KR102241683B1 - 배터리의 상태를 추정하는 방법 및 장치 - Google Patents

배터리의 상태를 추정하는 방법 및 장치 Download PDF

Info

Publication number
KR102241683B1
KR102241683B1 KR1020140097153A KR20140097153A KR102241683B1 KR 102241683 B1 KR102241683 B1 KR 102241683B1 KR 1020140097153 A KR1020140097153 A KR 1020140097153A KR 20140097153 A KR20140097153 A KR 20140097153A KR 102241683 B1 KR102241683 B1 KR 102241683B1
Authority
KR
South Korea
Prior art keywords
battery
sensing data
segment
data
predetermined
Prior art date
Application number
KR1020140097153A
Other languages
English (en)
Other versions
KR20160014940A (ko
Inventor
유개원
박상도
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020140097153A priority Critical patent/KR102241683B1/ko
Priority to US14/719,551 priority patent/US9897664B2/en
Priority to CN201510430444.3A priority patent/CN105319512B/zh
Priority to EP15178250.5A priority patent/EP2980596B1/en
Publication of KR20160014940A publication Critical patent/KR20160014940A/ko
Application granted granted Critical
Publication of KR102241683B1 publication Critical patent/KR102241683B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—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]
    • G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

배터리의 상태를 추정하는 방법 및 장치가 개시된다. 배터리 상태 추정 장치는 배터리에 대한 센싱 데이터를 획득하고, 센싱 데이터를 미리 정해진 시간 간격으로 분할하여, 센싱 데이터로부터 복수 개의 세그먼트를 추출하고, 복수 개의 세그먼트를 기초로 배터리의 수명 정보를 추정할 수 있다.

Description

배터리의 상태를 추정하는 방법 및 장치{METHOD AND APPARATUS FOR ESTIMATING STATE OF BATTERY}
아래의 실시 예들은 배터리의 상태를 추정하는 방법 및 장치에 관한 것이다.
환경문제와 에너지 자원 문제가 중요시되는 가운데 전기 자동차 (Electric Vehicle)가 미래의 운송 수단으로 각광받고 있다. 전기 자동차는 충방전이 가능한 다수의 2차 전지(cell)가 하나의 팩(pack)으로 형성된 배터리를 주동력원으로 이용하기 때문에 배기가스가 전혀 없으며 소음이 작다는 장점이 있다.
전기 자동차에서 배터리는 가솔린 자동차의 엔진 및 연료 탱크와 같은 역할을 하므로, 전기 자동차 사용자의 안전을 위하여, 배터리의 상태를 확인하는 것이 중요할 수 있다.
최근에는, 보다 정확하게 배터리의 상태를 확인하면서, 사용자의 편의성을 증대시키기 위한 연구가 계속되고 있다.
일 실시예에 따른 배터리 상태 추정 장치는, 배터리에 대한 센싱 데이터를 획득하는 센싱 데이터 획득부; 및 상기 센싱 데이터를 미리 정해진 시간 간격으로 분할하고, 상기 센싱 데이터로부터 상기 분할된 센싱 데이터를 미리 정해진 개수만큼 포함하는 세그먼트를 미리 정해진 세그먼트 간격에 따라 시계열적으로 복수 개 추출하며, 상기 복수 개의 세그먼트를 기초로 상기 배터리의 수명 정보(SoH)를 추정하는 수명 정보 추정부를 포함할 수 있다.
상기 센싱 데이터는, 상기 배터리를 센싱하는 센서로부터 센싱된, 상기 배터리의 전압 데이터, 전류 데이터, 온도 데이터, 압력 데이터 또는 습도 데이터 중 적어도 하나일 수 있다.
상기 센싱 데이터 획득부는, 업데이트 주기에 따라 상기 센싱 데이터를 업데이트할 수 있다
상기 센싱 데이터 획득부는, 외부로부터의 제어 신호에 따라 상기 센싱 데이터를 획득할 수 있다.
상기 미리 정해진 세그먼트 간격과 대응되는 상기 분할된 센싱 데이터의 개수가 상기 미리 정해진 개수보다 적을 경우, 상기 미리 정해진 세그먼트 간격을 갖는 제1 세그먼트와 제2 세그먼트는, 상기 미리 정해진 개수와, 상기 미리 정해진 세그먼트 간격과 대응되는 상기 분할된 센싱 데이터의 개수의 차이와 대응되는 개수만큼의 상기 분할된 센싱 데이터를 중복하여 포함할 수 있다.
상기 수명 정보 추정부는, 상기 복수 개의 세그먼트 각각에 포함된 상기 분할된 센싱 데이터를 기초로 세그먼트 벡터를 생성할 수 있다.
상기 수명 정보 추정부는, 상기 센싱 데이터가 복수 개인 경우, 상기 복수 개의 센싱 데이터 각각에 대하여 상기 세그먼트 벡터를 생성할 수 있다.
상기 수명 정보 추정부는, 미리 정해진 매핑 파라미터를 기초로, 상기 세그먼트 벡터를 상기 세그먼트 벡터의 차원보다 낮은 차원의 특징 공간으로 매핑하여, 상기 세그먼트 벡터를 상기 특징 공간과 대응되는 차원을 갖는 특징 벡터로 변환할 수 있다.
상기 수명 정보 추정부는, 미리 정해진 학습 모델에 상기 특징 벡터를 입력하고, 상기 미리 정해진 학습 모델에 미리 정해진 학습 파라미터를 적용하여 상기 배터리의 잔존 용량을 추정하고, 상기 배터리의 잔존 용량을 이용하여 상기 배터리의 수명 정보를 추출할 수 있다.
상기 수명 정보 추정부는, 상기 미리 정해진 학습 모델에 상기 특징 벡터 및 이전에 추정한 상기 배터리의 잔존 용량에 대한 정보를 입력하고, 상기 미리 정해진 학습 모델에 상기 미리 정해진 학습 파라미터를 적용하여 상기 배터리의 잔존 용량을 추정할 수 있다.
상기 수명 정보 추정부는, 통신 인터페이스를 이용하여 상기 미리 정해진 매핑 파라미터 또는 상기 미리 정해진 학습 파라미터 중 적어도 하나를 외부로부터 획득할 수 있다.
일 실시예에 따른 배터리 상태 추정을 위한 전처리 장치는, 배터리에 대한 복수 개의 트레이닝 데이터를 획득하는 트레이닝 데이터 획득부; 및 상기 복수 개의 트레이닝 데이터 각각을 미리 정해진 시간 간격으로 분할하고, 상기 복수 개의 트레이닝 데이터 각각마다, 상기 분할된 트레이닝 데이터를 미리 정해진 개수만큼 포함하는 트레이닝 세그먼트를 미리 정해진 트레이닝 세그먼트 간격에 따라 시계열적으로 복수 개 추출하며, 상기 복수 개의 트레이닝 세그먼트를 기초로 상기 배터리의 수명 정보를 추정하기 위한 파라미터를 추출하는 파라미터 추출부를 포함할 수 있다.
상기 파라미터 추출부는, 상기 복수 개의 트레이닝 데이터 각각마다, 상기 복수 개의 트레이닝 세그먼트 각각에 포함된 상기 분할된 트레이닝 데이터를 기초로 트레이닝 세그먼트 벡터를 생성할 수 있다.
상기 파라미터 추출부는, 복수의 매핑 파라미터를 기초로 상기 트레이닝 세그먼트 벡터를 상기 트레이닝 세그먼트 벡터의 차원보다 낮은 차원의 특징 공간으로 매핑하여, 상기 트레이닝 세그먼트 벡터를 상기 특징 공간과 대응되는 차원을 갖는 트레이닝 특징 벡터로 변환하고, 상기 복수의 매핑 파라미터 중 상기 트레이닝 특징 벡터의 복원 오류를 최소화하는 매핑 파라미터를 추출할 수 있다.
상기 파라미터 추출부는, 미리 정해진 학습 모델에 상기 트레이닝 특징 벡터를 입력하고, 상기 미리 정해진 학습 모델에 복수의 학습 파라미터를 적용하여 상기 배터리의 잔존 용량을 추정하고, 상기 복수의 학습 파라미터 중 상기 추정된 배터리의 잔존 용량을 상기 배터리의 실제 잔존 용량에 가장 부합하게 하는 학습 파라미터를 추출할 수 있다.
상기 파라미터 추출부는, 통신 인터페이스를 이용하여 외부에 상기 추출된 매핑 파라미터 또는 상기 추출된 학습 파라미터 중 적어도 하나를 전송할 수 있다.
일 실시예에 따른 배터리 상태 추정 장치는, 배터리에 대한 복수 개의 트레이닝 데이터를 획득하는 트레이닝 데이터 획득부; 상기 복수 개의 트레이닝 데이터 각각을 미리 정해진 시간 간격으로 분할하고, 상기 복수 개의 트레이닝 데이터 각각마다, 상기 분할된 트레이닝 데이터를 미리 정해진 개수만큼 포함하는 트레이닝 세그먼트를 상기 복수 개의 트레이닝 데이터 각각으로부터 미리 정해진 트레이닝 세그먼트 간격에 따라 시계열적으로 복수 개 추출하며, 상기 복수 개의 트레이닝 세그먼트를 기초로 상기 배터리의 수명 정보를 추정하기 위한 파라미터를 추출하는 파라미터 추출부; 상기 배터리에 대한 센싱 데이터를 획득하는 센싱 데이터 획득부; 및 상기 센싱 데이터를 상기 미리 정해진 시간 간격으로 분할하고, 상기 센싱 데이터로부터 상기 분할된 센싱 데이터를 미리 정해진 개수만큼 포함하는 세그먼트를 미리 정해진 세그먼트 간격에 따라 시계열적으로 복수 개 추출하며, 상기 복수 개의 세그먼트를 기초로 상기 추출된 파라미터를 이용하여 상기 배터리의 수명 정보를 추정하는 수명 정보 추정부를 포함할 수 있다.
일 실시예에 따른 배터리 상태 추정 방법은, 배터리에 대한 센싱 데이터를 획득하는 단계; 상기 센싱 데이터를 미리 정해진 시간 간격으로 분할하는 단계; 상기 센싱 데이터로부터 상기 분할된 센싱 데이터를 미리 정해진 개수만큼 포함하는 세그먼트를 미리 정해진 세그먼트 간격에 따라 시계열적으로 복수 개 추출하는 단계; 및 상기 복수 개의 세그먼트를 기초로 상기 배터리의 수명 정보를 추정하는 단계를 포함할 수 있다.
일 실시예에 따른 배터리 상태 추정을 위한 전처리 방법은, 배터리에 대한 복수 개의 트레이닝 데이터를 획득하는 단계; 상기 복수 개의 트레이닝 데이터 각각을 미리 정해진 시간 간격으로 분할하는 단계; 상기 복수 개의 트레이닝 데이터 각각마다, 상기 분할된 트레이닝 데이터를 미리 정해진 개수만큼 포함하는 트레이닝 세그먼트를 미리 정해진 트레이닝 세그먼트 간격에 따라 시계열적으로 복수 개 추출하는 단계; 및 상기 복수 개의 트레이닝 세그먼트를 기초로 상기 배터리의 수명 정보를 추정하기 위한 파라미터를 추출하는 단계를 포함할 수 있다.
일 실시예에 따른 배터리 상태 추정 방법은, 배터리에 대한 복수 개의 트레이닝 데이터를 획득하는 단계; 상기 복수 개의 트레이닝 데이터 각각을 미리 정해진 시간 간격으로 분할하고, 상기 복수 개의 트레이닝 데이터 각각마다, 상기 분할된 트레이닝 데이터를 미리 정해진 개수만큼 포함하는 트레이닝 세그먼트를 상기 복수 개의 트레이닝 데이터 각각으로부터 미리 정해진 트레이닝 세그먼트 간격에 따라 시계열적으로 복수 개 추출하며, 상기 복수 개의 트레이닝 세그먼트를 기초로 상기 배터리의 수명 정보를 추정하기 위한 파라미터를 추출하는 단계; 상기 배터리에 대한 센싱 데이터를 획득하는 단계; 및 상기 센싱 데이터를 상기 미리 정해진 시간 간격으로 분할하고, 상기 센싱 데이터로부터 상기 분할된 센싱 데이터를 미리 정해진 개수만큼 포함하는 세그먼트를 미리 정해진 세그먼트 간격에 따라 시계열적으로 복수 개 추출하며, 상기 복수 개의 세그먼트를 기초로 상기 추출된 파라미터를 이용하여 상기 배터리의 수명 정보를 추정하는 단계를 포함할 수 있다.
도 1은 일 실시예에 따른 배터리 시스템을 나타낸 블록도이다.
도 2는 일 실시예에 따른 배터리 상태 추정 장치를 나타낸 블록도이다.
도 3은 일 실시예에 따른 전처리 장치를 나타낸 블록도이다.
도 4는 일 실시예에 따른 배터리 상태 추정 장치를 설명하기 위한 블록도이다.
도 5는 일 실시예에 따른 부분 충방전을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 세그먼트를 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 세그먼트 벡터를 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 수명 정보의 추정을 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 배터리 상태를 추정하기 위한 사용자 인터페이스를 설명하기 위한 도면이다.
도 10은 일 실시예에 따른 배터리 상태를 제공하기 위한 사용자 인터페이스를 설명하기 위한 도면이다.
도 11은 다른 일 실시예에 따른 배터리 상태 추정 장치를 나타낸 블록도이다.
도 12는 일 실시예에 따른 배터리 상태 추정 방법을 설명하기 위한 동작 흐름도이다.
도 13은 일 실시예에 따른 배터리 상태 추정을 위한 전처리 방법을 설명하기 위한 동작 흐름도이다.
도 14는 다른 일 실시예에 따른 배터리 상태 추정 방법을 설명하기 위한 동작 흐름도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수 개의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일 실시예에 따른 배터리 시스템을 나타낸 블록도이다.
도 1을 참조하면, 배터리 시스템(110)은 배터리(120) 및 배터리 제어 장치(Battery Management System: BMS)(120)를 포함할 수 있다. 배터리(120)는 배터리 시스템(110)이 장착된 구동 수단(예를 들어, 전기 자동차)에 전력을 공급할 수 있고, 복수 개의 배터리 모듈을 포함할 수 있다. 복수 개의 배터리 모듈 각각은 복수 개의 셀을 포함할 수 있다. 복수 개의 배터리 모듈 상호간은 직렬 및 병렬로 혼합 연결될 수 있다. 일 실시예에서, 복수 개의 배터리 모듈은 리튬 이온 배터리와 같은 2차 전지일 수 있다. 또한, 복수 개의 배터리 모듈의 용량은 서로 동일할 수도 있고, 서로 상이할 수도 있다. 또한, 배터리 시스템(110)은 에너지 저장 시스템(Energy Storage System: ESS)를 의미할 수 있다.
배터리 제어 장치(130)는 배터리(120)의 상태를 모니터링하고, 배터리(120)를 제어할 수 있다. 일 실시예에서, 배터리 제어 장치(130)는 배터리(120)에 포함된 복수 개의 배터리 모듈의 열 제어를 수행할 수 있다. 또한, 배터리 제어 장치(130)는 배터리의 과충전 및 과방전을 방지하고, 셀 밸런싱을 수행하여 배터리에 포함된 복수 개의 배터리 모듈간의 충전 상태가 균등하도록 제어할 수 있다. 이에 따라, 배터리의 에너지 효율이 높아지고, 배터리의 수명이 연장될 수 있다.
또한, 배터리 제어 장치(130)는 복수 개의 배터리 모듈의 수명 정보(State of Health: SoH), 충전 정보(State of Charge: SoC), 기능 정보(State of Function: SoF) 등을 추정할 수 있다. 여기서, 수명 정보는 배터리(120)의 성능이 제조 시에 비해 어느 정도 열화되었는지를 나타내고, 충전 정보는 배터리(120)에 수용된 전하량에 대한 정보를 나타내고, 기능 정보는 배터리(120)의 성능이 미리 정해진 조건에 얼마나 부합되는지에 대한 정보를 나타낼 수 있다.
배터리 제어 장치(130)는 수명 정보, 충전 정보, 기능 정보를 전자 제어 장치(Electronic Control Unit: ECU)에 제공할 수 있다. 일 실시예에서, 배터리 제어 장치(130)는 CAN(Controller Area Network) 통신을 이용하여 전자 제어 장치(ECU)와 통신을 수행할 수 있다.
수명 정보를 추정하기 위해, 배터리 제어 장치(130)는 수명 정보 추정 기법을 이용할 수 있다. 예를 들어, 배터리 제어 장치(130)는 배터리(120)의 개방 전압을 측정하여 수명 정보를 추정하는 OCV(Open Circuit Voltage) 기법 또는 배터리(120)의 내부 저항을 측정하여 수명 정보를 추정하는 EIS(Electrochemical Impedance Spectroscopy) 기법을 이용하여 배터리(120)의 수명 정보를 추정할 수 있다. 이 경우, OCV 기법 및 EIS 기법은 배터리(120)가 전기적으로 안정적인 상태에서 수행될 수 있다. 다른 예로서, 배터리 제어 장치(130)는 배터리(120)의 정전류 충전 시간(Constant Current Charging Time: CCCT)을 검출하여 수명 정보를 추정하는 CCCT 기법을 이용하여 배터리(120)의 수명 정보를 추정할 수 있다. 이 경우, CCCT 기법은 배터리(120)가 완전 충방전을 수행하는 경우에 수행될 수 있다. 여기서, 완전 충방전은 배터리(120)의 전압 레벨이 완전 충전 레벨 및 완전 방전 레벨에 도달하도록 충방전이 수행되는 것을 의미하고, 부분 충방전은 배터리(120)의 전압 레벨이 완전 충전 레벨 및 완전 방전 레벨 사이에서 충방전이 수행되는 것을 의미할 수 있다.
또한, 배터리 제어 장치(130)는 배터리(120)가 부분 충방전을 수행하는 경우, 배터리(120)의 상태를 센싱하고, 센싱된 배터리(120)의 상태로부터 배터리(120)의 열화 패턴을 인식하여 배터리(120)의 수명 정보를 추정할 수 있다. 일 실시예에서, 배터리 제어 장치(130)는 배터리(120)에 대한 센싱 데이터를 획득할 수 있다. 여기서, 센싱 데이터는 배터리(120)의 전압 데이터, 전류 데이터, 온도 데이터, 압력 데이터 또는 습도 데이터 중 적어도 하나를 포함할 수 있다. 또한, 센싱 데이터는 배터리의 상태를 나타낼 수 있는 모든 데이터를 포함할 수 있다. 배터리 제어
장치(130)는 획득한 센싱 데이터를 미리 정해진 시간 간격으로 분할하고, 센싱 데이터로부터, 분할된 센싱 데이터를 미리 정해진 개수만큼 포함하는 세그먼트를 미리 정해진 세그먼트 간격에 따라 복수 개 추출할 수 있다. 상기 세그먼트는 시계열적으로 추출될 수 있다. 배터리 제어 장치(130)는 복수 개의 세그먼트로부터 배터리(120)의 열화 패턴을 인식하여 배터리(120)의 수명 정보를 추정할 수 있다. 일 실시예에서, 배터리 제어 장치(130)는 복수 개의 세그먼트에 미리 정해진 학습 모델을 적용하여 배터리(120)의 수명 정보를 추정할 수 있다. 이 때, 미리 정해진 학습 모델을 적용하기 위한 복수 개의 세그먼트에 적용할 파라미터는 미리 저장될 수도 있고, 전처리부(미도시)로부터 수신할 수도 있다.
도 2는 일 실시예에 따른 배터리 상태 추정 장치를 나타낸 블록도이다.
도 2를 참조하면, 배터리 상태 추정 장치(210)는 센싱 데이터 획득부(220) 및 수명 정보 추정부(230)를 포함할 수 있다. 일 실시예에서, 배터리 상태 추정 장치(210)는 도 1의 배터리 제어 장치(120)를 나타낼 수도 있고, 배터리 제어 장치(120)의 구성요소일 수도 있다.
센싱 데이터 획득부(220)는 배터리에 대한 센싱 데이터를 획득할 수 있다. 여기서, 센싱 데이터는 배터리를 센싱하는 전압 센서로부터의 전압 데이터, 전류 센서로부터의 전류 데이터, 온도 센서로부터의 온도 데이터, 압력 센서로부터의 압력 데이터 또는 습도 센서로부터의 습도 데이터 중 적어도 하나를 포함할 수 있다. 또한, 센싱 데이터는 위에서 언급한 전압 센서, 전류 센서, 온도 센서, 압력 센서 및 습도 센서외에 배터리를 센싱하는 다른 센서로부터 획득한 데이터를 포함할 수 있다. 일 실시예에서, 센싱 데이터는 미리 정해진 시간 구간 동안 센싱된 시계열적(time-series) 데이터를 의미할 수 있다. 예를 들어, 전압 센서는 센싱 데이터 획득부(220)의 제어에 따라 10초 동안 배터리의 전압을 센싱할 수 있고, 센싱 데이터 획득부(220)는 전압 센서로부터 센싱 데이터를 획득할 수 있다. 센싱 데이터 획득부(220)는 획득한 센싱 데이터를 수명 정보 추정부(230)에 제공할 수 있다.
일 실시예에서, 센싱 데이터 획득부(220)는 업데이트 주기에 따라 센싱 데이터를 업데이트할 수 있다. 예를 들어, 업데이트 주기가 24시간인 경우, 센싱 데이터 획득부(220)는 24시간마다 배터리를 센싱하는 센서로부터 센싱 데이터를 획득할 수 있다. 여기서, 업데이트 주기는 미리 설정될 수도 있고, 외부에 의하여 가변적으로 설정될 수 있다. 외부는 배터리 상태 추정 장치(210) 이외의 다른 장치를 의미할 수 있다.
다른 일 실시예에서, 센싱 데이터 획득부(220)는 외부로부터의 제어 신호에 따라 센싱 데이터를 획득할 수 있다. 예를 들어, 센싱 데이터 획득부(220)가 외부로부터 배터리 상태의 추정을 지시하는 제어 신호를 수신할 때, 센싱 데이터 획득부(220)는 제어 신호의 수신에 응답하여, 배터리를 센싱하는 센서로부터 센싱 데이터를 수신할 수 있다.
수명 정보 추정부(230)는 센싱 데이터 획득부(220)에서 획득된 센싱 데이터로부터 복수 개의 세그먼트를 추출하고, 복수 개의 세그먼트를 기초로 배터리의 수명 정보를 추정할 수 있다. 수명 정보 추정부(230)는 센싱 데이터를 미리 정해진 시간 간격으로 분할할 수 있다. 예를 들어, 미리 정해진 시간 간격이 10초이고, 센싱 데이터의 센싱 시간이 100초인 경우, 수명 정보 추정부(230)는 센싱 데이터를 11개(0초, 10초, ... , 90초, 100초)로 분할할 수 있다. 일 실시예에서, 미리 정해진 시간 간격은 조절될 수 있다. 수명 정보 추정부(230)는 센싱 데이터로부터 복수 개의 세그먼트를 추출할 수 있다. 여기서, 세그먼트는 수명 정보 추정부(230)가 배터리의 수명 정보를 추정하기 위하여 센싱 데이터를 처리하는 처리 단위를 의미할 수 있다. 수명 정보 추정부(230)는 센싱 데이터로부터, 분할된 센싱 데이터를 미리 정해진 개수만큼 포함하는 세그먼트를 미리 정해진 세그먼트 간격에 따라 복수 개 추출할 수 있다. 세그먼트는 시계열적으로 추출될 수 있다. 여기서, 미리 정해진 개수는 세그먼트가 포함하는 분할된 센싱 데이터의 개수를 의미할 수 있고, 세그먼트 사이즈(segment size)로 표현될 수 있다. 미리 정해진 세그먼트 간격은 연속하는 두 개의 세그먼트의 시작 시점간의 간격을 의미할 수 있고, 세그먼트 인터벌(segment interval)로 표현될 수 있다.
수명 정보 추정부(230)는 세그먼트 추출 시점을 기준으로 순서대로 복수 개의 세그먼트 데이터를 추출할 수 있다. 여기서, 세그먼트 추출 시점은 센싱 데이터의 센싱 시작 시점을 의미할 수도 있고, 외부로부터 배터리 상태의 추정을 지시하는 제어 신호를 수신한 시점을 의미할 수도 있다. 또한, 세그먼트 인터벌과 대응되는 분할된 센싱 데이터의 개수가 세그먼트 사이즈보다 작을 경우 연속하는 두 개의 세그먼트는 세그먼트 사이즈와, 세그먼트 인터벌에 대응되는 분할된 센싱 데이터의 개수의 차이와 대응되는 개수만큼의 분할된 센싱 데이터를 중복하여 포함할 수 있다. 예를 들어, 센싱 데이터가 10초의 시간 간격으로 10개로 분할되고, 세그먼트 추출 시점이 10초이고, 세그먼트 사이즈가 4개이며, 세그먼트 인터벌이 10초인 경우, 수명 정보 추정부(230)는 10초부터 7개의 세그먼트를 연속적으로 추출할 수 있다. 예를 들어, 제1 세그먼트는 10초, 20초, 30초, 40초 각각에 대응하는 분할된 센싱 데이터를 포함하고, 제2 세그먼트는 20초, 30초, 40초, 50초 각각에 대응하는 분할된 센싱 데이터를 포함할 수 있다. 이 때, 제1 세그먼트 및 제2 세그먼트는 3개의 분할된 센싱 데이터(20초, 30초, 40초 각각에 대응하는 분할된 센싱 데이터)를 중복하여 포함할 수 있다. 다른 예로서, 10초의 시간 간격으로 10개로 분할되고, 세그먼트 추출 시점이 10초이고, 세그먼트 사이즈가 3개이며, 세그먼트 인터벌이 40초인 경우, 수명 정보 추정부(230)는 10초부터 2개의 세그먼트를 연속적으로 추출할 수 있다. 이 경우, 제1 세그먼트는 10초, 20초, 30초 각각에 대응하는 분할된 센싱 데이터를 포함하고, 제2 세그먼트는 50초, 60초, 70초 각각에 대응하는 분할된 센싱 데이터를 포함할 수 있다. 이 때, 제1 세그먼트 및 제2 세그먼트에 중복되어 포함되는 분할된 센싱 데이터는 존재하지 않을 수 있다.
일 실시예에서, 수명 정보 추정부(230)는 세그먼트 추출 시점, 세그먼트 인터벌 및 세그먼트 사이즈와 같은 세그먼트 파라미터를 조절할 수 있다. 이에 따라, 세그먼트가 갖는 정보의 양과 세그먼트의 생성 속도가 조절될 수 있다. 일 예로, 수명 정보 추정부(230)는 세그먼트 파라미터를 설정할 수도 있고, 외부(예를 들어, 전처리 장치)로부터 세그먼트 파라미터에 대한 정보를 수신할 수 있다.
또한, 수명 정보 추정부(230)는 복수 개의 세그먼트 각각에 포함된 분할된 센싱 데이터를 원소로 하는 세그먼트 벡터를 생성할 수 있다. 일 실시예에서, 수명 정보 추정부(230)는 복수 개의 세그먼트 각각에 대응하는 복수 개의 세그먼트 벡터를 생성할 수 있다. 예를 들어, 제1 세그먼트가 10초에 대응하는 제1 센싱값 및 20초에 대응하는 제2 센싱값을 포함하고, 제2 세그먼트가 30초에 대응하는 제3 센싱값 및 40초에 대응하는 제4 센싱값을 포함하는 경우, 수명 정보 추정부(230)는 제1 센싱값 및 제2 센싱값을 원소로 하는 제1 세그먼트 벡터, 제3 센싱값 및 제4 센싱값을 원소로 하는 제2 세그먼트 벡터를 생성할 수 있다.
다른 일 실시예에서, 수명 정보 추정부(230)는 복수 개의 세그먼트에 대응하는 하나의 세그먼트 벡터를 생성할 수 있다. 위의 예와 같이, 제1 세그먼트가 제1 센싱값 및 제2 센싱값을 포함하고, 제2 세그먼트가 제3 센싱값 및 제4 센싱값을 포함하는 경우, 수명 정보 추정부(230)는 제1 센싱값, 제2 센싱값, 제3 센싱값 및 제4 센싱값을 원소로 하는 하나의 세그먼트 벡터를 생성할 수 있다.
또한, 수명 정보 추정부(230)는 센싱 데이터가 복수 개인 경우, 복수 개의 센싱 데이터 각각에 대하여 세그먼트 벡터를 생성할 수 있다. 예를 들어, 센싱 데이터 획득부(220)는 베터리에 대한 전압 데이터, 전류 데이터 및 온도 데이터를 획득할 수 있다. 이 경우, 수명 정보 추정부(230)는 전압 데이터, 전류 데이터 및 온도 데이터 각각에 대하여 복수 개의 세그먼트를 추출하고, 추출한 복수 개의 세그먼트 각각에 포함된 분할된 센싱 데이터를 이용하여 전압 데이터, 전류 데이터 및 온도 데이터 각각에 대응하는 세그먼트 벡터를 생성할 수 있다.
일 실시예에서, 수명 정보 추정부(230)는 복수 개의 센싱 데이터에 대응하는 하나의 세그먼트 벡터를 생성할 수 있다. 위의 예와 같이, 센싱 데이터 획득부(220)가 베터리에 대한 전압 데이터, 전류 데이터 및 온도 데이터를 획득한 경우, 수명 정보 추정부(230)는 전압 데이터, 전류 데이터 및 온도 데이터 각각에 대하여 복수 개의 세그먼트를 추출할 수 있다. 수명 정보 추정부(230)는 전압 데이터에 대응하는 복수 개의 세그먼트로 구성된 전압 데이터 블록, 전류 데이터에 대응하는 복수 개의 세그먼트로 구성된 전류 데이터 블록 및 온도 데이터에 대응하는 복수 개의 세그먼트로 구성된 온도 데이터 블록을 생성하고, 전압 데이터 블록, 전류 데이터 블록 및 온도 데이터 블록을 조합하여 하나의 세그먼트 벡터를 생성할 수 있다.
또한, 수명 정보 추정부(230)는 미리 정해진 매핑 파라미터를 기초로, 세그먼트 벡터를 특징 공간으로 매핑하여, 세그먼트 벡터를 특징 공간과 대응되는 차원을 갖는 특징 벡터로 변환할 수 있다. 여기서, 특징 공간은 센싱 데이터를 저차원으로 표현할 수 있는 공간을 의미할 수 있다. 이에 따라, 특징 공간의 차원은 세그먼트 벡터의 차원보다 낮을 수 있다. 일 예로, 수명 정보 추정부(230)는 미리 정해진 매핑 파라미터를 설정할 수도 있고, 통신 인터페이스(미도시)를 통해 외부(예를 들어, 전처리 장치)로부터 미리 정해진 매핑 파라미터에 대한 정보를 수신할 수도 있다. 특징 공간의 차원은 미리 정해진 매핑 파라미터에 의해 결정될 수 있다. 세그먼트 벡터가 소정의 특징 공간으로 매핑됨에 따라, 적은 정보 손실로 고차원의 데이터가 저차원의 직교 공간에 압축적으로 표현될 수 있다. 이에 따라, 수명 정보 추정부(230)에서 배터리 상태 추정을 위한 연산량이 감소될 수 있고, 세그먼트 벡터의 노이즈가 제거될 수 있다.
일 실시예에서, 미리 정해진 매핑 파라미터는 미리 정해진 기준 매트릭스를 포함할 수 있고, 수명 정보 추정부(230)는 세그먼트 벡터를 미리 정해진 기준 매트릭스에 사영(project)하여 소정의 특징 공간에 매핑함으로써, 소정의 특징 공간과 대응되는 차원을 갖는 특징 벡터를 추출할 수 있다. 예를 들어, 수명 정보 추정부(230)는 전처리 장치로부터 PCA(Principle Component Analysis) 베이시스 매트릭스(PCA basis matrix)를 획득할 수 있다. 수명 정보 추정부(230)는 세그먼트 벡터를 PCA 베이시스 매트릭스에 사영하여, 세그먼트 벡터를 PCA 특징 공간에 매핑할 수 있다. 이에 따라, 세그먼트 벡터는 PCA 특징 공간에서 특징 벡터로 변환될 수 있다.
또한, 수명 정보 추정부(230)는 미리 정해진 학습 모델에 특징 벡터를 입력하여 배터리의 잔존 용량을 추정할 수 있다. 여기서, 미리 정해진 학습 모델은 신경망(Neural Network: NN) 모델, 서포트 벡터 회귀(Support Vector Regression: SVM) 모델 또는 가우시안 프로세스 회귀(Gaussian Process Regression) 모델 중 어느 하나를 포함할 수 있다. 또한, 미리 정해진 학습 모델은 신경망 모델, 서포트 벡터 회귀 모델 및 가우시안 프로세스 회귀 모델이 아니더라도, 특징 벡터를 이용하여 배터리의 잔존 용량을 추정할 수 있는 다른 학습 모델을 포함할 수 있다. 일 실시예에서, 수명 정보 추정부(230)는 특징 벡터가 입력된 미리 정해진 학습 모델로부터 배터리의 열화 패턴을 추출하여, 배터리의 잔존 용량을 추정할 수 있다.
또한, 수명 정보 추정부(230)는 미리 정해진 학습 모델에 특징 벡터 및 이전에 추정한 배터리의 잔존 용량에 대한 정보를 입력하여 배터리의 잔존 용량을 추정할 수 있다. 이에 따라, 배터리의 잔존 용량을 추정한 결과값의 오차가 감소될 수 있다. 일 실시예에서, 수명 정보 추정부(230)는 이전에 추정한 배터리의 잔존 용량에 대한 정보를 특징 벡터의 형태로 변환하고, 변환된 특징 벡터를 복수 개의 세그먼트에 대응하는 특징 벡터와 함께 미리 정해진 학습 모델에 입력할 수 있다.
또한, 수명 정보 추정부(230)는 보다 정확하게 배터리의 잔존 용량을 추정하기 위하여, 미리 정해진 학습 모델에 미리 정해진 학습 파라미터를 적용할 수 있다. 예를 들어, 미리 정해진 학습 모델이 신경망 모델일 경우, 미리 정해진 학습 파라미터는 뉴런들 사이의 연결 패턴과 가중치 및 활성화 함수(activation functions)를 포함할 수 있고, 미리 정해진 학습 모델이 서포트 벡터 회귀 모델일 경우, 미리 정해진 학습 파라미터는 커널 함수(kernel functions) 및 페널티 파라미터(penalty parameters)를 포함할 수 있으며, 미리 정해진 학습 모델이 가우시안 프로세스 회귀 모델일 경우, 미리 정해진 학습 파라미터는 커널 함수(kernel functions) 및 하이퍼 파라미터(hyper-parameters)를 포함할 수 있다.
일 실시예에서, 수명 정보 추정부(230)는 미리 정해진 학습 파라미터를 설정할 수도 있고, 통신 인터페이스(미도시)를 통해 외부(예를 들어, 전처리 장치)로부터 미리 정해진 학습 파라미터에 대한 정보를 수신할 수도 있다.
수명 정보 추정부(230)는 추정된 배터리의 잔존 용량으로부터 배터리의 수명 정보를 추출할 수 있다. 일 실시예에서, 배터리의 수명 정보는 아래의 수학식 1을 이용하여 계산될 수 있다.
[수학식 1]
Figure 112014072186317-pat00001

여기서, SoH는 배터리의 수명 정보를 의미하고,
Figure 112014072186317-pat00002
은 제조시의 배터리의 용량을 나타내고,
Figure 112014072186317-pat00003
는 추정된 배터리의 잔존 용량을 나타낼 수 있다. 예를 들어, 제조시 배터리의 용량이 50kWh이고, 추정된 배터리의 잔존 용량이 40kWh인 경우, 수명 정보 추정부(230)는 배터리의 수명 정보를 0.8로 연산할 수 있다.
도 3은 일 실시예에 따른 전처리 장치를 나타낸 블록도이다.
도 3을 참조하면, 전처리 장치(310)는 트레이닝 데이터 획득부(320) 및 파라미터 추출부(330)를 포함할 수 있다. 트레이닝 데이터 획득부(320)는 배터리에 대한 복수 개의 트레이닝 데이터를 획득할 수 있다. 트레이닝 데이터는 배터리의 전압 데이터, 전류 데이터, 온도 데이터, 압력 데이터 및 습도 데이터 중 적어도 하나를 포함할 수 있다. 또한, 트레이닝 데이터는 배터리의 상태를 나타낼 수 있는 모든 데이터를 포함할 수 있다. 트레이닝 데이터 획득부(320)는 하나의 배터리에 대한 복수 개의 트레이닝 데이터를 획득할 수도 있고, 복수 개의 배터리에 대한 복수 개의 트레이닝 데이터를 획득할 수도 있다. 일 실시예에서, 트레이닝 데이터 획득부(320)는 소정의 데이터베이스 또는 외부 장치로부터 복수 개의 트레이닝 데이터를 획득할 수 있다. 예를 들어, 트레이닝 데이터 획득부(320)는 업데이트 주기에 따라 소정의 데이터베이스 또는 외부 장치로부터 복수 개의 트레이닝 데이터를 업데이트할 수도 있고, 외부로부터의 제어 신호에 따라 소정의 데이터베이스 또는 외부 장치로부터 복수 개의 트레이닝 데이터를 획득할 수도 있다.
파라미터 추출부(330)는 트레이닝 데이터 획득부(320)에서 획득된 복수 개의 트레이닝 데이터로부터 복수 개의 트레이닝 세그먼트를 추출하고, 복수 개의 트레이닝 세그먼트를 기초로 배터리의 수명 정보를 추정하기 위한 파라미터를 추출할 수 있다. 일 실시예에서, 배터리의 수명 정보를 추정하기 위한 파라미터는 배터리 상태 추정 장치에서 배터리의 수명 정보를 추정하기 위해 이용되는 매핑 파라미터 및 학습 파라미터를 포함할 수 있다.
파라미터 추출부(330)는 복수 개의 트레이닝 데이터 각각을 미리 정해진 시간 간격으로 분할할 수 있다. 예를 들어, 트레이닝 데이터가 3개이고, 미리 정해진 시간 간격이 5초이며, 복수 개의 트레이닝 데이터의 센싱 시간이 30초인 경우, 파라미터 추출부(330)는 3개의 트레이닝 데이터 각각을 7개(0초, 5초, 10초, 15초, 20초, 25초, 30초)로 분할할 수 있다. 일 실시예에서, 미리 정해진 시간 간격은 조절될 수 있다. 파라미터 추출부(330)는 복수 개의 트레이닝 데이터 각각마다, 복수 개의 트레이닝 세그먼트를 추출할 수 있다. 여기서, 트레이닝 세그먼트는 파라미터 추출부(330)가 배터리의 수명 정보 추정에 이용되는 파라미터를 추출하기 위하여, 복수 개의 트레이닝 데이터를 처리하는 처리 단위를 의미할 수 있다. 파라미터 추출부(330)는 복수 개의 트레이닝 데이터 각각마다, 분할된 트레이닝 데이터를 미리 정해진 개수만큼 포함하는 트레이닝 세그먼트를 미리 정해진 트레이닝 세그먼트 간격에 따라 시계열적으로 복수 개 추출할 수 있다. 여기서, 미리 정해진 개수는 트레이닝 세그먼트가 포함하는 분할된 복수 개의 트레이닝 데이터의 개수를 의미할 수 있고, 트레이닝 세그먼트 사이즈(training segment size)로 표현될 수 있다. 미리 정해진 트레이닝 세그먼트 간격은 연속하는 두 개의 트레이닝 세그먼트의 시작 시점간의 간격을 의미할 수 있고, 트레이닝 세그먼트 인터벌(training segment interval)로 표현될 수 있다.
파라미터 추출부(330)는 복수 개의 트레이닝 데이터 각각에 대해, 트레이닝 세그먼트 추출 시점을 기준으로 순서대로 복수 개의 세그먼트 데이터를 추출할 수 있다. 여기서, 트레이닝 세그먼트 추출 시점은 임의의 시점을 의미할 수도 있고, 외부로부터 설정된 시점을 의미할 수도 있다. 또한, 트레이닝 세그먼트 인터벌과 대응되는 분할된 트레이닝 데이터의 개수가 트레이닝 세그먼트 사이즈보다 작을 경우, 연속하는 두 개의 트레이닝 세그먼트는 트레이닝 세그먼트 사이즈와, 트레이닝 세그먼트 인터벌에 대응되는 분할된 트레이닝 데이터의 개수의 차이와 대응되는 개수만큼의 분할된 트레이닝 데이터를 중복하여 포함할 수 있다. 일 실시예에서, 파라미터 추출부(330)는 트레이닝 세그먼트 추출 시점, 트레이닝 세그먼트 인터벌 및 트레이닝 세그먼트 사이즈와 같은 트레이닝 세그먼트 파라미터를 조절할 수 있다. 이에 따라, 트레이닝 세그먼트가 갖는 정보의 양과 트레이닝 세그먼트의 생성 속도는 조절될 수 있다.
또한, 파라미터 추출부(330)는 복수 개의 트레이닝 데이터 각각마다, 복수 개의 트레이닝 세그먼트 각각에 포함된 분할된 트레이닝 데이터를 기초로 트레이닝 세그먼트 벡터를 생성할 수 있다. 이 때, 트레이닝 세그먼트 벡터는 분할된 트레이닝 데이터를 원소로 포함할 수 있다. 파라미터 추출부(330)는 복수 개의 트레이닝 세그먼트 각각에 대응하는 복수 개의 트레이닝 세그먼트 벡터를 생성할 수 있다.
또한, 파라미터 추출부(330)는 미리 저장된 복수 개의 매핑 파라미터 중 최적의 매핑 파라미터를 추출할 수 있다. 일 실시예에서, 파라미터 추출부(330)는 복수 개의 매핑 파라미터를 기초로 트레이닝 세그먼트 벡터를 트레이닝 세그먼트 벡터의 차원보다 낮은 차원의 특징 공간으로 매핑하여, 트레이닝 세그먼트 벡터를 특징 공간과 대응되는 차원을 갖는 트레이닝 특징 벡터로 변환하고, 복수 개의 매핑 파라미터 중 트레이닝 특징 벡터의 복원 오류를 최소화하는 매핑 파라미터를 추출할 수 있다. 예를 들어, 파라미터 추출부(330)는 트레이닝 세그먼트 벡터를 제1 PCA 베이시스 매트릭스, 제2 PCA 베이시스 매트릭스 및 제3 PCA 베이시스 매트릭스 각각에 사영하여 제1 트레이닝 특징 벡터, 제2 트레이닝 특징 벡터 및 제3 트레이닝 특징 벡터를 수행할 수 있다. 파라미터 추출부(330)는 제1 트레이닝 특징 벡터, 제2 트레이닝 특징 벡터 및 제3 트레이닝 특징 벡터 각각을 역변환하여 트레이닝 특징 벡터들의 복원 오류를 연산할 수 있다. 이 때, 제2 트레이닝 특징 벡터의 복원 오류가 가장 작은 경우, 파라미터 추출부(330)는 제2 PCA 베이시스 매트릭스를 최적의 매핑 파라미터로 선택할 수 있다.
또한, 파라미터 추출부(330)는 미리 저장된 복수 개의 학습 파라미터 중 최적의 학습 파라미터를 추출할 수 있다. 일 실시예에서, 파라미터 추출부(330)는 미리 정해진 학습 모델에 트레이닝 특징 벡터를 입력하고, 미리 정해진 학습 모델에 복수 개의 학습 파라미터를 적용하여 배터리의 잔존 용량을 추정할 수 있다. 이 때, 파라미터 추출부(330)는 복수 개의 학습 파라미터 중 추정된 잔존 용량을 배터리의 실제 잔존 용량에 가장 부합하게 하는 학습 파라미터를 추출할 수 있다. 예를 들어, 파라미터 추출부(330)는 신경망 모델에 트레이닝 특징 벡터를 입력하고, 신경망 모델에 제1 활성화 함수, 제2 활성화 함수 및 제3 활성화 함수를 적용할 수 있다. 이에 따라, 파라미터 추출부(330)는 제1 활성화 함수의 적용에 따른 제1 추정 잔존 용량, 제2 활성화 함수의 적용에 따른 제2 추정 잔존 용량 및 제3 활성화 함수의 적용에 따른 제3 추정 잔존 용량을 추출할 수 있다. 파라미터 추출부(330)는 배터리의 실제 잔존 용량과 제1 추정 잔존 용량, 제2 추정 잔존 용량 및 제3 추정 잔존 용량을 비교할 수 있다. 이 때, 제3 추정 잔존 용량이 배터리의 실제 잔존 용량과 가장 부합하는 경우, 파라미터 추출부(330)는 제3 활성화 함수를 최적의 학습 파라미터로 선택할 수 있다.
파라미터 추출부(330)는 통신 인터페이스(미도시)를 이용하여 배터리 상태 추정 장치에 최적의 매핑 파라미터 또는 최적의 학습 파라미터 중 적어도 하나를 전송할 수 있다. 이에 따라, 배터리 상태 추정 장치는 보다 정확하고 신속하게 배터리의 수명 정보를 추정할 수 있다.
도 4는 일 실시예에 따른 배터리 상태 추정 장치를 설명하기 위한 블록도이다.
도 4를 참조하면, 배터리 시스템은 배터리(410) 및 센서(420) 및 배터리 상태 추정 장치(430)를 포함할 수 있다. 배터리(410)는 복수 개의 배터리 모듈을 포함할 수 있다. 센서(420)는 배터리(410) 또는 복수 개의 배터리 모듈 각각의 상태를 센싱할 수 있다. 도 4의 예에서 센서(420)는 하나로 표현되었지만, 센서(420)는 복수 개일 수도 있다. 예를 들어, 센서(420)는 전압 센서, 전류 센서, 온도 센서, 압력 센서 또는 습도 센서 중 적어도 하나일 수 있다. 또한, 센서(420)는 전압 센서, 전류 센서, 온도 센서, 압력 센서 및 습도 센서외에 배터리(410)의 상태를 센싱할 수 있는 다른 센서일 수 있다.
배터리 상태 추정 장치(430)는 제1 버퍼(440), 제어기(450), 통신 인터페이스(460)을 포함할 수 있다. 제어기(450)는 시분할기(451), 메모리(452), 수명 정보 연산기(453) 및 제2 버퍼(454)를 포함할 수 있다.
제1 버퍼(440)는 제어기(450)의 제어에 따라, 센서(420)로부터 배터리(410)에 대한 센싱 데이터를 저장할 수 있다. 센서(420)가 복수 개인 경우, 제1 버퍼(440)는 복수 개의 센서로부터 복수 개의 센싱 데이터를 저장할 수 있다.
통신 인터페이스(460)은 유선 인터페이스 또는 무선 인터페이스를 포함할 수 있다. 통신 인터페이스(460)는 외부의 전처리 장치로부터 배터리의 상태를 추정하기 위한 파라미터를 수신할 수 있다. 일 실시예에서, 통신 인터페이스(460)는 외부의 전처리 장치로부터 매핑 파라미터 또는 학습 파라미터를 수신할 수 있다. 통신 인터페이스(460)는 수신한 파라미터를 메모리(452)에 저장할 수 있다.
시분할기(451)는 제1 버퍼(440)에 저장된 센싱 데이터를 미리 정해진 시간 간격으로 분할할 수 있다. 이 때, 미리 정해진 시간 간격은 조절될 수 있다. 또한, 제1 버퍼(440)에 저장된 센싱 데이터가 복수 개인 경우, 시분할기(451)는 복수 개의 센싱 데이터 각각을 미리 정해진 시간 간격으로 분할할 수 있다.
수명 정보 연산기(453)는 센싱 데이터로부터 복수 개의 세그먼트를 추출하고, 복수 개의 세그먼트를 기초로 배터리(410)의 수명 정보를 추출할 수 있다. 복수 개의 세그먼트는 시분할기(451)에서 분할된 센싱 데이터를 세그먼트 사이즈만큼 포함할 수 있다. 또한, 수명 정보 연산기(453)는 세그먼트 추출 시점을 기준으로 세그먼트 인터벌에 따라 복수 개의 세그먼트를 추출할 수 있다. 이 때, 세그먼트 인터벌과 대응되는 분할된 센싱 데이터의 개수가 세그먼트 사이즈보다 작을 경우, 연속하는 두 개의 세그먼트는 세그먼트 사이즈와 세그먼트 인터벌에 대응되는 분할된 센싱 데이터의 개수의 차이와 대응되는 개수만큼의 분할된 센싱 데이터를 중복하여 포함할 수 있다. 일 실시예에서, 수명 정보 연산기(453)는 세그먼트 추출 시점, 세그먼트 인터벌 및 세그먼트 사이즈와 같은 세그먼트 파라미터를 조절할 수 있다. 또한, 수명 정보 연산기(453)는 세그먼트 파라미터를 메모리(452)에 저장할 수 있다.
또한, 수명 정보 연산기(453)는 복수 개의 세그먼트 각각에 포함된 분할된 센싱 데이터를 원소로 하는 세그먼트 벡터를 생성할 수 있다. 수명 정보 연산기(453)는 복수 개의 세그먼트 각각에 대응하는 복수 개의 세그먼트 벡터를 생성할 수도 있고, 복수 개의 세그먼트에 대응하는 하나의 세그먼트 벡터를 생성할 수 있다. 또한, 수명 정보 연산기(453)는 센싱 데이터가 복수 개인 경우, 복수 개의 센싱 데이터 각각에 대하여 세그먼트 벡터를 생성할 수도 있고, 복수 개의 센싱 데이터에 대응하는 하나의 센싱 데이터를 생성할 수도 있다.
또한, 수명 정보 연산기(453)는 미리 정해진 매핑 파라미터를 기초로, 세그먼트 벡터를 세그먼트 벡터의 차원보다 낮은 차원의 특징 공간으로 매핑하여, 세그먼트 벡터를 특징 공간과 대응되는 차원을 갖는 특징 벡터로 변환할 수 있다. 이 때, 미리 정해진 매핑 파라미터는 메모리(452)에 저장될 수 있다. 미리 정해진 매핑 파라미터는 PCA 베이시스 매트릭스일 수 있다. 수명 정보 연산기(453)는 세그먼트 벡터를 PCA 베이시스 매트릭스에 사영하여, 세그먼트 벡터를 PCA 특징 공간에 매핑할 수 있다. 이에 따라, 세그먼트 벡터는 PCA 특징 공간에서 특징 벡터로 변환될 수 있다.
또한, 수명 정보 연산기(453)는 미리 정해진 학습 모델에 특징 벡터를 입력하여 배터리(410)의 잔존 용량을 추정할 수 있다. 여기서, 미리 정해진 학습 모델은 신경망 모델, 서포트 벡터 회귀 모델 또는 가우시안 프로세스 회귀 모델 중 적어도 하나를 포함할 수 있다. 수명 정보 연산기(453)는 메모리(452)에 저장된 미리 정해진 학습 파라미터를 미리 정해진 학습 모델에 적용할 수 있다. 이에 따라, 수명 정보 연산기(453)는 특징 벡터가 입력된 미리 정해진 학습 모델로부터 배터리의 열화 패턴을 추출하여, 보다 정확하게 배터리의 잔존 용량을 추정할 수 있다. 또한, 수명 정보 연산기(453)는 이전에 추정한 배터리의 잔존 용량에 대한 정보를 특징 벡터와 함께 미리 정해진 학습 모델에 입력하여 배터리의 잔존 용량을 추정할 수 있다. 이에 따라, 배터리의 잔존 용량을 추정한 결과값의 오차가 감소될 수 있다. 이전에 추정한 배터리의 잔존 용량에 대한 정보는 제2 버퍼(454)에 저장될 수 있다. 수명 정보 연산기(453)는 추정된 배터리의 잔존 용량에 대한 정보를 제2 버퍼(454)에 저장할 수 있다. 이에 따라, 현재 추정된 배터리의 잔존 용량에 대한 정보는 추후에 배터리의 상태 추정에 이용될 수 있다.
또한, 수명 정보 연산기(453)는 통신 인터페이스(460)를 통하여 추정된 배터리의 잔존 용량에 대한 정보를 외부(예를 들어, 전자 제어 장치(ECU))에 전송할 수 있다.
도 5는 일 실시예에 따른 부분 충방전을 설명하기 위한 도면이다.
도 5를 참조하면, 그래프(500)는 부분 충방전이 수행되는 경우의 배터리의 상태 변화를 나타낼 수 있다. 그래프(500)의 가로축은 시간을 의미할 수 있고, 그래프(500)의 세로축은 배터리의 전압 레벨, 전류 레벨 및 온도 레벨을 나타낼 수 있다. 예를 들어, 센싱 데이터가 전압 데이터(510)인 경우, 그래프(500)의 세로축은 2.7V부터 4.2V까지를 나타낼 수 있고, 센싱 데이터가 전류 데이터(520)인 경우, 그래프(500)의 세로축은 -10A부터 3A까지를 나타낼 수 있고, 센싱 데이터가 온도 데이터(530)인 경우, 그래프(500)의 세로축은 10℃부터 30℃까지를 나타낼 수 있다.
그래프(500)에서 나타나는 것과 같이, 배터리가 부분 충방전을 수행하는 경우, 전압 데이터(510), 전류 데이터(520) 및 온도 데이터(530)는 미리 정해진 임계 레벨 내에서 레벨이 변할 수 있다. 예를 들어, 전압 데이터(510)의 경우, 완전 방전 레벨인 2.7V 및 완전 충전 레벨인 4.2V 내에서 전압 레벨이 변할 수 있다.
일 실시예에서, 배터리의 수명 상태에 따라 센싱 데이터(510, 520, 530)의 전압 레벨이 변하는 패턴이 달라질 수 있다. 배터리 상태 추정 장치는 센싱 데이터(510, 520, 530)를 미리 정해진 시간 간격으로 분할하고, 센싱 데이터로부터 분할된 센싱 데이터를 미리 정해진 개수만큼 포함하는 세그먼트를 미리 정해진 세그먼트 간격에 따라 복수 개 추출하여, 센싱 데이터(510, 520, 530)의 패턴을 파악할 수 있다. 세그먼트는 시계열적으로 추출될 수 있다.
도 6은 일 실시예에 따른 세그먼트를 설명하기 위한 도면이다.
도 6을 참조하면, 그래프(600)는 부분 충방전이 수행되는 경우의 배터리의 상태 변화를 나타낼 수 있다. 그래프(600)의 가로축은 시간을 의미할 수 있고, 그래프(600)의 세로축은 배터리의 전압 레벨, 전류 레벨 및 온도 레벨을 나타낼 수 있다
배터리 상태 추정 장치는 전압 데이터(611), 전류 데이터(612) 및 온도 데이터(613)를 미리 정해진 시간 간격으로 분할할 수 있다. 예를 들어, 배터리 상태 추정 장치는 센싱 데이터(611, 612, 613)을 100초 간격으로 분할할 수 있다. 배터리 상태 추정 장치는 세그먼트 추출 시점(621)을 시작 시점으로, 분할된 센싱 데이터를 미리 정해진 개수만큼 포함하는 세그먼트를 미리 정해진 세그먼트 간격에 따라 시계열적으로 복수 개 추출할 수 있다. 예를 들어, 미리 정해진 개수를 나타내는 세그먼트 사이즈(622)가 7개 이고, 미리 정해진 세그먼트 간격을 나타내는 세그먼트 인터벌(621)이 300초인 경우, 배터리 상태 추정 장치는 세그먼트 추출 시점인 400초(623)부터 순차적으로 세그먼트를 추출할 수 있다. 배터리 상태 추정 장치가 첫번째로 추출하는 제1 세그먼트(630)는 400초부터 1000초까지의 7개의 분할된 센싱 데이터(400초, 500초, 600초, 700초, 800초, 900초, 1000초 각각에 대응하는 센싱값)를 포함할 수 있다. 또한, 배터리 상태 추정 장치가 두번째로 추출하는 제2 세그먼트(640)는 700초부터 1300초까지의 7개의 분할된 센싱 데이터(700초, 800초, 900초, 1000초, 1100초, 1200초, 1300초 각각에 대응하는 센싱값)를 포함할 수 있다. 이 때, 세그먼트 인터벌(621)에 대응되는 센싱 데이터의 개수가 세그먼트 사이즈(622)보다 적으므로, 제1 세그먼트(630) 및 제2 세그먼트(640)는 4개의 센싱 데이터(700초, 800초, 900초, 1000초 각각에 대응하는 센싱값)를 중복하여 포함할 수 있다. 일 실시예에서, 배터리 상태 추정 장치는 각 세그먼트의 종료 시점에서 배터리의 상태를 추정할 수 있다. 예를 들어, 배터리 상태 추정 장치는 제1 세그먼트(630)의 종단 시점인 1000초에서, 제1 세그먼트(630)를 기초로 제1 수명 정보(631)를 추정할 수 있고, 제2 세그먼트(640)의 종단 시점인 1300초에서, 제2 세그먼트(640)를 기초로 제2 수명 정보(632)를 추정할 수 있다. 일 실시예에서, 배터리 상태 추정 장치는 제2 세그먼트와 함께 제1 수명 정보(631)를 이용하여 제2 수명 정보(632)를 추정할 수 있다. 이에 따라, 제2 수명 정보(632)의 오차가 감소될 수 있다.
도 7은 일 실시예에 따른 세그먼트 벡터를 설명하기 위한 도면이다.
도 7을 참조하면, 제1 세그먼트(710)는 전압 데이터로부터 추출된 세그먼트를 나타내고, 제2 세그먼트(720)는 전류 데이터로부터 추출된 세그먼트를 나타내며, 제3 세그먼트(730)는 온도 데이터로부터 추출된 세그먼트를 나타낼 수 있다. 일 실시예에서, 배터리 상태 추정 장치는 제1 세그먼트(710), 제2 세그먼트(720) 및 제3 세그먼트(730) 각각에 대한 세그먼트 벡터(711, 721, 731)를 생성할 수 있다. 배터리 상태 추정 장치는 세그먼트(710, 720, 730)의 각 시점에 대응하는 센싱값을 원소로 하여 세그먼트 벡터(711, 712, 713)를 생성할 수 있다. 예를 들어, 제1 세그먼트(710)는 7개의 전압 데이터를 포함할 수 있고, 시점 t1, t2, t3, t4, t5, t6, t7에 대한 센싱값이 각각 3.2V, 2.8V, 3.5V, 3.9V, 4.1V, 3.8V, 3.6V일 수 있다. 이 경우, 배터리 상태 추정 장치는 (3.2, 2.8, 3.5, 3.9, 4.1, 3.8, 3.6)을 원소로 하는 제1 세그먼트 벡터(711)를 생성할 수 있다.
다른 일 실시예에서, 배터리 상태 추정 장치는 제1 세그먼트(710), 제2 세그먼트(720) 및 제3 세그먼트(730)에 대한 하나의 세그먼트를 생성할 수 있다. 예를 들어, 배터리 상태 추정 장치는 제1 세그먼트 벡터(711), 제2 세그먼트 벡터(721) 및 제3 세그먼트 벡터(731) 각각을 제1 데이터 블록, 제2 데이터 블록 및 제3 데이터 블록으로 변환할 수 있고, 제1 데이터 블록, 제2 데이터 블록 및 제3 데이터 블록을 조합하여 하나의 세그먼트 벡터를 생성할 수 있다.
도 8은 일 실시예에 따른 수명 정보의 추정을 설명하기 위한 도면이다.
도 8을 참조하면, 배터리 상태 추정 장치는 세그먼트 벡터(810)를 PCA 특징 공간(820)에 매핑할 수 있다. 여기서, 도 8의 예에서, 세그먼트 벡터(810)는 하나로 표현되었지만, 세그먼트 벡터(810)는 복수 개일 수 있다. 예를 들어, 세그먼트 벡터(810)는 전압 데이터에 대한 세그먼트 벡터, 전류 데이터에 대한 세그먼트 벡터 및 온도 데이터에 대한 세그먼트 벡터를 포함할 수 있다.
배터리 상태 추정 장치는 세그먼트 벡터(810)를 PCA 베이시스 매트릭스에 사영하여, 세그먼트 벡터(810)를 세그먼트 벡터(810)의 차원보다 낮은 차원을 갖는 PCA 특징 공간(820)에 매핑할 수 있고, 이에 따라, 세그먼트 벡터(810)는 특징 벡터(831)로 변환될 수 있다. 세그먼트 벡터(810)가 특징 벡터(831)로 변환됨에 따라, 배터리 상태 추정을 위한 연산량이 감소될 수 있고, 세그먼트 벡터의 노이즈가 제거될 수 있다. 일 실시예에서, 배터리 상태 추정 장치는 전처리 장치로부터 PCA 베이시스 매트릭스를 획득할 수 있다.
배터리 상태 추정 장치는 학습 모델(840)에 특징 벡터(831)를 입력하여, 학습 모델(840)로부터 배터리의 열화 패턴을 추정함으로써, 배터리의 잔존 용량(850)을 추정할 수 있다. 여기서, 학습 모델(840)은 신경망 모델, 서포트 벡터 회귀 모델 또는 가우시안 프로세스 회귀 모델 중 어느 하나를 포함할 수 있다. 일 실시예에서, 배터리 상태 추정 장치는 학습 모델(840)에 학습 파라미터를 적용할 수 있다. 예를 들어, 학습 모델(840)이 신경망 모델일 경우, 신경망 모델에 전처리 장치로부터 획득한 활성화 함수를 적용할 수 있다. 또한, 배터리 상태 추정 장치는 학습 모델(840)에 특징 벡터(831)와 함께, 이전에 추정한 배터리의 잔존 용량(832)을 입력할 수 있다. 이에 따라, 배터리의 잔존 용량을 추정한 결과값의 오차가 감소될 수 있다. 배터리 상태 추정 장치는 배터리의 잔존 용량(850)으로부터 배터리의 수명 정보를 추출할 수 있다.
도 9는 일 실시예에 따른 배터리 상태를 추정하기 위한 사용자 인터페이스를 설명하기 위한 도면이다.
도 9를 참조하면, 배터리 제어 장치는 외부로부터 트리거(trigger) 신호를 수신하고 트리거 신호의 수신에 응답하여 배터리에 대한 센싱 데이터를 획득할 수 있다. 이에 따라, 배터리 제어 장치는 배터리가 부분 충방전을 수행하는 경우에도 실시간으로 배터리의 수명 정보를 추정할 수 있다. 예를 들어, 전자 제어 장치(ECU)는 배터리 및 배터리 제어 장치가 장착된 전기 자동차의 시동이 온(on) 상태일 때, 계기판에 사용자 인터페이스(910)를 디스플레이할 수 있다. 사용자 인터페이스(910)는 트리거 신호를 생성하기 위한 인터페이스(920)를 포함할 수 있다. 사용자로부터 인터페이스(920)가 선택된 경우, 전자 제어 장치(ECU)는 배터리 제어 장치에 트리거 신호를 전송할 수 있다. 배터리 제어 장치는 센싱 데이터를 미리 정해진 시간 간격으로 분할하고, 센싱 데이터로부터, 분할된 센싱 데이터를 미리 정해진 개수만큼 포함하는 세그먼트를 미리 정해진 세그먼트 간격에 따라 시계열적으로 복수 개 추출하며, 복수 개의 세그먼트를 기초로 배터리의 수명 정보를 추정할 수 있다. 일 실시예에서, 배터리 제어 장치는 추정한 배터리의 수명 정보를 전자 제어 장치(ECU)에 전송할 있고, 전자 제어 장치(ECU)는 배터리 제어 장치로부터 수신한 배터리의 수명 정보를 디스플레이할 수 있다.
도 10은 일 실시예에 따른 배터리 상태를 제공하기 위한 사용자 인터페이스를 설명하기 위한 도면이다.
도 10을 참조하면, 전기 자동차(1010)는 배터리 시스템(1020)을 포함할 수 있다. 배터리 시스템(1020)은 배터리(1030) 및 배터리 제어 장치(1040)를 포함할 수 있다. 배터리 제어 장치(1040)는 배터리(1030)의 수명 정보를 추출한 후 무선 인터페이스를 이용하여 단말(1050)에 배터리(1030)에 대한 정보를 전송할 수 있다.
일 실시예에서, 배터리 제어 장치(1040)는 배터리(1030)에 대한 센싱 데이터를 획득할 수 있다. 또한, 배터리 제어 장치(1040)는 센싱 데이터를 미리 정해진 시간 간격으로 분할하고, 센싱 데이터로부터 분할된 센싱 데이터를 미리 정해진 개수만큼 포함하는 세그먼트를 미리 정해진 세그먼트 간격에 따라 복수 개 추출하며, 복수 개의 세그먼트를 기초로 배터리(1030)의 수명 정보를 추정할 수 있다. 세그먼트는 시계열적으로 추출될 수 있다. 일 실시예에서, 배터리 제어 장치(1040)는 무선 인터페이스를 통하여 단말(1050)로부터 트리거 신호를 수신할 수 있고, 트리거 신호의 수신에 응답하여 배터리(1030)가 배터리(1030)의 수명 정보를 추정할 수 있다. 배터리 제어 장치(1040)는 추출한 수명 정보(1061)를 무선 인터페이스를 이용하여 단말(1050)에 전송할 수 있다. 단말(1050)은 사용자 인터페이스(1060)를 이용하여 배터리(1010)의 수명 정보(1061)를 디스플레이할 수 있다.
도 11은 다른 일 실시예에 따른 배터리 상태 추정 장치를 나타낸 블록도이다.
도 11을 참조하면, 배터리 상태 추정 장치(1110)는 트레이닝 데이터 획득부(1120), 파라미터 추출부(1130), 센싱 데이터 획득부(1140) 및 수명 정보 추정부(1150)를 포함할 수 있다.
트레이닝 데이터 획득부(1120)는 배터리에 대한 복수 개의 트레이닝 데이터를 획득할 수 있다. 일 실시예에서, 트레이닝 데이터 획득부(1120)는 하나의 배터리에 대한 복수 개의 트레이닝 데이터를 획득할 수도 있고, 복수 개의 배터리 각각에 대한 복수 개의 트레이닝 데이터를 획득할 수도 있다.
파라미터 추출부(1130)는 복수 개의 트레이닝 데이터 각각을 미리 정해진 시간 간격으로 분할하고, 복수 개의 트레이닝 데이터 각각마다, 분할된 트레이닝 데이터를 미리 정해진 개수만큼 포함하는 트레이닝 세그먼트를 복수 개의 트레이닝 데이터 각각으로부터 미리 정해진 트레이닝 세그먼트 간격에 따라 복수 개 추출하며, 복수 개의 트레이닝 세그먼트를 기초로 배터리의 수명 정보를 추정하기 위한 파라미터를 추출할 수 있다. 세그먼트는 시계열적으로 추출될 수 있다.
센싱 데이터 획득부(1140)는 배터리에 대한 센싱 데이터를 획득할 수 있다.
수명 정보 추정부(1150)는 센싱 데이터를 미리 정해진 시간 간격으로 분할하고, 센싱 데이터로부터 분할된 센싱 데이터를 미리 정해진 개수만큼 포함하는 세그먼트를 미리 정해진 세그먼트 간격에 따라 복수 개 추출하며, 복수 개의 세그먼트를 기초로 추출된 파라미터를 이용하여 배터리의 수명 정보를 추정할 수 있다. 세그먼트는 시계열적으로 추출될 수 있다. 일 실시예에서, 트레이닝 세그먼트에 포함된 분할된 트레이닝 데이터의 개수와 세그먼트에 포함된 분할된 센싱 데이터의 개수는 서로 동일할 수 있고, 미리 정해진 트레이닝 세그먼트 간격과 미리 정해진 세그먼트 간격 역시 서로 동일할 수 있다.
도 11에 도시된 다른 일 실시예에 따른 배터리 상태 추정 장치에는 도 1 내지 도 10을 통해 설명된 내용이 그대로 적용될 수 있으므로, 보다 상세한 설명은 생략한다.
도 12는 일 실시예에 따른 배터리 상태 추정 방법을 설명하기 위한 동작 흐름도이다.
도 12를 참조하면, 배터리 상태 추정 장치는 배터리에 대한 센싱 데이터를 획득할 수 있다(1210).
또한, 배터리 상태 추정 장치는 센싱 데이터를 미리 정해진 시간 간격으로 분할할 수 있다(1220).
또한, 배터리 상태 추정 장치는 센싱 데이터로부터 분할된 센싱 데이터를 미리 정해진 개수만큼 포함하는 세그먼트를 미리 정해진 세그먼트 간격에 따라 복수 개 추출할 수 있다(1230). 단계(1230)에서, 세그먼트는 시계열적으로 추출될 수 있다.
또한, 배터리 상태 추정 장치는 복수 개의 세그먼트를 기초로 배터리의 수명 정보를 추정할 수 있다(1240).
도 12에 도시된 일 실시예에 따른 배터리 상태 추정 방법에는 도 1 내지 도 10을 통해 설명된 내용이 그대로 적용될 수 있으므로, 보다 상세한 설명은 생략한다.
도 13은 일 실시예에 따른 배터리 상태 추정을 위한 전처리 방법을 설명하기 위한 동작 흐름도이다.
도 13을 참조하면, 전처리 장치는 배터리에 대한 복수 개의 트레이닝 데이터를 획득할 수 있다(1310).
또한, 전처리 장치는 복수 개의 트레이닝 데이터 각각을 미리 정해진 시간 간격으로 분할할 수 있다(1320).
또한, 전처리 장치는 복수 개의 트레이닝 데이터 각각마다, 분할된 트레이닝 데이터를 미리 정해진 개수만큼 포함하는 트레이닝 세그먼트를 미리 정해진 트레이닝 세그먼트 간격에 따라 복수 개 추출할 수 있다(1330). 단계(1330)에서, 전처리 장치는 세그먼트를 시계열적으로 추출할 수 있다.
또한, 전처리 장치는 복수 개의 트레이닝 세그먼트를 기초로 배터리의 수명 정보를 추정하기 위한 파라미터를 추출할 수 있다(1340).
도 13에 도시된 일 실시예에 따른 배터리 상태 추정을 위한 전처리 방법에는 도 1 내지 도 10을 통해 설명된 내용이 그대로 적용될 수 있으므로, 보다 상세한 설명은 생략한다.
도 14는 다른 일 실시예에 따른 배터리 상태 추정 방법을 설명하기 위한 동작 흐름도이다.
도 14를 참조하면, 배터리 상태 추정 장치는 배터리에 대한 복수 개의 트레이닝 데이터를 획득할 수 있다(1410).
또한, 배터리 상태 추정 장치는 복수 개의 트레이닝 데이터 각각을 미리 정해진 시간 간격으로 분할하고, 복수 개의 트레이닝 데이터 각각마다, 분할된 트레이닝 데이터를 미리 정해진 개수만큼 포함하는 트레이닝 세그먼트를 복수 개의 트레이닝 데이터 각각으로부터 미리 정해진 트레이닝 세그먼트 간격에 따라 복수 개 추출하며, 복수 개의 트레이닝 세그먼트를 기초로 배터리의 수명 정보를 추정하기 위한 파라미터를 추출할 수 있다(1420). 단계(1420)에서, 배터리 상태 추정 장치는 세그먼트를 시계열적으로 추출할 수 있다.
또한, 배터리 상태 추정 장치는 배터리에 대한 센싱 데이터를 획득할 수 있다(1430).
또한, 배터리 상태 추정 장치는 센싱 데이터를 미리 정해진 시간 간격으로 분할하고, 센싱 데이터로부터 분할된 센싱 데이터를 미리 정해진 개수만큼 포함하는 세그먼트를 미리 정해진 세그먼트 간격에 따라 복수 개 추출하며, 복수 개의 세그먼트를 기초로 추출된 파라미터를 이용하여 배터리의 수명 정보를 추정할 수 있다(1440). 단계(1440)에서, 배터리 상태 추정 장치는 세그먼트를 시계열적으로 추출할 수 있다.
도 14에 도시된 다른 일 실시예에 따른 배터리 상태 추정 방법에는 도 1 내지 도 10을 통해 설명된 내용이 그대로 적용될 수 있으므로, 보다 상세한 설명은 생략한다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
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.

Claims (21)

  1. 배터리에 대한 센싱 데이터를 획득하는 센싱 데이터 획득부; 및
    상기 센싱 데이터를 미리 정해진 시간 간격으로 분할하고, 상기 센싱 데이터로부터 상기 분할된 센싱 데이터를 미리 정해진 개수만큼 포함하는 세그먼트를 미리 정해진 세그먼트 간격에 따라 시계열적으로 복수 개 추출하며, 상기 복수 개의 세그먼트를 통해 상기 센싱 데이터의 패턴을 인식하고, 상기 인식된 패턴 및 상기 배터리의 이전 수명 정보(SoH)를 이용하여 상기 배터리의 수명 정보를 추정하는 수명 정보 추정부
    를 포함하는,
    배터리 상태 추정 장치.
  2. 제1항에 있어서,
    상기 센싱 데이터는,
    상기 배터리를 센싱하는 센서로부터 센싱된, 상기 배터리의 전압 데이터, 전류 데이터, 온도 데이터, 압력 데이터 또는 습도 데이터 중 적어도 하나인,
    배터리 상태 추정 장치.
  3. 제1항에 있어서,
    상기 센싱 데이터 획득부는,
    업데이트 주기에 따라 상기 센싱 데이터를 업데이트하는,
    배터리 상태 추정 장치.
  4. 제1항에 있어서,
    상기 센싱 데이터 획득부는,
    외부로부터의 제어 신호에 따라 상기 센싱 데이터를 획득하는,
    배터리 상태 추정 장치.
  5. 삭제
  6. 제1항에 있어서,
    상기 수명 정보 추정부는,
    상기 복수 개의 세그먼트 각각에 포함된 상기 분할된 센싱 데이터를 기초로 세그먼트 벡터를 생성하는,
    배터리 상태 추정 장치.
  7. 제6항에 있어서,
    상기 수명 정보 추정부는,
    복수 개의 센싱 데이터 각각에 대하여 상기 세그먼트 벡터를 생성하는,
    배터리 상태 추정 장치.
  8. 제6항에 있어서,
    상기 수명 정보 추정부는,
    미리 정해진 매핑 파라미터를 기초로, 상기 세그먼트 벡터를 상기 세그먼트 벡터의 차원보다 낮은 차원의 특징 공간으로 매핑하여, 상기 세그먼트 벡터를 상기 특징 공간과 대응되는 차원을 갖는 특징 벡터로 변환하는,
    배터리 상태 추정 장치.
  9. 제8항에 있어서,
    상기 수명 정보 추정부는,
    미리 정해진 학습 모델에 상기 특징 벡터를 입력하고, 상기 미리 정해진 학습 모델에 미리 정해진 학습 파라미터를 적용하여 상기 배터리의 잔존 용량을 추정하고, 상기 배터리의 잔존 용량을 이용하여 상기 배터리의 수명 정보를 추출하는,
    배터리 상태 추정 장치.
  10. 제9항에 있어서,
    상기 수명 정보 추정부는,
    상기 미리 정해진 학습 모델에 상기 특징 벡터 및 이전에 추정한 상기 배터리의 잔존 용량에 대한 정보를 입력하고, 상기 미리 정해진 학습 모델에 상기 미리 정해진 학습 파라미터를 적용하여 상기 배터리의 잔존 용량을 추정하는,
    배터리 상태 추정 장치.
  11. 제9항에 있어서,
    상기 수명 정보 추정부는,
    통신 인터페이스를 이용하여 상기 미리 정해진 매핑 파라미터 또는 상기 미리 정해진 학습 파라미터 중 적어도 하나를 외부로부터 획득하는,
    배터리 상태 추정 장치.
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
  16. 삭제
  17. 삭제
  18. 배터리에 대한 센싱 데이터를 획득하는 단계;
    상기 센싱 데이터를 미리 정해진 시간 간격으로 분할하는 단계;
    상기 센싱 데이터로부터 상기 분할된 센싱 데이터를 미리 정해진 개수만큼 포함하는 세그먼트를 미리 정해진 세그먼트 간격에 따라 시계열적으로 복수 개 추출하는 단계; 및
    상기 복수 개의 세그먼트를 통해 상기 센싱 데이터의 패턴을 인식하고, 상기 인식된 패턴 및 상기 배터리의 이전 수명 정보를 이용하여 상기 배터리의 수명 정보를 추정하는 단계
    를 포함하는,
    배터리 상태 추정 방법.
  19. 삭제
  20. 삭제
  21. 제18항의 방법을 수행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
KR1020140097153A 2014-07-30 2014-07-30 배터리의 상태를 추정하는 방법 및 장치 KR102241683B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020140097153A KR102241683B1 (ko) 2014-07-30 2014-07-30 배터리의 상태를 추정하는 방법 및 장치
US14/719,551 US9897664B2 (en) 2014-07-30 2015-05-22 Method and apparatus for estimating state of battery
CN201510430444.3A CN105319512B (zh) 2014-07-30 2015-07-21 用于估计电池的状态的方法和设备
EP15178250.5A EP2980596B1 (en) 2014-07-30 2015-07-24 Method and apparatus for estimating state of battery, computer-readable medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140097153A KR102241683B1 (ko) 2014-07-30 2014-07-30 배터리의 상태를 추정하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20160014940A KR20160014940A (ko) 2016-02-12
KR102241683B1 true KR102241683B1 (ko) 2021-04-19

Family

ID=53758077

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140097153A KR102241683B1 (ko) 2014-07-30 2014-07-30 배터리의 상태를 추정하는 방법 및 장치

Country Status (4)

Country Link
US (1) US9897664B2 (ko)
EP (1) EP2980596B1 (ko)
KR (1) KR102241683B1 (ko)
CN (1) CN105319512B (ko)

Families Citing this family (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160125290A1 (en) * 2014-10-30 2016-05-05 Microsoft Technology Licensing, Llc Combined discrete and incremental optimization in generating actionable outputs
KR102574257B1 (ko) 2015-10-30 2023-09-01 삼성전자주식회사 Soh 추정 장치 및 방법과, soh 추정 모델 생성 장치 및 방법
KR102527334B1 (ko) * 2015-11-24 2023-05-02 삼성전자주식회사 배터리 관리 장치 및 방법
KR102553031B1 (ko) * 2016-01-14 2023-07-06 삼성전자주식회사 배터리의 상태 추정 장치 및 방법
US10300807B2 (en) * 2016-02-04 2019-05-28 Johnson Controls Technology Company Systems and methods for state of charge and capacity estimation of a rechargeable battery
KR102470882B1 (ko) * 2016-03-31 2022-11-25 에스케이온 주식회사 단위배터리 모듈 및 배터리 셀의 열화도 산출방법
US10317939B2 (en) * 2016-04-26 2019-06-11 Westunitis Co., Ltd. Neckband type computer
US10324135B2 (en) * 2016-06-06 2019-06-18 Mitsubishi Electric Research Laboratories, Inc. Methods and systems for data-driven battery state of charge (SoC) estimation
GB2556076B (en) * 2016-11-17 2022-02-23 Bboxx Ltd Method
KR20180084358A (ko) * 2017-01-17 2018-07-25 삼성전자주식회사 배터리 상태 추정 방법 및 장치
CN107230288A (zh) * 2017-05-24 2017-10-03 苏州我要亲点电子科技有限公司 一种新型的智能充电桩
KR101952017B1 (ko) * 2017-05-31 2019-04-29 박태성 배터리의 성능 회복 장치
CN107132489B (zh) * 2017-06-30 2021-01-05 浙江绿源电动车有限公司 电池容量检测方法、车辆状态判断方法、电池组及电动车
KR102399602B1 (ko) * 2017-08-17 2022-05-18 삼성전자주식회사 배터리 상태 추정 방법 및 장치
CN108009585B (zh) * 2017-12-01 2020-09-04 国网山东省电力公司信息通信公司 基于局部信息融合的铅酸电池健康状态预测方法
KR20190073253A (ko) * 2017-12-18 2019-06-26 삼성전자주식회사 배터리 상태 추정 방법 및 장치
RU2682596C1 (ru) * 2017-12-26 2019-03-19 Павел Владимирович Хрулёв Устройство контроля и управления техническим состоянием аккумуляторных батарей
KR102291133B1 (ko) * 2018-03-07 2021-08-20 주식회사 엘지화학 배터리 수명 예측 장치 및 방법
EP3591413B1 (en) * 2018-07-03 2023-08-30 Electricité de France Method for evaluating an electric battery state of health
EP3832330A4 (en) * 2018-07-31 2021-10-20 Honda Motor Co., Ltd. ESTIMATION SYSTEM, ESTIMATION DEVICE, ESTIMATION PROCESS AND INFORMATION SUPPORT
KR20200033554A (ko) 2018-09-20 2020-03-30 삼성전자주식회사 배터리 상태 추정 장치 및 방법
CN109633448B (zh) * 2018-11-19 2022-01-25 深圳智链物联科技有限公司 识别电池健康状态的方法、装置和终端设备
US10928457B2 (en) * 2018-12-07 2021-02-23 GM Global Technology Operations LLC Battery state estimation using high-frequency empirical model with resolved time constant
JP2020137156A (ja) * 2019-02-13 2020-08-31 トヨタ自動車株式会社 車両、情報端末および車両の制御方法
CN109934955B (zh) * 2019-02-28 2021-05-14 深圳智链物联科技有限公司 充电模式识别方法、装置、终端设备及存储介质
JP7200762B2 (ja) * 2019-03-12 2023-01-10 トヨタ自動車株式会社 予測モデル生成装置、方法、プログラム、電池寿命予測装置、方法及びプログラム
DE112020001752T5 (de) * 2019-04-02 2021-12-16 Semiconductor Energy Laboratory Co., Ltd. Verfahren zur Schätzung eines Ladezustands einer Sekundärbatterie, System zur Schätzung einesLadezustands einer Sekundärbatterie und Verfahren zur Anomalie-Erkennung einer Sekundärbatterie
CN110095732B (zh) * 2019-05-23 2021-07-20 合肥工业大学智能制造技术研究院 一种考虑环境湿度对内阻影响的锂电池soh估计方法
KR102335180B1 (ko) * 2019-07-02 2021-12-03 성균관대학교산학협력단 배터리의 노화 상태 추정 장치 및 방법
KR20210028476A (ko) * 2019-09-04 2021-03-12 삼성전자주식회사 배터리 충전 장치 및 방법
CN111044908B (zh) * 2019-12-24 2022-06-14 苏州正力新能源科技有限公司 一种基于微片段数据和电压滤波的ocv在线计算方法
US11995998B2 (en) * 2020-05-15 2024-05-28 Hrl Laboratories, Llc Neural network-based system for flight condition analysis and communication
US11555859B2 (en) 2020-09-10 2023-01-17 Toyota Research Institute, Inc. Vehicle battery analysis system
CN112269137B (zh) * 2020-10-19 2021-12-21 中山大学 一种基于动态参数识别的电池健康状态估算方法
DE102020215201A1 (de) * 2020-12-02 2022-06-02 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Vorhersage eines Alterungszustands einer Gerätebatterie in einem batteriebetriebenen Gerät
CN112684363A (zh) * 2020-12-18 2021-04-20 北京工业大学 一种基于放电过程的锂离子电池健康状态估计方法
KR20220126469A (ko) 2021-03-09 2022-09-16 (주)맥솔루션 배터리 모듈, 배터리 시스템 및 이를 이용한 배터리 상태 모니터링 방법
KR102634373B1 (ko) * 2021-03-17 2024-02-06 성균관대학교산학협력단 배터리의 이상징후 검출 방법
KR102319706B1 (ko) * 2021-04-07 2021-11-16 비케이엠주식회사 연료전지 스택을 센서로 이용하는 연료전지 시스템용 이상 진단 장치 및 그것의 이상 진단 방법
CN113049976B (zh) * 2021-04-27 2022-07-29 武汉理工大学 一种车辆电池健康状态评估方法及***
CN113406521B (zh) * 2021-06-11 2023-04-28 上海电力大学 一种基于特征分析的锂电池健康状态在线估计方法
KR20240019650A (ko) * 2022-08-04 2024-02-14 주식회사 엘지에너지솔루션 배터리 관리 장치 및 그것의 동작 방법
KR20240043846A (ko) * 2022-09-27 2024-04-04 주식회사 엘지에너지솔루션 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
WO2024105837A1 (ja) * 2022-11-17 2024-05-23 恒林日本株式会社 機械学習モデル生成装置、及び蓄電池の特性値算出装置
KR102555755B1 (ko) * 2023-03-02 2023-07-14 주식회사 로진이엔지 배터리 상태 모니터링을 위한 방법 및 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050194936A1 (en) 2003-12-18 2005-09-08 Il Cho Apparatus and method for estimating state of charge of battery using neural network
US20090326841A1 (en) * 2008-06-27 2009-12-31 Gm Global Technology Operations, Inc. Pattern recognition approach to battery diagnosis and prognosis
JP2014059270A (ja) * 2012-09-19 2014-04-03 Toshiba Corp 蓄電池診断装置およびその方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4587306B2 (ja) * 2005-04-20 2010-11-24 株式会社デンソー 二次電池の残存容量演算方法
JP4864383B2 (ja) 2005-08-24 2012-02-01 富士重工業株式会社 蓄電デバイスの劣化状態推定装置
TWI286218B (en) * 2006-04-27 2007-09-01 Ablerex Electronics Co Ltd Method for determining state-of-health of batteries
KR100911316B1 (ko) 2007-08-23 2009-08-11 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
US8258751B2 (en) 2007-11-15 2012-09-04 Broadcom Corporation Method and system for tracking battery state-of-health based on charging information
JP5297751B2 (ja) 2008-10-03 2013-09-25 株式会社日立製作所 電源制御装置、車両走行制御システム及び蓄電池劣化状態検知方法
US8417472B2 (en) 2008-12-19 2013-04-09 02Micro Inc. Synchronized data sampling systems and methods
KR101232786B1 (ko) 2009-12-30 2013-02-13 주식회사 엘지화학 배터리 팩 관리 장치 및 방법
KR101399388B1 (ko) 2010-01-18 2014-05-27 에스케이이노베이션 주식회사 배터리의 수명 예측 장치 및 방법
US20130069660A1 (en) 2010-02-17 2013-03-21 Julien Bernard Method for in situ battery diagnostic by electrochemical impedance spectroscopy
CN102749585B (zh) * 2011-04-21 2014-11-05 李昌 一种基于多层支持向量机的蓄电池在线监测方法
WO2012148070A1 (ko) * 2011-04-25 2012-11-01 주식회사 엘지화학 배터리 용량 퇴화 추정 장치 및 방법
KR101498761B1 (ko) 2012-02-02 2015-03-04 주식회사 엘지화학 배터리의 수명 예측 방법 및 장치, 이를 이용한 배터리 관리 시스템
CN103311585B (zh) * 2012-03-15 2015-08-12 凹凸电子（武汉）有限公司 电池健康管理***和方法
JP2014063693A (ja) 2012-09-24 2014-04-10 Toshiba Corp 二次電池装置および電池容量推定システム
CN103267950B (zh) * 2012-12-14 2015-11-11 惠州市亿能电子有限公司 一种电动汽车电池组soh值评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050194936A1 (en) 2003-12-18 2005-09-08 Il Cho Apparatus and method for estimating state of charge of battery using neural network
US20090326841A1 (en) * 2008-06-27 2009-12-31 Gm Global Technology Operations, Inc. Pattern recognition approach to battery diagnosis and prognosis
JP2014059270A (ja) * 2012-09-19 2014-04-03 Toshiba Corp 蓄電池診断装置およびその方法

Also Published As

Publication number Publication date
KR20160014940A (ko) 2016-02-12
US20160033582A1 (en) 2016-02-04
CN105319512B (zh) 2020-06-23
CN105319512A (zh) 2016-02-10
US9897664B2 (en) 2018-02-20
EP2980596B1 (en) 2024-05-15
EP2980596A1 (en) 2016-02-03

Similar Documents

Publication Publication Date Title
KR102241683B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
KR102343967B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
KR102225667B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
KR102221756B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
CN105807227B (zh) 估计电池状态的方法和设备
KR102357351B1 (ko) 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법
KR102215450B1 (ko) 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
KR102424528B1 (ko) 배터리의 상태를 추정하는 장치 및 방법
KR102399602B1 (ko) 배터리 상태 추정 방법 및 장치
CN111448467B (zh) 用于对电池容量进行建模和估计的方法及***
US9519029B2 (en) Model-based battery monitoring
US11360155B2 (en) Battery state of health estimator
Zhou et al. Peak power prediction for series-connected LiNCM battery pack based on representative cells
CN106252750A (zh) 用于估算电池***功率容量的***和方法
Mazzi et al. State of charge estimation of an electric vehicle's battery using tiny neural network embedded on small microcontroller units
US20230349977A1 (en) Method and apparatus for estimating state of health of battery
KR20230046044A (ko) 배터리 모델의 최적화를 수행하는 장치 및 방법
Beechu Development of Lithium Ion Battery Dynamic Model
US20230147212A1 (en) Method for determining an aging state of at least one cell of a battery
Koay et al. A Hybrid Kalman Filtering for State of Charge Estimation of Lithium-Ion Battery Used in Low-Powered Microcontroller: CCM-EKF Approach
von Unwerth Development of Lithium Ion Battery Dynamic 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