상기 잔량 예측 모델 구축 시 학습에 사용된 제1 파라미터값에 대해 신뢰도가 높은 것으로 판단하여 데이터베이스(150)로의 유지를 결정할 수 있다.
또한, 상기 검증 결과 오차가 허용 범위를 초과하는 경우, 모델 구축부(160)는 잔량 예측 모델 구축 시 사용된 상기 제1 파라미터값을 수정하여 상기 인공 신경망 기법에 따라 재학습시켜, 상기 잔량 예측 모델을 구축할 수 있다.
예를 들어, 검증부(130)는 제2 파라미터값을 잔량 예측 모델에 적용해 산출된 예측 잔량이 '85'이고, 제2 파라미터값 내 측정 잔량이 '75'일 경우, 측정 잔량과 예측 잔량 간의 오차율('10%')을 연산할 수 있다.
이때, 측정 잔량과 예측 잔량 간의 오차율('10%')이 허용 범위('5%')를 초과하므로, 수집부(110)는 상기 잔량 예측 모델 구축 시 학습에 사용된 제1 파라미터값에 대해 신뢰도가 낮은 것으로 판단하여 데이터베이스(150)로부터 필터링할 수 있다.
또한, 모델 구축부(160)는 제1 파라미터값 내 측정 데이터와 측정 잔량을 관리자 권한으로 일부 수정하여 인공 신경망 기법에 따라 재학습 함으로써, 다양한 조건에서 오차율이 적은 잔량 예측 모델을 새롭게 구축할 수 있다.
출력부(140)는 상기 검증이 완료된 예측 잔량을, 구비된 계기판에 표시한다.
일례로, 출력부(140)는 상기 배터리가 복수의 전지로 구성된 배터리 팩일 경우, 상기 예측 잔량을, 상기 복수의 전지 각각으로 구분해서 표시하거나, 또는 상기 복수의 전지 중, 상기 잔량 예측 요청에 의해 지정된 특정 전지에 대한 예측 잔량을 선택적으로 표시할 수 있다.
또한, 출력부(140)는 상기 예측 잔량에 기초하여 산출되는 상기 배터리가 장착된 기기의 동작 가능 시간을 상기 계기판에 함께 표시할 수도 있다.
예를 들어, 출력부(140)는 상기 예측 잔량에 기초하여, 상기 배터리가 장착된 전기 자동차, 전동 스쿠터, 무인 항공기, 전기 선박과 같은 이동 기기의, 현재 이동 속도에서 주행(비행)이 가능한 시간을 산출해 계기판에 표시할 수 있다.
이와 같이, 본 발명의 일실시예에 따르면, 다이나믹하고 다양한 환경 하에서 수집되는 배터리의 전압, 전류, 표면온도 및 주변온도 등과 같은 파라미터값들을 인공 신경망 기법에 따라 학습하여 배터리의 잔량을 정확하게 예측 함과 동시에, 예측한 잔량에 대한 오차율 검증을 통해 정확성을 더욱 높일 수 있다.
또한, 본 발명의 일실시예에 따르면, 인공 신경망 기법을 활용하여, 배터리 잔량에 영향을 미치는 여러 가지 파라미터값들 사이의 변화 관계를 반영한 잔량 예측 모델을 구축할 수 있어, 배터리의 잔량을 정확하게 추정할 수 있다.
또한, 본 발명의 일실시예에 따르면, 인공 신경망 기법을 활용하여 리튬이온 이차전지와 같은 충전식 배터리의 잔량을 정확하게 예측할 수 있으며, 예측한 잔량에 기초하여, 배터리를 사용하는 전기 자동차, 무인 잠수정과 같은 기기의 운행 가능 시간도 예측할 수 있다.
도 2는 본 발명의 일실시예에 따른 배터리 잔량 예측 시스템에서, ANFIS 모델을 이용해 잔량 예측 모델을 구축하는 일례를 도시한 도면이다.
본 발명의 일실시예에 따른 배터리 잔량 예측 시스템은, 학습을 통해 N개의 입력값과 1개의 출력값으로 대응되는 결과를 예측할 수 있는 ANFIS 알고리즘을 이용하여, 배터리 잔량에 영향을 미치는 여러 가지 파라미터값들 사이의 변화 관계를 반영한 잔량 예측 모델을 구축할 수 있다.
도 2를 참조하면, 배터리 잔량 예측 시스템은, 제1 파라미터값 내 측정 데이터(전압, 전류, 전지 표면온도 및 전지 주변온도)를 ANFIS 모델의 입력값('x1', 'x2')으로 하고, 제1 파라미터값 내 측정 잔량을 ANFIS 모델의 출력값(y)로 하여, ANFIS 옵션('초기 뉴런의 수: 4', '반복횟수: 40')에 따라, 일정 수의 제1 파라미터값을 학습시킴으로써, 배터리의 잔량 예측 모델을 구축할 수 있다.
도 3a 내지 도 3d는 본 발명의 일실시예에 따른 배터리 잔량 예측 시스템에서, 배터리의 잔량에 영향을 미치는 파라미터값들 간의 관계를 나타내는 그래프이다.
도 3a에는, 배터리의 전압(V)과 측정 잔량(SOC) 간의 관계를 나타내는 그래프가 도시되어 있다. 여기서, 측정 잔량(SOC)는, 기존의 전류 적산법에 따라 배터리 관리 시스템에서 측정한 배터리의 잔존 용량을 의미할 수 있다.
본 발명의 일실시예에 따른 배터리 잔량 예측 시스템은, 배터리의 잔량에 영향을 미치는 파라미터값 사이의 상관관계를 분석한 결과, 배터리의 전압이 감소함에 따라 측정 잔량이 비선형적으로 감소하는 관계에 있는 것을 알 수 있다. 다시 말해, 배터리 잔량 예측 시스템은, 전압이 높아질수록 측정 잔량(SOC)이 빠르게 높아지는 것을 알 수 있다.
도 3b에는, 배터리의 전압(V)과 배터리의 표면온도(Surface) 간의 관계를 나타내는 그래프가 도시되어 있다. 배터리 잔량 예측 시스템은, 배터리의 잔량에 영향을 미치는 파라미터값 사이의 상관관계를 분석한 결과, 배터리의 전압이 감소함에 따라 배터리의 표면온도가 대체로 증가하는 관계에 있는 것을 알 수 있다. 이는 배터리에서 방전이 진행되는 동안 열이 발생하여 배터리의 표면온도가 상승하기 때문인 것으로 분석될 수 있다.
도 3c에는, 측정 잔량(SOC)과 배터리의 표면온도(Surface) 간의 관계를 나타내는 그래프가 도시되어 있다. 배터리 잔량 예측 시스템은, 배터리의 잔량에 영향을 미치는 파라미터값 사이의 상관관계를 분석한 결과, 배터리의 측정 잔량이 감소함에 따라 배터리에서 열이 발생하여 배터리의 표면온도가 대체로 높아지는 관계에 있는 것을 알 수 있다.
도 3d에는, 배터리의 표면온도(Surface)와 배터리의 주변온도(Ambient) 간의 관계를 나타내는 그래프가 도시되어 있다. 배터리의 표면온도가 높아지면서 배터리에서 발생한 열로 인해 배터리 주위의 온도가 어느 정도는 높아질 수는 있지만, 배터리 잔량 예측 시스템은, 도 3d의 그래프에 도시된 것처럼, 배터리의 표면온도와 주변온도가 사이에 특별한 연관 관계(상관관계)는 없는 것을 알 수 있다.
이하, 도 4 내지 5에서는 본 발명의 실시예들에 따른 배터리 잔량 예측 시스템(100)의 작업 흐름을 상세히 설명한다.
도 4는 본 발명의 일실시예에 따른 배터리 잔량 예측 방법의 순서를 도시한 흐름도이다.
본 실시예에 따른 배터리 잔량 예측 방법은 상술한 배터리 잔량 예측 시스템(100)에 의해 수행될 수 있다.
도 4를 참조하면, 단계(410 내지 420)에서, 배터리 잔량 예측 시스템(100)은, 잔량 예측 요청이 발생 함에 연동하여, 배터리 관리 시스템(BMS)으로부터 배터리의 상태를 나타내는 정보를 일정 주기로 수집한다.
단계(430)에서, 배터리 잔량 예측 시스템(100)은, 상기 배터리 정보 내 파라미터값(전압, 전류, 표면온도, 주변온도, 측정 잔량 등)을, 인공 신경망 기법에 따라 구축한 잔량 예측 모델에 적용하여, 배터리의 현 상태에 따른 잔량을 예측한다.
단계(440)에서, 배터리 잔량 예측 시스템(100)은, 단계(430)에서 예측한 잔량과, 단계(420)에서 수집한 상기 배터리 정보 내 측정 잔량 사이의 오차율을 검증하고, 오차율이 허용 범위 이내로 검증되면 상기 예측 잔량을 계기판에 출력한다.
도 5는 본 발명의 일실시예에 따른 배터리 잔량 예측 시스템에서, 잔량 예측 모델의 검증 과정의 순서를 도시한 흐름도이다.
본 실시예에 따른 배터리 잔량 예측 방법은 상술한 배터리 잔량 예측 시스템(100)에 의해 수행될 수 있다.
도 5를 참조하면, 단계(510)에서, 배터리 잔량 예측 시스템(100)은, 배터리 잔량에 영향을 미치는 파라미터값을 수집한다.
단계(520)에서, 배터리 잔량 예측 시스템(100)은, 파라미터값을 인공 신경망을 이용해 학습시켜, 해당 배터리의 잔량 예측 모델을 구축한다.
단계(530)에서, 배터리 잔량 예측 시스템(100)은, 잔량 예측 모델로부터 산출되는 예측 잔량과, 측정 잔량을 비교해 오차율을 연산한다.
단계(540)에서, 배터리 잔량 예측 시스템(100)은, 오차율이 허용 범위 이내인지 검증한다.
상기 단계(540)에서의 검증 결과, 오차율이 허용 범위를 초과하면, 단계(550)에서, 배터리 잔량 예측 시스템(100)은, 파라미터값을 수정하고, 단계(520)로 이동해 수정된 파라미터값을 인공 신경망을 이용해 재학습하여 잔량 예측 모델을 새롭게 구축한다.
상기 단계(540)에서의 검증 결과, 오차율이 허용 범위 이내이면, 단계(560)에서, 배터리 잔량 예측 시스템(100)은, 잔량 예측 모델 구축 시 학습에 사용된 상기 파라미터값을 데이터베이스에 유지한다.
따라서, 본 발명의 일실시예에 따르면, 다이나믹하고 다양한 환경 하에서 수집되는 배터리의 전압, 전류, 표면온도 및 주변온도 등과 같은 파라미터값들을 인공 신경망 기법에 따라 학습하여 배터리의 잔량을 정확하게 예측 함과 동시에, 예측한 잔량에 대한 오차율 검증을 통해 정확성을 더욱 높일 수 있다.
또한, 본 발명의 일실시예에 따르면, 인공 신경망 기법을 활용하여, 배터리 잔량에 영향을 미치는 여러 가지 파라미터값들 사이의 변화 관계를 반영한 잔량 예측 모델을 구축할 수 있어, 배터리의 잔량을 정확하게 추정할 수 있다.
본 발명의 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100: 배터리 잔량 예측 시스템
110: 수집부
120: 처리부
130: 검증부
140: 출력부
150: 데이터베이스
160: 모델 구축부
110: 수집부
120: 처리부
130: 검증부
140: 출력부
150: 데이터베이스
160: 모델 구축부
Claims (12)
- 배터리에 장착된 배터리 관리 시스템(BMS)으로부터, 상기 배터리의 잔량과 연관되는 파라미터값을 일정 시간 간격으로 수집하는 단계;
수집된 파라미터값 중 적어도 일부의 제1 파라미터값을 학습시켜, 상기 배터리에 대한 잔량 예측 모델을 구축하는 단계로서, 상기 제1 파라미터값 내 측정 데이터 중, 전압에 따라 변화하는 측정 잔량, 상기 배터리의 주변온도에 따라 변화하는 표면온도, 및 상기 배터리의 표면온도에 따라 변화하는 측정 잔량 중 적어도 하나에 관한 파라미터 연관 관계를 분석하여, 상기 파라미터 연관 관계를 반영한 상기 잔량 예측 모델을 구축하는 단계; 및
잔량 예측 요청의 발생 후 수집되는 제2 파라미터값을 상기 잔량 예측 모델에 적용하여, 상기 배터리에 대한 예측 잔량(SOC)을 산출하는 단계
를 포함하는 배터리 잔량 예측 방법. - 제1항에 있어서,
상기 제2 파라미터값에 포함되는 상기 배터리의 측정 잔량을 식별하는 단계;
상기 측정 잔량과 상기 예측 잔량과의 오차율을 연산하고, 상기 오차율이 허용 범위 이내인지 검증하는 단계; 및
상기 오차율이 허용 범위 이내인 경우,
상기 잔량 예측 모델 구축 시 사용된 상기 제1 파라미터값을, 데이터베이스에 유지하는 단계
를 더 포함하는 배터리 잔량 예측 방법. - 제2항에 있어서,
상기 검증이 완료된 예측 잔량을, 구비된 계기판에 표시하는 단계; 및
상기 예측 잔량에 기초하여 산출되는 상기 배터리가 장착된 기기의 동작 가능 시간을 상기 계기판에 함께 표시하는 단계
를 더 포함하는 배터리 잔량 예측 방법. - 제3항에 있어서,
상기 배터리가 복수의 전지로 구성된 배터리 팩일 경우,
상기 계기판에 표시하는 단계는,
상기 복수의 전지 각각으로 구분해서 상기 예측 잔량을 표시하는 단계; 또는
상기 복수의 전지 중, 상기 잔량 예측 요청에 의해 지정된 전지에 대한 예측 잔량을 표시하는 단계
를 포함하는 배터리 잔량 예측 방법. - 제2항에 있어서,
상기 오차가 허용 범위를 초과하는 경우,
상기 잔량 예측 모델 구축 시 사용된 상기 제1 파라미터값을 수정하여 인공 신경망 기법에 따라 재학습시켜, 상기 잔량 예측 모델을 구축하는 단계
를 더 포함하는 배터리 잔량 예측 방법. - 제1항에 있어서,
상기 파라미터값은, 상기 배터리에 대해 측정되는, 전압, 전류, 표면온도 및 주변온도 중 적어도 하나의 측정 데이터 및 상기 측정 데이터를 이용하여 전류 적산법에 따라 측정되는 측정 잔량으로 구성되고,
상기 잔량 예측 모델을 구축하는 단계는,
인공 신경망 기법 중 하나인 ANFIS(Adaptive Neuro-Fuzzy Interface System) 알고리즘에 따라, 상기 제1 파라미터값 내 측정 데이터와 측정 잔량을 각각 입력값과 출력값으로서 학습시켜, 상기 잔량 예측 모델을 구축하는 단계
를 더 포함하는 배터리 잔량 예측 방법. - 삭제
- 제1항에 있어서,
상기 예측 잔량을 산출하는 단계는,
상기 제2 파라미터값 내 측정 데이터를 상기 잔량 예측 모델에 입력 시, 상기 잔량 예측 모델로부터 출력되는 측정 잔량을, 상기 배터리의 예측 잔량으로서 산출하는 단계
를 포함하는 배터리 잔량 예측 방법. - 제1항에 있어서,
상기 배터리 관리 시스템을 통해, 상기 배터리의 주변온도가 고정된 환경에서, 일정한 전류로 상기 배터리의 방전을 실시하는 동안 수집되는 파라미터값을, 인공 신경망 기법 중 하나인 ANFIS 알고리즘에 맞춰 전처리한 후, 데이터베이스에 유지하는 단계
를 더 포함하는 배터리 잔량 예측 방법. - 배터리에 장착된 배터리 관리 시스템(BMS)으로부터, 상기 배터리의 잔량과 연관되는 파라미터값을 일정 시간 간격으로 수집하는 수집부;
수집된 파라미터값 중 적어도 일부의 제1 파라미터값을 학습시켜, 상기 배터리에 대한 잔량 예측 모델을 구축하는 모델 구축부; 및
잔량 예측 요청의 발생 후 수집되는 제2 파라미터값을 상기 잔량 예측 모델에 적용하여, 상기 배터리에 대한 예측 잔량(SOC)을 산출하는 처리부
를 포함하고,
상기 모델 구축부는,
상기 제1 파라미터값 내 측정 데이터 중, 전압에 따라 변화하는 측정 잔량, 상기 배터리의 주변온도에 따라 변화하는 표면온도, 및 상기 배터리의 표면온도에 따라 변화하는 측정 잔량 중 적어도 하나에 관한 파라미터 연관 관계를 분석하여, 상기 파라미터 연관 관계를 반영한 상기 잔량 예측 모델을 구축하는
배터리 잔량 예측 시스템. - 제10항에 있어서,
상기 배터리 잔량 예측 시스템은,
상기 제2 파라미터값에 포함되는 상기 배터리의 측정 잔량을 식별하고, 상기 측정 잔량과 상기 예측 잔량과의 오차율을 연산하고, 상기 오차율이 허용 범위 이내인지 검증하는 검증부
를 더 포함하고,
상기 오차율이 허용 범위 이내인 경우,
상기 수집부는,
상기 잔량 예측 모델 구축 시 사용된 상기 제1 파라미터값을, 데이터베이스에 유지하는
배터리 잔량 예측 시스템. - 제11항에 있어서,
상기 오차가 허용 범위를 초과하는 경우,
상기 모델 구축부는,
상기 잔량 예측 모델 구축 시 사용된 상기 제1 파라미터값을 수정하여 인공 신경망 기법에 따라 재학습시켜, 상기 잔량 예측 모델을 구축하는
배터리 잔량 예측 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180031486A KR101992051B1 (ko) | 2018-03-19 | 2018-03-19 | 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180031486A KR101992051B1 (ko) | 2018-03-19 | 2018-03-19 | 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101992051B1 true KR101992051B1 (ko) | 2019-06-21 |
Family
ID=67056370
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180031486A KR101992051B1 (ko) | 2018-03-19 | 2018-03-19 | 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101992051B1 (ko) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111044916A (zh) * | 2020-01-02 | 2020-04-21 | 北京理工大学 | 一种动力电池的参数与全区间soc联合估计的方法 |
| CN111366848A (zh) * | 2019-12-31 | 2020-07-03 | 安徽师范大学 | 一种基于pso-elm算法的电池健康状态预测方法 |
| CN111426957A (zh) * | 2020-05-19 | 2020-07-17 | 华南理工大学 | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 |
| KR20210016154A (ko) * | 2019-07-31 | 2021-02-15 | 주식회사 에스제이 테크 | 머신러닝을 이용한 배터리 진단 방법 |
| WO2021182849A1 (en) * | 2020-03-10 | 2021-09-16 | Samsung Electronics Co., Ltd. | Methods and electronic devices for obtaining information on a battery pack |
| CN113696784A (zh) * | 2021-10-26 | 2021-11-26 | 深圳市乐骑智能科技有限公司 | 一种基于物联网的电动滑板车剩余电量预测方法以及装置 |
| CN113820603A (zh) * | 2021-08-29 | 2021-12-21 | 西北工业大学 | 一种预测锂电池组可输出能量的方法 |
| CN113835036A (zh) * | 2020-06-24 | 2021-12-24 | 丰翼科技(深圳)有限公司 | 电池健康状态评估方法、装置、计算机设备和存储介质 |
| CN114565231A (zh) * | 2022-02-07 | 2022-05-31 | 三一汽车制造有限公司 | 作业方量确定方法、装置、设备、存储介质及作业机械 |
| CN115524655A (zh) * | 2022-10-14 | 2022-12-27 | 成都智邦科技有限公司 | 一种储能电池的剩余电量预测校准方法 |
| EP4231026A1 (en) * | 2021-01-08 | 2023-08-23 | LG Energy Solution, Ltd. | Battery management device and method |
| CN117458678A (zh) * | 2023-12-25 | 2024-01-26 | 广东奥克莱集团有限公司 | 一种铅酸电池组主动均衡电池管理*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09236641A (ja) * | 1995-12-28 | 1997-09-09 | Yazaki Corp | バッテリー残量容量計測装置 |
| KR20050061386A (ko) * | 2003-12-18 | 2005-06-22 | 주식회사 엘지화학 | 신경망을 이용한 배터리 잔존량 추정 장치 및 방법 |
| KR101490802B1 (ko) * | 2013-09-02 | 2015-02-06 | 엘케이테크넷(주) | 셀 단위 충전장치 |
-
2018
- 2018-03-19 KR KR1020180031486A patent/KR101992051B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09236641A (ja) * | 1995-12-28 | 1997-09-09 | Yazaki Corp | バッテリー残量容量計測装置 |
| KR20050061386A (ko) * | 2003-12-18 | 2005-06-22 | 주식회사 엘지화학 | 신경망을 이용한 배터리 잔존량 추정 장치 및 방법 |
| KR101490802B1 (ko) * | 2013-09-02 | 2015-02-06 | 엘케이테크넷(주) | 셀 단위 충전장치 |
Non-Patent Citations (1)
| Title |
|---|
| Battery State-of-Charge (SOC) Estimation Using Adaptive Neuro-Fuzzy Inference System. IEEE, 2003.6.25.* * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102238248B1 (ko) * | 2019-07-31 | 2021-04-12 | 주식회사 에스제이 테크 | 머신러닝을 이용한 배터리 진단 방법 |
| KR20210016154A (ko) * | 2019-07-31 | 2021-02-15 | 주식회사 에스제이 테크 | 머신러닝을 이용한 배터리 진단 방법 |
| CN111366848A (zh) * | 2019-12-31 | 2020-07-03 | 安徽师范大学 | 一种基于pso-elm算法的电池健康状态预测方法 |
| CN111044916A (zh) * | 2020-01-02 | 2020-04-21 | 北京理工大学 | 一种动力电池的参数与全区间soc联合估计的方法 |
| US11581585B2 (en) | 2020-03-10 | 2023-02-14 | Samsung Electronics Co., Ltd. | Methods and electronic devices for obtaining information on a battery pack |
| WO2021182849A1 (en) * | 2020-03-10 | 2021-09-16 | Samsung Electronics Co., Ltd. | Methods and electronic devices for obtaining information on a battery pack |
| CN111426957A (zh) * | 2020-05-19 | 2020-07-17 | 华南理工大学 | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 |
| CN113835036A (zh) * | 2020-06-24 | 2021-12-24 | 丰翼科技(深圳)有限公司 | 电池健康状态评估方法、装置、计算机设备和存储介质 |
| EP4231026A4 (en) * | 2021-01-08 | 2024-05-22 | LG Energy Solution, Ltd. | BATTERY MANAGEMENT DEVICE AND METHOD |
| EP4231026A1 (en) * | 2021-01-08 | 2023-08-23 | LG Energy Solution, Ltd. | Battery management device and method |
| CN113820603A (zh) * | 2021-08-29 | 2021-12-21 | 西北工业大学 | 一种预测锂电池组可输出能量的方法 |
| CN113696784A (zh) * | 2021-10-26 | 2021-11-26 | 深圳市乐骑智能科技有限公司 | 一种基于物联网的电动滑板车剩余电量预测方法以及装置 |
| CN113696784B (zh) * | 2021-10-26 | 2022-02-22 | 深圳市乐骑智能科技有限公司 | 一种基于物联网的电动滑板车剩余电量预测方法以及装置 |
| CN114565231A (zh) * | 2022-02-07 | 2022-05-31 | 三一汽车制造有限公司 | 作业方量确定方法、装置、设备、存储介质及作业机械 |
| CN115524655A (zh) * | 2022-10-14 | 2022-12-27 | 成都智邦科技有限公司 | 一种储能电池的剩余电量预测校准方法 |
| CN115524655B (zh) * | 2022-10-14 | 2023-11-07 | 成都智邦科技有限公司 | 一种储能电池的剩余电量预测校准方法 |
| CN117458678A (zh) * | 2023-12-25 | 2024-01-26 | 广东奥克莱集团有限公司 | 一种铅酸电池组主动均衡电池管理*** |
| CN117458678B (zh) * | 2023-12-25 | 2024-03-26 | 广东奥克莱集团有限公司 | 一种铅酸电池组主动均衡电池管理*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101992051B1 (ko) | 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템 | |
| Zhang et al. | Multi-fault detection and isolation for lithium-ion battery systems | |
| Li et al. | Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology | |
| Tian et al. | State of charge estimation of lithium-ion batteries using an optimal adaptive gain nonlinear observer | |
| KR102633335B1 (ko) | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 | |
| Farmann et al. | A comprehensive review of on-board State-of-Available-Power prediction techniques for lithium-ion batteries in electric vehicles | |
| Duong et al. | Online state of charge and model parameters estimation of the LiFePO4 battery in electric vehicles using multiple adaptive forgetting factors recursive least-squares | |
| Hussein | Capacity fade estimation in electric vehicle li-ion batteries using artificial neural networks | |
| WO2019202752A1 (ja) | 蓄電池診断装置および蓄電池診断方法、並びに蓄電池制御システム | |
| Sassi et al. | Comparative study of ANN/KF for on-board SOC estimation for vehicular applications | |
| Hashemi et al. | Machine learning‐based model for lithium‐ion batteries in BMS of electric/hybrid electric aircraft | |
| KR20180115124A (ko) | 노이즈를 반영한 배터리 잔존 용량 산출 장치 및 방법 | |
| JP6490882B1 (ja) | 蓄電池診断装置および蓄電池診断方法、並びに蓄電池制御システム | |
| EP3940405A1 (en) | Method for estimating state of health of battery | |
| CN113728242A (zh) | 对可充电电池中的析锂进行表征 | |
| Xu et al. | A soft short-circuit diagnosis method for lithium-ion battery packs in electric vehicles | |
| US20230349977A1 (en) | Method and apparatus for estimating state of health of battery | |
| Schacht-Rodríguez et al. | Prognosis & Health Management for the prediction of UAV flight endurance | |
| Zhang et al. | An application‐oriented multistate estimation framework of lithium‐ion battery used in electric vehicles | |
| Peng et al. | Real-time state of charge estimation of the extended Kalman filter and unscented Kalman filter algorithms under different working conditions | |
| Yang et al. | A novel model-based damage detection method for lithium-ion batteries | |
| KR20220161981A (ko) | 인공지능 모듈을 이용한 스마트 배터리관리시스템 | |
| US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
| CN116653608A (zh) | 电动汽车充电保护、控制方法、装置及存储介质 | |
| US20240162736A1 (en) | Method and device for controlling a charging signal for charging a rechargeable battery cell or battery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |