KR102090476B1 - a BMS optimizing system using a cloud system and big data - Google Patents
a BMS optimizing system using a cloud system and big data Download PDFInfo
- Publication number
- KR102090476B1 KR102090476B1 KR1020180050642A KR20180050642A KR102090476B1 KR 102090476 B1 KR102090476 B1 KR 102090476B1 KR 1020180050642 A KR1020180050642 A KR 1020180050642A KR 20180050642 A KR20180050642 A KR 20180050642A KR 102090476 B1 KR102090476 B1 KR 102090476B1
- Authority
- KR
- South Korea
- Prior art keywords
- bms
- firmware
- optimization
- battery
- cloud server
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
Abstract
본 발명은 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템에 관한 것으로서, 더욱 상세하게는 제조사에서 제공하는 특성정보와 누적된 배터리 측정 정보를 통하여 시뮬레이션하여 BMS(battery management system)에 적용되는 알고리즘을 최적화할 수 있는 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템에 관한 것이다.
상기한 목적을 달성하기 위한 본 발명은 배터리 팩을 제어하는 BMS(battery management system)와, 상기 BMS의 작동 알고리즘을 최적화하는 클라우드 서버와, 상기 BMS에 구비되어 상기 클라우드 서버와 연결되는 통신모듈을 포함하여 이루어지고, 상기 클라우드 서버에는 배터리 제조사에서 제공한 배터리 특성 데이터가 저장되는 메인 데이터 베이스와, 상기 BMS에서 측정한 배터리 팩의 측정 정보가 저장되는 측정 데이터 베이스와, 상기 메인 데이터 베이스와 측정 데이터 베이스의 데이터를 사용하여 BMS의 작동 알고리즘을 최적화하는 최적화부로 이루어지는 것을 특징으로 한다.The present invention relates to a BMS optimization system using cloud and big data, and more specifically, to optimize an algorithm applied to a battery management system (BMS) by simulating through characteristic information and accumulated battery measurement information provided by a manufacturer. BMS optimization system using cloud and big data.
The present invention for achieving the above object includes a battery management system (BMS) for controlling a battery pack, a cloud server for optimizing the operating algorithm of the BMS, and a communication module provided in the BMS and connected to the cloud server The cloud server includes a main database storing battery characteristic data provided by a battery manufacturer, a measurement database storing measurement information of a battery pack measured by the BMS, and the main database and measurement database. Characterized in that it consists of an optimization unit to optimize the operating algorithm of the BMS using the data of.
Description
본 발명은 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템에 관한 것으로서, 더욱 상세하게는 제조사에서 제공하는 특성정보와 누적된 배터리 측정 정보를 통하여 시뮬레이션하여 BMS(battery management system)에 적용되는 알고리즘을 최적화할 수 있는 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템에 관한 것이다.The present invention relates to a BMS optimization system using cloud and big data, and more specifically, to optimize an algorithm applied to a battery management system (BMS) by simulating through characteristic information and accumulated battery measurement information provided by a manufacturer. BMS optimization system using cloud and big data.
다수의 셀이 직/병렬로 연결되어 고전압(60V이상)을 띤 배터리시스템은 구동 전/후의 셀의 제조 공정, 용량차이, 자기방전 효과에 의해 셀간 전압 편차가 생기며, 구동 시에는 배터리시스템 내의 온도 비균일성 및 배터리 팩 구조차이에 의한 셀간 전압 편차가 발생하게 된다.In a battery system with multiple cells connected in series / parallel and having high voltage (more than 60V), voltage variation between cells occurs due to the manufacturing process, capacity difference, and self-discharge effect of the cells before and after driving. Voltage variation between cells occurs due to non-uniformity and difference in battery pack structure.
이러한 전압 편차는 결국 탑재된 차량의 배터리 운영에 따라 배터리 전압 균일성을 저해하며, 나아가 배터리 열화의 원인이 되며, 수명을 감소하는 역할을 하게 된다.This voltage deviation eventually inhibits the battery voltage uniformity according to the battery operation of the mounted vehicle, and further causes the battery to deteriorate, and serves to reduce the life.
따라서, 이러한 고전압 배터리시스템에서는 셀 밸런싱 회로를 장착하여 셀간 편차를 감소시키고 있다 셀 밸런싱은 배터리제어기인 BMS(Battery Management System)에 연결되어있으며, 밸런싱에는 저항에 의한 방전방식의 패시브 셀 밸런싱(Passive Cell Balancing), DC/DC 컨버터에 의한 액티브 셀 밸런싱(Active Cell Balancing)이 있다.Therefore, in such a high-voltage battery system, a cell balancing circuit is installed to reduce variation between cells. Cell balancing is connected to a battery management system (BMS) that is a battery controller, and passive cell balancing of a discharge method by resistance is used for balancing. Balancing), and active cell balancing by DC / DC converters.
여기서, 상기 BMS는 설치된 알고리즘(또는 펌웨어)에 의해 각 셀들의 밸런싱을 제어하게 되는데, BMS의 알고리즘은 배터리의 전기화학적인 셀의 특성에 따라 설계되어 배터리 잔존용량(SOC; State Of Capacity)을 추정하고 이를 이용하여 배터리 셀 밸런싱을 수행하여, 결과적으로 배터리의 수명(SOH; State Of Health)을 늘이게 된다.Here, the BMS controls the balancing of each cell by an installed algorithm (or firmware). The BMS algorithm is designed according to the characteristics of the battery's electrochemical cell to estimate the battery's remaining capacity (SOC). And using this to perform battery cell balancing, resulting in an extended life of the battery (SOH; State Of Health).
즉, 배터리의 수명은 BMS의 알고리즘에 따라 늘어날 수도 있고, 줄어들 수도 있기 때문에 BMS의 알고리즘을 최적화하는 것이 상당히 중요하며, 다양한 최적화 방법이 개발되었는데, 그 중에 일 예로 도 1 및 도 2에 도시된 바와 같은 한국공개특허 제10-2014-0067450호에 기재된 기술이 제안되었는데, 그 기술적 특징은 데이터베이스에서 운전 특성을 로드하는 단계; 상기 운전 특성에 상응하는 전기 에너지 변화를 적용한 BMS 알고리즘들을 이용하여 시뮬레이션을 수행하여 배터리의 수명(SOH)이 최적화되도록 배터리 셀 밸런싱을 수행하는 단계; 및 상기 시뮬레이션 결과에 기반하여 운전 특성이 고려된 BMS 알고리즘을 선택하는 단계를 포함하는 것을 특징으로 한다.That is, since the life of the battery may increase or decrease depending on the algorithm of the BMS, it is very important to optimize the algorithm of the BMS, and various optimization methods have been developed, for example, as illustrated in FIGS. 1 and 2. The same technology described in Korean Patent Publication No. 10-2014-0067450 has been proposed, the technical characteristic of which is loading a driving characteristic from a database; Performing battery cell balancing to optimize battery life (SOH) by performing simulation using BMS algorithms to which electrical energy changes corresponding to the driving characteristics are applied; And selecting a BMS algorithm considering driving characteristics based on the simulation result.
그런데, 한국공개특허 제10-2014-0067450호에 기재된 기술은 자동차의 운전 특성을 고려하여 최적화된 BMS 알고리즘을 선택하도록 하여 최적의 배터리 충/방전을 수행함으로써, 배터리의 수명을 연장시킬 수 있는 장점은 있으나, 이는 차량에 사용되는 배터리에 한정된 것으로서, 다양한 다른 분야에 사용되는 배터리에는 적용할 수 없는 문제점이 있으며, 운전 특성만을 고려하기 때문에 다른 다양한 변수들은 반영할 수 없게 되므로 최적화 효율이 낮은 문제점이 있다.However, the technology disclosed in Korean Patent Publication No. 10-2014-0067450 has the advantage of extending the life of the battery by performing optimal battery charging / discharging by selecting an optimized BMS algorithm in consideration of the driving characteristics of the vehicle. However, this is limited to a battery used in a vehicle, and there is a problem that cannot be applied to a battery used in various other fields, and since it considers only driving characteristics, various other variables cannot be reflected, which results in a problem of low optimization efficiency. have.
본 발명은 상기한 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은 배터리 팩을 제어하는 BMS(Battery Management System)는 배터리 팩의 상태를 실시간으로 측정하게 되며 이렇게 측정된 정보는 클라우드 서버에 구비되는 측정 데이터 베이스에 저장되며, 클라우드 서버에 구비되는 메인 데이터 베이스에는 배터리를 제조한 제조사에서 제공하는 각 배터리의 특성정보가 포함된 data sheet가 저장되는데, 클라우드 서버에 구비되는 최적화부에서는 상기 data sheet와 측정 데이터 베이스에 저장된 각 배터리의 측정 정보를 사용하여 BMS의 작동 알고리즘을 시뮬레이션하여 문제점을 발견하여 이를 최적화함으로써, 배터리의 수명을 연장시킬 수 있는 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템을 제공하는 것이다.The present invention has been devised to solve the above problems, and an object of the present invention is to control the battery pack in a battery management system (BMS) that measures the state of the battery pack in real time, and the measured information is provided in a cloud server. Data sheet containing characteristic information of each battery provided by the manufacturer that manufactured the battery is stored in the measurement database, which is provided in the cloud server. Using the measurement information of each battery stored in the and measurement database, the operating algorithm of the BMS is simulated to find and optimize the problem, thereby providing a BMS optimization system using cloud and big data that can extend the life of the battery. will be.
그리고, 본 발명의 다른 목적은 배터리 팩을 제어하는 BMS는 통신모듈을 통하여 클라우드 서버에 접속함으로써, 클라우드 서버에 최적화된 알고리즘이 적용된 펌웨어가 업로드되면 실시간으로 이를 업데이트 시킬 수 있어, 보다 신속하게 최적의 알고리즘이 적용된 펌웨어를 BMS에 적용할 수 있으며, 알고리즘을 시뮬레이션할 때, 시뮬레이션 모델로서 전기적 모델, 전기/화학적 모델, 분석적 모델, 확률적 모델을 모두 사용하도록 함으로써, 각 모델의 특징에 의해 도출된 최적화 정보를 서로 보완할 수 있어 보다 완전한 최적화를 수행할 수 있는 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템을 제공하는 것이다.And, another object of the present invention is that the BMS controlling the battery pack connects to the cloud server through the communication module, and when the firmware with the algorithm optimized for the cloud server is uploaded, it can be updated in real time. The algorithm-applied firmware can be applied to the BMS, and when the algorithm is simulated, the electrical model, the electro / chemical model, the analytical model, and the probabilistic model are all used as a simulation model. It is to provide a BMS optimization system using cloud and big data that can perform more complete optimization because information can be complemented with each other.
이러한 문제점을 해결하기 위한 본 발명은;The present invention for solving this problem;
배터리 팩을 제어하는 BMS(battery management system)와, 상기 BMS의 작동 알고리즘을 최적화하는 클라우드 서버와, 상기 BMS에 구비되어 상기 클라우드 서버와 연결되는 통신모듈을 포함하여 이루어지는 것을 특징으로 한다.It characterized in that it comprises a battery management system (BMS) for controlling the battery pack, a cloud server for optimizing the operating algorithm of the BMS, and a communication module provided in the BMS and connected to the cloud server.
여기서, 상기 클라우드 서버에는 배터리 제조사에서 제공한 배터리 팩의 특성 데이터가 저장되는 메인 데이터 베이스와, 상기 BMS에서 측정한 배터리 팩의 측정 정보가 저장되는 측정 데이터 베이스와, 상기 메인 데이터 베이스의 정보와 측정 데이터 베이스에 누적된 데이터를 사용하여 BMS의 작동 알고리즘을 최적화하는 최적화부로 이루어지는 것을 특징으로 한다.Here, the cloud server includes a main database storing characteristic data of a battery pack provided by a battery manufacturer, a measurement database storing measurement information of a battery pack measured by the BMS, and information and measurement of the main database. It is characterized by consisting of an optimization unit that optimizes the operating algorithm of the BMS using the data accumulated in the database.
그리고, 상기 최적화부는 메인 데이터 베이스와 측정 데이터 베이스의 데이터를 이용하여 시뮬레이션을 통하여 최적화 정보를 도출하는 것을 특징으로 한다.In addition, the optimization unit is characterized by deriving optimization information through simulation using data of the main database and the measurement database.
이때, 상기 최적화부는 시뮬레이션에 사용되는 모델로 전기적 모델, 전기/화학적 모델, 분석적 모델, 확률적 모델을 모두 사용하는 것을 특징으로 한다.At this time, the optimizer is a model used for simulation, and is characterized in that an electrical model, an electro / chemical model, an analytical model, and a stochastic model are all used.
한편, 상기 클라우드 서버에는 최적화된 알고리즘이 적용된 펌웨어가 저장되는 펌웨어 데이터 베이스가 구비되고, 상기 BMS는 상기 펌웨어 데이터 베이스에 최신의 펌웨어가 감지되면 이를 다운로드하여 펌웨어를 업데이트 하는 것을 특징으로 한다.On the other hand, the cloud server is equipped with a firmware database in which firmware with optimized algorithms is stored, and the BMS downloads and updates the firmware when the latest firmware is detected in the firmware database.
여기서, 상기 클라우드 서버에는 통지부가 더 구비되되, 상기 통지부는 최적화된 알고리즘이 적용된 펌웨어를 형성하기 위하여 상기 최적화부의 시뮬레이션을 통하여 도출된 최적화 정보를 개발자에게 전송하는 것을 특징으로 한다.Here, the cloud server is further provided with a notification unit, wherein the notification unit is characterized in that it transmits optimization information derived through simulation of the optimization unit to form a firmware to which an optimized algorithm is applied.
또한, 상기 클라우드 서버에는 펌웨어 생성부가 구비되되, 상기 펌웨어 생성부는 상기 최적화부의 시뮬레이션을 통하여 도출된 최적화 정보를 통하여 최적화된 알고리즘이 적용된 펌웨어를 형성하는 것을 특징으로 한다.In addition, the cloud server is provided with a firmware generation unit, wherein the firmware generation unit is characterized in that it forms a firmware to which an optimized algorithm is applied through optimization information derived through simulation of the optimization unit.
상기한 구성의 본 발명에 따르면, 배터리 팩을 제어하는 BMS(Battery Management System)는 배터리 팩의 상태를 실시간으로 측정하게 되며 이렇게 측정된 정보는 클라우드 서버에 구비되는 측정 데이터 베이스에 저장되며, 클라우드 서버에 구비되는 메인 데이터 베이스에는 배터리를 제조한 제조사에서 제공하는 각 배터리의 특성정보가 포함된 data sheet가 저장되는데, 클라우드 서버에 구비되는 최적화부에서는 상기 data sheet와 측정 데이터 베이스에 저장된 각 배터리의 측정 정보를 사용하여 BMS의 작동 알고리즘을 시뮬레이션하여 문제점을 발견하여 이를 최적화함으로써, 배터리의 수명을 연장시킬 수 있는 효과가 있다.According to the present invention of the above configuration, the battery management system (BMS) that controls the battery pack measures the state of the battery pack in real time, and the measured information is stored in a measurement database provided in the cloud server, and the cloud server A data sheet containing characteristic information of each battery provided by a manufacturer that manufactures a battery is stored in the main database provided in the measurement unit. The optimization unit provided in the cloud server measures the data sheet and each battery stored in the measurement database. By using the information to simulate the operation algorithm of the BMS to find the problem and optimize it, there is an effect that can extend the life of the battery.
그리고, 본 발명은 배터리 팩을 제어하는 BMS는 통신모듈을 통하여 클라우드 서버에 접속함으로써, 클라우드 서버에 최적화된 알고리즘이 적용된 펌웨어가 업로드되면 실시간으로 이를 업데이트 시킬 수 있어, 보다 신속하게 최적의 알고리즘이 적용된 펌웨어를 BMS에 적용할 수 있으며, 알고리즘을 시뮬레이션할 때, 시뮬레이션 모델로서 전기적 모델, 전기/화학적 모델, 분석적 모델, 확률적 모델을 모두 사용하도록 함으로써, 각 모델의 특징에 의해 도출된 최적화 정보를 서로 보완할 수 있어 보다 완전한 최적화를 수행할 수 있는 효과가 있다.In addition, according to the present invention, the BMS controlling the battery pack connects to a cloud server through a communication module, and when firmware applied with an algorithm optimized for the cloud server is uploaded, it can be updated in real time, so that the optimal algorithm is applied more quickly. The firmware can be applied to the BMS, and when the algorithm is simulated, by using the electrical model, the electro / chemical model, the analytical model, and the probabilistic model as a simulation model, optimization information derived by the characteristics of each model can be used together. It has the effect of being able to complement and performing a more complete optimization.
도 1은 종래의 BMS 알고리즘 최적화 시뮬레이션의 개념도이다.
도 2는 종래의 BMS 알고리즘 최적화 방법을 보여주는 동작 흐름도이다.
도 3은 본 발명에 따른 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템의 블럭도이다.
도 4는 본 발명에 따른 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템의 흐름도이다.
도 5는 본 발명의 다른 실시 예에 따른 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템의 블럭도이다.
도 6은 일반적으로 사용되는 BMS의 개념도이다.1 is a conceptual diagram of a conventional BMS algorithm optimization simulation.
2 is a flowchart illustrating a conventional BMS algorithm optimization method.
3 is a block diagram of a BMS optimization system using cloud and big data according to the present invention.
4 is a flowchart of a BMS optimization system using cloud and big data according to the present invention.
5 is a block diagram of a BMS optimization system using cloud and big data according to another embodiment of the present invention.
6 is a conceptual diagram of a commonly used BMS.
이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예를 보다 상세하게 설명한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다. 그리고, 본 발명은 다수의 상이한 형태로 구현될 수 있고, 기술된 실시 예에 한정되지 않음을 이해하여야 한다. Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. The same reference numerals are used for the same components in the drawings, and duplicate descriptions for the same components are omitted. And, it should be understood that the present invention can be implemented in many different forms and is not limited to the described embodiments.
도 3은 본 발명에 따른 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템의 블럭도이고, 도 4는 본 발명에 따른 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템의 흐름도이고, 도 5는 본 발명의 다른 실시 예에 따른 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템의 블럭도이고, 도 6은 일반적으로 사용되는 BMS의 개념도이다.3 is a block diagram of a BMS optimization system utilizing cloud and big data according to the present invention, FIG. 4 is a flowchart of a BMS optimization system using cloud and big data according to the present invention, and FIG. 5 is another embodiment of the present invention A block diagram of a BMS optimization system using cloud and big data according to an embodiment, and FIG. 6 is a conceptual diagram of a commonly used BMS.
본 발명은 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템에 관한 것으로 도 3 및 도 4에 도시된 바와 같이 그 구성은 충전이 가능한 2차 전지용 배터리 팩(100)을 제어하는 BMS(battery management system, 200)와 클라우드 서버(300)와 상기 BMS(200)에 구비되어 상기 클라우드 서버(300)와 연결되는 통신모듈(210)을 포함하여 이루어진다.The present invention relates to a BMS optimization system utilizing the cloud and big data, and as shown in FIGS. 3 and 4, the configuration is a BMS (battery management system, 200) that controls a
여기서, 상기 클라우드 서버(300)는 상기 배터리 팩(100)을 제어하는 BMS(200)와 통신으로 연결되는데, 상기 클라우드 서버(300)는 BMS(200)의 작동 알고리즘을 최적화하여 BMS(200)로 전송하게 된다.Here, the
따라서, 상기 BMS(200)는 항상 최적화된 알고리즘이 신속하게 적용되도록 함으로써, 배터리 팩(100)을 최상의 상태로 운용할 수 있게 하여 수명을 연장시킬 수 있게 된다.Therefore, the
한편, 상기 클라우드 서버(300)에는 다양한 데이터 베이스가 구비되는데, 2차 전지를 제조한 배터리 제조사에서 제공한 배터리 팩(100)의 특성 데이터(data sheet)가 저장되는 메인 데이터 베이스(310)와 상기 BMS(200)와 통신으로 연결되어 BMS(200)에서 측정한 배터리 팩의 측정 정보를 수신하여 저장하는 측정 데이터 베이스(320)가 구비된다.On the other hand, the
여기서, 상기 클라우드 서버(300)에는 상기 BMS(200)의 작동 알고리즘을 최적화하는 최적화부(340)가 구비되는데, 상기 최적화부(340)는 상기 메인 데이터 베이스(310)에 저장된 배터리 팩(100)의 특성 정보와 측정 데이터 베이스(320)에 누적된 배터리 팩(100)의 측정 데이터를 모두 사용하여 BMS(200)의 작동 알고리즘을 최적화하게 된다.Here, the
따라서, 본 발명에서는 제조사에서 제공하는 배터리 팩(100)의 특정 정보뿐만 아니라, 상기 측정 데이터 베이스(320)에 누적된 많은 양의 측정 정보를 모두 활용하여 알고리즘을 최적화하도록 함으로써, 최적화의 효율을 높여주게 된다.Therefore, in the present invention, by optimizing the algorithm by utilizing all of the large amount of measurement information accumulated in the
그리고, 상기 최적화부(340)는 상기 메인 데이터 베이스(310)와 측정 데이터 베이스(320)의 데이터를 이용하여 최적화를 진행할 때, 시뮬레이션을 통하여 최적화 정보를 도출하게 된다.In addition, when the optimization is performed by using the data of the
여기서, 상기 최적화부(340)는 시뮬레이션을 수행할 때, 한가지 모델이 아닌 다양한 모델을 사용하는데, 전기적 모델, 전기/화학적 모델, 분석적 모델, 확률적 모델을 모두 사용하여 시뮬레이션을 수행하게 된다.Here, when performing the simulation, the
그래서, 상기 최적화부(340)는 하나의 모델만을 사용하지 않고 다수의 모델을 모두 사용하여 시뮬레이션을 수행하게 되므로, 각 시뮬레이션 모델을 통하여 도출된 최적화 정보를 서로 보완하도록 하여 최적화의 효율을 높일 수 있게 된다.Thus, since the
한편, 일반적인 BMS(200)의 작용을 살펴보면, 도 6에 도시된 바와 같이, BMS(200)는 배터리 팩(100)의 상태를 실시간으로 확인하여야 하므로 전압, 전류, 온도를 측정하게 되고, 이를 통하여 배터리 팩(100)의 배터리 잔존용량(SOC; State Of Capacity)과 배터리의 수명(SOH; State Of Health)을 추정하게 된다.On the other hand, looking at the operation of the
여기서, 상기 BMS(200)은 현재의 배터리 팩(100)의 상태에 따라, 즉, 배터리 팩을 구성하는 각 셀들의 상태에 따라 각 셀들의 밸런싱을 조절하는 작업을 수행하여 배터리 팩(100)을 최적의 상태로 유지하도록 한다.Here, the
이때, 종래의 일반적인 BMS에서 배터리 팩(100)의 측정 정보를 통하여 배터리 팩(100)을 구성하는 각 셀들의 상태를 추정할 때, 전기적 모델 또는 전기/화학적 모델 등 여러 가지 모델 중에서 한 가지만 사용하여 각 셀들의 상태를 추정하게 되므로 정확한 추정이 어려워 각 셀들의 밸런싱 작업을 안정적으로 수행할 수 없어 배터리 팩(100)의 상태를 최적화하기가 어려운 문제점이 있었다.In this case, when estimating the state of each cell constituting the
그런데, 본 발명에서는 4가지 모델 모두를 사용하여 최적화를 수행하게 되므로 각 모델들의 특징에 의해 서로의 단점을 보완할 수 있게 되므로 보다 높은 효율의 최적화를 진행할 수 있게 된다.However, in the present invention, since all four models are used to perform optimization, it is possible to compensate for each other's shortcomings by the characteristics of each model, so that higher efficiency optimization can be performed.
여기서, 각 모델들의 특징을 간단히 살펴보면, 우선, 전기적 모델은 전기회로의 구성을 통해 배터리의 입력과 출력 특성을 모델링하는 방법으로서, 특정 배터리의 종류에 따라 소자구성에 변화를 주어 구성할 수 있고, 실험적 데이터를 바탕으로 출력 전압과 배터리 충전 상태(SOC, state of charge) 간의 look-up 테이블을 도출하는 특징이 있다.Here, briefly looking at the characteristics of each model, first, an electrical model is a method of modeling input and output characteristics of a battery through the configuration of an electric circuit, and can be configured by changing a device configuration according to a specific battery type, It has a feature that derives a look-up table between the output voltage and the state of charge (SOC) of the battery based on the experimental data.
다음, 전기/화학적 모델은 배터리 내부에서 발생하는 화학적 작용의 세부적 구성을 기반으로 모델링하는 방법으로서, 편미분 방정식과 시/공간에 대한 상미분 방정식, 비선형 대수 제한 조건들을 통해 모델링하여, 매우 정확성이 높은 배터리를 모델링 할 수 있는 장점은 있지만, 그에 비례하여 높은 수학적 복잡성을 가지는 문제점이 있다.Next, the electro / chemical model is a modeling method based on the detailed composition of the chemical action occurring inside the battery.It is modeled through partial differential equations, ordinary differential equations for time / space, and nonlinear logarithmic constraints, resulting in high accuracy. Although there is an advantage of modeling a battery, there is a problem in that it has a high mathematical complexity in proportion.
다음, 분석적 모델은 일반적으로 Peukert's Law를 바탕으로 비선형적 특성을 고려한 베터리 수명 예측 모델 중 가장 간단한 형태로서, 방전율과 배터리 수명 간의 비선형성을 수식으로 표현하게 되는데, 간헐적인 방전 주기 도중에 일시적으로 전압이 상승하는 회복효과(recovery effect)에 대한 고려는 되어 있지 않은 점이 특징이다.Next, the analytical model is the simplest form of a battery life prediction model that considers nonlinear characteristics based on Peukert's Law, and expresses the nonlinearity between discharge rate and battery life as a formula. It is characterized by not considering the rising recovery effect.
마지막으로 확률적 모델은 Chiasserini와 Rao가 1999년부터 이산적 마르코프 체인을 기반으로 한 확률적 모델을 처음으로 제시하였으며, 단기 패킷 전송에 요구되는 에너지량으로 정의되는 충전단위(Charge unit)가 배터리 내에서 얼만큼 양으로 이용가능한지를 상태 숫자(state number)로 정의하여 모델링한 것으로서, 이 모델을 바탕으로 하여 더 많은 양의 에너지 소비에 대한 배터리 모델링이 가능해지는 특징이 있다.Finally, the probabilistic model was first proposed by Chiasserini and Rao since 1999 based on the discrete Markov chain, and the charge unit, defined as the amount of energy required for short-term packet transmission, is built into the battery. Modeled by modeling how much quantity is available in the state number. Based on this model, it is possible to model a battery for a larger amount of energy consumption.
이러한 4가지 모델을 모두 사용하여 시뮬레이션을 수행하게 되므로 최적화 효율을 보다 높일 수 있게 되며, 상기 4가지 모델은 이미 당해 분야에서 공개된 이론이므로 구체적인 설명은 생략하도록 한다.Since the simulation is performed using all of these four models, the optimization efficiency can be improved more, and since the four models are already published in the field, detailed description will be omitted.
한편, 상기 클라우드 서버(300)에는 최적화된 알고리즘이 적용된 펌웨어가 저장된 펌웨어 데이터 베이스(330)이 구비되는데, 상기 펌웨어 데이터 베이스(330)에 최신의 펌웨어가 등록되면 상기 BMS(200)는 통신모듈(210)을 통하여 클라우드 서버(300)에 통신으로 연결된 상태이므로 실시간으로 이를 확인할 수 있게 된다.On the other hand, the
여기서, 상기 BMS(200)는 최신의 펌웨어가 감지되면, 통신모듈(210)을 통하여 최선의 펌웨어를 다운로드 하여 이를 업데이트 하게 되므로, 신속하게 최적의 알고리즘이 적용된 펌웨어를 적용할 수 있게 되어 배터리 팩(100)의 수명을 보다 연장시킬 수 있게 된다.Here, when the latest firmware is detected, the
그리고, 상기 클라우드 서버(300)에는 통지부(342)가 더 구비되는데, 상기 통지부(342)는 상기 최적화부(340)에서 도출된 최적화 정보를 펌웨어 개발자(500)에게 전송하게 되는데, 상기 통지부(342)에는 개발자(500)의 정보가 저장되어 있어 메일 등을 통하여 최적화 정보를 전송하게 된다.In addition, the
여기서, 상기 개발자(500)는 수신한 최적화 정보를 통하여 최적화된 알고리즘이 적용된 펌웨어를 형성하여 클라우드 서버(300)의 펌웨어 데이터 베이스(330)에 저장하게 된다.Here, the
한편, 본 발명의 다른 실시 예로, 도 5에 도시된 바와 같이, 클라우드 서버(300)에는 펌웨어 생성부(344)가 더 구비되는데, 상기 펌웨어 생성부(344)는 상기 최적화부(340)에서 도출된 최적화 정보를 사용하여 최적화된 알고리즘이 적용된 펌웨어를 형성하게 된다.On the other hand, as another embodiment of the present invention, as shown in Figure 5, the
이때, 상기 펌웨어는 BMS(200) 전체를 제어하는 프로그램이 포함된 것을 의미하는 것이 아니라, 배터리 팩(100)의 상태를 측정한 데이터에 따라, 즉, 현재 배터리 팩(100)의 상태에 따라 각 셀의 밸런싱 작업을 수행하기 위한 정보를 Look-up 테이블 형태로 제공되게 된다.At this time, the firmware does not mean that a program for controlling the
따라서, 상기 펌웨어 데이터 베이스(330)에 최신의 펌웨어가 업로드되면, BMS(200)는 이를 즉시 다운로드하여 바로 적용이 가능하게 된다.Therefore, when the latest firmware is uploaded to the
즉, 상기 펌웨어가 BMS(200)의 모든 기능을 제어하기 위한 프로그램이 포함된 것이라면, 작동을 멈추고 펌웨어를 적용하여야 하지만, 단순히 Look-up 테이블 형태로 제공되기 때문에 해당 부분만 업데이트 하면 되므로, 중단없이 업데이트를 진행할 수 있게 된다.That is, if the firmware includes a program for controlling all functions of the
이상에서 본 발명의 바람직한 실시 예를 설명하였으나, 본 발명의 권리범위는 이에 한정되지 않으며, 본 발명의 실시 예와 실질적으로 균등한 범위에 있는 것까지 본 발명의 권리 범위가 미치는 것으로 본 발명의 정신을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것이다.Although the preferred embodiment of the present invention has been described above, the scope of the present invention is not limited to this, and the scope of the present invention is applied to the scope of the present invention to the extent that it is substantially equivalent to the embodiment of the present invention. Various modifications can be made by those skilled in the art to which the present invention pertains without departing from the scope.
본 발명은 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템에 관한 것으로서, 더욱 상세하게는 제조사에서 제공하는 특성정보와 누적된 배터리 측정 정보를 통하여 시뮬레이션하여 BMS(battery management system)에 적용되는 알고리즘을 최적화할 수 있는 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템에 관한 것이다.The present invention relates to a BMS optimization system using cloud and big data, and more specifically, to optimize an algorithm applied to a battery management system (BMS) by simulating through characteristic information and accumulated battery measurement information provided by a manufacturer. BMS optimization system using cloud and big data.
100 : 배터리 팩 200 : BMS
210 : 통신모듈 300 : 클라우드 서버
310 : 메인 데이터 베이스 320 : 측정 데이터 베이스
330 : 펌웨어 데이터 베이스 340 : 최적화부
342 : 통지부 344 : 펌웨어 생성부
500 : 개발자100: battery pack 200: BMS
210: communication module 300: cloud server
310: main database 320: measurement database
330: Firmware database 340: Optimizer
342: notification unit 344: firmware generation unit
500: developer
Claims (7)
상기 BMS의 작동 알고리즘을 최적화하는 클라우드 서버와,
상기 BMS에 구비되어 상기 클라우드 서버와 연결되는 통신모듈을 포함하여 이루어지고,
상기 클라우드 서버에는 배터리 제조사에서 제공한 배터리 팩의 특성 데이터가 저장되는 메인 데이터 베이스와, 상기 BMS에서 측정한 배터리 팩의 측정 정보가 저장되는 측정 데이터 베이스와, 상기 메인 데이터 베이스의 정보와 측정 데이터 베이스에 누적된 데이터를 사용하여 BMS의 작동 알고리즘을 최적화하는 최적화부로 이루어지며,
상기 최적화부는 메인 데이터 베이스와 측정 데이터 베이스의 데이터를 이용하여 시뮬레이션을 통하여 최적화 정보를 도출하며,
상기 최적화부는 시뮬레이션에 사용되는 모델로 전기적 모델, 전기/화학적 모델, 분석적 모델, 확률적 모델을 모두 사용하고,
상기 클라우드 서버에는 최적화된 알고리즘이 적용된 펌웨어가 저장되는 펌웨어 데이터 베이스가 구비되고,
상기 BMS는 상기 펌웨어 데이터 베이스에 최신의 펌웨어가 감지되면 이를 다운로드하여 펌웨어를 업데이트 하며,
상기 펌웨어는 베터리를 구성하는 각 셀의 밸런싱 작업을 수행하기 위한 정보를 Look-up 테이블 형태로 이루어지는 것을 특징으로 하는 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템.
BMS (battery management system) for controlling the battery pack,
Cloud server to optimize the operating algorithm of the BMS,
It is provided in the BMS and comprises a communication module connected to the cloud server,
The cloud server includes a main database that stores characteristic data of a battery pack provided by a battery manufacturer, a measurement database that stores measurement information of a battery pack measured by the BMS, and information and a measurement database of the main database. It consists of an optimization unit that optimizes the operating algorithm of the BMS using the data accumulated in the
The optimization unit derives optimization information through simulation using data from the main database and the measurement database,
The optimization unit is a model used for simulation, and uses an electrical model, an electrochemical model, an analytical model, and a stochastic model.
The cloud server is provided with a firmware database that stores firmware to which the optimized algorithm is applied,
When the latest firmware is detected in the firmware database, the BMS downloads it and updates the firmware.
The firmware is a BMS optimization system using the cloud and big data, characterized in that the information for performing the balancing operation of each cell constituting the battery is made in the form of a look-up table.
상기 클라우드 서버에는 통지부가 더 구비되되,
상기 통지부는 최적화된 알고리즘이 적용된 펌웨어를 형성하기 위하여 상기 최적화부의 시뮬레이션을 통하여 도출된 최적화 정보를 개발자에게 전송하는 것을 특징으로 하는 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템.
According to claim 1,
The cloud server is further provided with a notification unit,
The notification unit BMS optimization system using the cloud and big data, characterized in that for transmitting the optimization information derived through the simulation of the optimization unit to form a firmware to which the optimized algorithm is applied.
상기 클라우드 서버에는 펌웨어 생성부가 구비되되,
상기 펌웨어 생성부는 상기 최적화부의 시뮬레이션을 통하여 도출된 최적화 정보를 통하여 최적화된 알고리즘이 적용된 펌웨어를 형성하는 것을 특징으로 하는 클라우드 및 빅 데이터를 활용한 BMS 최적화 시스템.
According to claim 1,
The cloud server is provided with a firmware generator,
The BMS optimization system using the cloud and big data, characterized in that the firmware generator forms a firmware to which an optimized algorithm is applied through optimization information derived through simulation of the optimization unit.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180050642A KR102090476B1 (en) | 2018-05-02 | 2018-05-02 | a BMS optimizing system using a cloud system and big data |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180050642A KR102090476B1 (en) | 2018-05-02 | 2018-05-02 | a BMS optimizing system using a cloud system and big data |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190134876A KR20190134876A (en) | 2019-12-05 |
| KR102090476B1 true KR102090476B1 (en) | 2020-03-19 |
Family
ID=69002307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180050642A KR102090476B1 (en) | 2018-05-02 | 2018-05-02 | a BMS optimizing system using a cloud system and big data |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102090476B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210144254A (en) | 2020-05-22 | 2021-11-30 | 연세대학교 산학협력단 | Apparatus and method for processing BMS data utilizing battery state assessment and analysis |
| KR102669896B1 (en) | 2023-04-27 | 2024-05-30 | 박신태 | Battery management system and method for outputting accumulated battery usage |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111952683A (en) * | 2020-08-03 | 2020-11-17 | 广东博力威科技股份有限公司 | Method for improving battery production condition |
| CN113858955A (en) * | 2021-09-15 | 2021-12-31 | 东风时代(武汉)电池***有限公司 | BMS control strategy optimization method, device, equipment and readable storage medium |
| KR102466132B1 (en) * | 2021-10-27 | 2022-11-14 | (주)미섬시스텍 | The service system and method for battery management system of electric vehicle |
| WO2024049138A1 (en) * | 2022-08-29 | 2024-03-07 | 주식회사 엘지에너지솔루션 | Battery pack and method for updating firmware thereof |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101254875B1 (en) * | 2011-05-18 | 2013-04-15 | 삼성에스디아이 주식회사 | Battery pack management system |
| KR101523335B1 (en) * | 2012-03-29 | 2015-05-27 | 주식회사 엘지화학 | Automatic recognition system for battery characteristics, storage device for battery information applied for it and method of optimization for battery management device using the same |
| KR101977729B1 (en) | 2012-11-26 | 2019-05-14 | 한국전자통신연구원 | Method of optimizing battery management system algorithm and apparatus for the same |
| KR101488357B1 (en) * | 2013-05-10 | 2015-01-30 | (주)종합시스템 | System for smart battery management |
| KR101993414B1 (en) | 2015-11-03 | 2019-06-26 | 주식회사 엘지화학 | Apparatus and method for controling firmware of battery management system |
| KR102107219B1 (en) | 2015-11-30 | 2020-05-06 | 주식회사 엘지화학 | Apparatus for generating source code of Battery Management System software |
-
2018
- 2018-05-02 KR KR1020180050642A patent/KR102090476B1/en active IP Right Grant
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210144254A (en) | 2020-05-22 | 2021-11-30 | 연세대학교 산학협력단 | Apparatus and method for processing BMS data utilizing battery state assessment and analysis |
| KR102669896B1 (en) | 2023-04-27 | 2024-05-30 | 박신태 | Battery management system and method for outputting accumulated battery usage |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190134876A (en) | 2019-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102090476B1 (en) | a BMS optimizing system using a cloud system and big data | |
| US11293987B2 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
| US11065978B2 (en) | Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack | |
| KR101870075B1 (en) | Charge control apparatus, charge pattern creating device, method, non-transitory computer readable medium and power storage system | |
| Wang et al. | A method for state-of-charge estimation of Li-ion batteries based on multi-model switching strategy | |
| KR102335296B1 (en) | Wireless Network based Battery Management System | |
| CN109001640B (en) | Data processing method and device for power battery | |
| CN107690585A (en) | For determining the health status of lithium-sulfur cell group and the method and apparatus of charged state | |
| KR101227417B1 (en) | A method for the SOC estimation of Li-ion battery and a system for its implementation | |
| JP2018059910A (en) | System and method for estimating battery state, and non-transient computer readable storage medium | |
| CN107677962A (en) | The system and method for battery are managed the time required to based on charging | |
| CN107340476B (en) | Battery electrical state monitoring system and electrical state monitoring method | |
| KR20190123172A (en) | Method of estimating battery states | |
| EP4141460A1 (en) | Battery capacity measuring device and method, and battery control system comprising battery capacity measuring device | |
| KR101996943B1 (en) | Apparatus and method for estimating of battery state-of-charge | |
| Samadani et al. | A review study of methods for lithium-ion battery health monitoring and remaining life estimation in hybrid electric vehicles | |
| Qiu et al. | Battery hysteresis modeling for state of charge estimation based on Extended Kalman Filter | |
| US20230349977A1 (en) | Method and apparatus for estimating state of health of battery | |
| Kazhamiaka et al. | Simple spec-based modeling of lithium-ion batteries | |
| CN112379270A (en) | Electric vehicle power battery state of charge rolling time domain estimation method | |
| CN115616425A (en) | Battery performance analysis method, electronic equipment and energy storage system | |
| KR102629463B1 (en) | Method of estimating state of health (SOH) of battery | |
| CN114325442A (en) | Method and device for robustly predicting aging characteristics of an accumulator in a machine | |
| Refaai et al. | Battery energy forecasting in electric vehicle using deep residual neural network | |
| CN110232432A (en) | A kind of lithium battery group SOC prediction technique based on artificial life model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |