KR102395182B1 - 배터리 진단 방법 및 그 장치 - Google Patents

배터리 진단 방법 및 그 장치 Download PDF

Info

Publication number
KR102395182B1
KR102395182B1 KR1020210168032A KR20210168032A KR102395182B1 KR 102395182 B1 KR102395182 B1 KR 102395182B1 KR 1020210168032 A KR1020210168032 A KR 1020210168032A KR 20210168032 A KR20210168032 A KR 20210168032A KR 102395182 B1 KR102395182 B1 KR 102395182B1
Authority
KR
South Korea
Prior art keywords
voltage
profile
battery
prediction model
voltage profile
Prior art date
Application number
KR1020210168032A
Other languages
English (en)
Other versions
KR102395182B9 (ko
Inventor
송창희
Original Assignee
모나일렉트릭 주식회사
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 모나일렉트릭 주식회사 filed Critical 모나일렉트릭 주식회사
Priority to KR1020210168032A priority Critical patent/KR102395182B1/ko
Application granted granted Critical
Priority to PCT/KR2022/006616 priority patent/WO2023101113A1/ko
Priority to CN202280061896.7A priority patent/CN118119856A/zh
Publication of KR102395182B1 publication Critical patent/KR102395182B1/ko
Publication of KR102395182B9 publication Critical patent/KR102395182B9/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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • 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
    • G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0427—
    • 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
    • G06N3/08—Learning methods
    • 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)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

배터리 진단 방법 및 그 장치가 개시된다. 배터리진단장치는 프로파일예측모델을 이용하여 배터리의 충전 또는 방전시의 일부분의 전압파형을 기반으로 기 정의된 구간의 전압프로파일을 생성하고, 상태예측모델을 이용하여 상기 전압프로파일을 기반으로 배터리의 열화상태를 예측한다.

Description

배터리 진단 방법 및 그 장치{Battery diagnostic method and apparatus}
본 발명의 실시 예는 배터리 진단 방법 및 그 장치에 관한 것으로, 보다 상세하게는 배터리의 일부 전압파형을 기반으로 배터리의 열화 상태를 진단할 수 있는 방법 및 그 장치에 관한 것이다.
충전하여 반복 사용할 수 있는 2차 전지(이하, '배터리'라 함)는 전기차, 에너지저장장치(ESS, Energy Storage System) 등 다양한 분야에서 사용되고 있다. 배터리는 충방전 횟수가 반복되면 충전용량이나 방전용량의 성능이 열화되므로 일정 이상 사용 후 교체가 필요하다. 배터리의 열화상태는 일반적으로 SOH(state of Health)를 측정하여 이루어진다. 그러나 SOH를 측정하기 위해서는 배터리를 충전 또는 방전시키는 과정을 수행하여야 하므로 SOH 측정에 많은 시간이 소요되는 단점이 존재한다.
본 발명의 실시 예가 이루고자 하는 기술적 과제는, 배터리의 일부 전압파형을 기반으로 배터리의 열화상태를 정확하게 진단할 수 있는 방법 및 그 장치를 제공하는 데 있다.
상기의 기술적 과제를 달성하기 위한, 본 발명의 실시 예에 따른 배터리 진단 방법의 일 예는, 프로파일예측모델을 이용하여 배터리의 충전 또는 방전시의 일부분의 전압파형을 기반으로 기 정의된 구간의 전압프로파일을 생성하는 단계; 및 상태예측모델을 이용하여 상기 전압프로파일을 기반으로 배터리의 열화상태를 예측하는 단계;를 포함하고, 상기 프로파일예측모델은 일부의 전압파형을 기반으로 기 정의된 구간의 전압프로파일을 예측하도록 학습된 인공지능모델이고, 상기 상태예측모델은 전압프로파일을 기반으로 배터리의 열화상태를 예측하도록 학습된 상태예측모델인 것을 특징으로 한다.
상기의 기술적 과제를 달성하기 위한, 본 발명의 실시 예에 따른 배터리진다장치의 일 예는, 기 정의된 구간의 전압프로파일을 생성하도록 학습된 생성적대립신경망(GAN)의 생성자를 이용하여 배터리의 충전 또는 방전시의 일부분의 전압파형을 기반으로 전압프로파일을 생성하는 프로파일생성부; 및 배터리 상태를 예측하도록 학습된 상태예측모델을 이용하여 상기 전압프로파일을 기반으로 배터리 열화상태를 예측하는 예측부;를 포함한다.
본 발명의 실시 예에 따르면, 배터리의 충전 또는 방전시 나타내는 일부 전압파형을 기반으로 배터리의 충전용량 등 열화상태를 정확하게 파악할 수 있어 배터리 진단에 소요되는 시간을 단축할 수 있다. 또한 본 실시 예는 사용 중인 배터리의 열화상태의 진단 뿐만 아니라 폐배터리의 재활용을 위한 열화상태를 진단하는데에도 효율적으로 적용될 수 있다.
도 1은 본 발명의 실시 예에 따른 배터리진단을 위한 전반적인 시스템 구조의 일 예를 도시한 도면,
도 2는 본 발명의 실시 예에 따른 프로파일예측모델의 일 예를 도시한 도면,
도 3은 본 발명의 실시 예에 따른 상태예측모델의 일 예를 도시한 도면,
도 4는 본 발명의 실시 예에 따른 전압프로파일의 일 예를 도시한 도면,
도 5는 본 발명의 실시 예에 따른 상태예측모델의 실험 예를 도시한 도면,
도 6은 본 발명의 실시 예에 따른 배터리 진단 방법의 일 예를 도시한 흐름도,
도 7은 본 발명의 실시 예에 따른 프로파일예측모델을 생성적대립신경망(GAN)으로 구현한 일 예를 도시한 도면,
도 8은 본 발명의 실시 예에 따른 생성적대립신경망(GAN)에서 구분자에 입력되는 데이터의 예를 도시한 도면,
도 9는 본 발명의 실시 예에 따른 생성적대립신경망(GAN)의 생성자의 성능을 비교한 실험 예를 도시한 도면,
도 10은 본 발명의 실시 예에 따른 배터리진단장치의 일 예의 구성을 도시한 도면이다.
이하에서, 첨부된 도면들을 참조하여 본 발명의 실시 예에 따른 배터리 진단 방법 및 그 장치에 대해 상세히 설명한다.
도 1은 본 발명의 실시 예에 따른 배터리진단을 위한 전반적인 시스템 구조의 일 예를 도시한 도면이다.
도 1을 참조하면, 배터리진단장치(100)는 프로파일예측모델(110)과 상태예측모델(120)을 포함한다. 배터리진단장치(100)는 배터리의 일부 전압파형(130)을 입력받으면 프로파일예측모델(110)을 이용하여 기 정의된 일정 구간의 전압파형(이하, '전압프로파일'이라 함)을 생성하고, 전압프로파일을 이용하여 상태예측모델(120)에 입력하여 배터리의 열화상태(140)(예를 들어, SOC(State of Charge) 등)을 파악한다.
전압파형(130)은 실제 배터리에서 일정 시간 동안 측정하여 얻은 전압의 변화량을 나타내는 정보이다. 전압파형(130)은 다양한 형태로 정의될 수 있으며 이에 대한 일 예가 도 4에 도시되어 있다. 이하에서는 설명의 편의를 위하여 배터리의 전체 전압파형 중의 일부분의 전압파형을 '전압파형'이라고 하고, 상태예측모델이 입력되는 일정 구간의 전압파형을 '전압프로파일'이라고 한다. 즉, 전압프로파일의 일부 구간이 전압파형이다.
프로파일예측모델(110)과 상태예측모델(120)은 모두 머신러닝(machine learning)이나 딥러닝(deep learning) 등을 이용하여 생성한 인공지능모델이다. 보다 구체적으로, 프로파일예측모델(110)은 도 2와 같이 일부의 전압파형을 입력받으면 전압프로파일을 예측하여 출력하는 인공지능모델이다. 프로파일예측모델(110)에 대해서는 도 2에서 다시 살펴본다.
상태예측모델(120)은 전압프로파일을 입력받으면 이를 기초로 배터리의 열화상태를 예측하여 출력하는 인공지능모델이다. 상태예측모델(120)에 대해서는 도 3에서 다시 살펴본다.
도 2는 본 발명의 실시 예에 따른 프로파일예측모델의 일 예를 도시한 도면이다.
도 2를 참조하면, 프로파일예측모델(110)은 일부 구간의 전압파형(200,202,204)을 기초로 전압프로파일(210)을 예측하도록 훈련된 인공지능모델이다. 일부 구간의 전압파형(200,202,204)은 배터리의 충전시 또는 방전시의 전압의 변화량을 측정한 값이다. 본 실시 예는 배터리의 방전시에 측정된 전압파형(200,202,204)을 도시하고 있다.
배터리의 충전 또는 방전시의 전체 구간의 전압파형을 파악하기 위해서는 배터리를 100% 충전시킨 후 방전시키면서 배터리 전압을 측정하거나 배터리를 완전 방전시킨후 충전하면서 배터리 전압을 측정하여야 있다. 그러나 이 경우 배터리의 전압파형을 측정하는데 상당 시간이 소요되는 단점이 있다. 예를 들어, 배터리의 충전 시간이 1시간이면, 하나의 배터리의 전압파형을 얻기 위하여 1시간이 소요되며, 만약 100개의 배터리의 전압파형을 얻기 위해서는 100시간이 소요된다.
이에 본 실시 예는 배터리를 100% 충전이나 방전을 시키지 않고 배터리의 현 상태서 일정 구간의 전압파형만으로 배터리의 전체 구간의 전압파형(즉, 전압프로파일)을 생성하는 프로파일예측모델(110)을 사용한다.
전압파형(200,202,204)을 얻기 위한 배터리 측정 시간은 수~수십 분 등 배터리의 종류나 용량 등에 따라 다양하게 설정될 수 있다. 예를 들어, 배터리가 방전에서 충전될 때까지의 총 소요시간 또는 충전에서 방전될 때 까지의 총 소요시간이 1시간이라고 할 때, 충전 또는 방전시의 배터리 전압을 10분간 측정하여 전압파형(200,202,204)을 얻을 수 있다.
현 상태의 배터리를 그대로 충전 또는 방전하면서 전압파형을 측정할 때 측정되는 구간이 전압프로파일(210)에서 어느 구간에 해당하는지 알 수 없다. 예를 들어, 도 2와 같이 제1 배터리에서 측정한 전압파형(200)은 전압프로파일의 앞부분에 해당하고, 제2 배터리에서 측정한 전압파형(202)은 전압프로파일의 중간부분에 해당하고, 제3 배터리에서 측정한 전압파형(204)은 전압프로파일의 마지막부분에 해당하지만 측정된 전압파형(200,202,204) 그 자체만으로 해당 전압파형이 전압프로파일의 어느 부분에 해당하는지는 알 수 없다. 다시 말해, 본 실시 예는 이해를 돕기 위하여 전압프로파일과 중첩하여 전압파형(200,202,204)을 도시하고 있으나, 임의의 배터리를 현 시점에서 일정 시간 측정하여 얻은 일부 구간 전압파형(200,202,204)은 전압프로파일(210)의 어느 부분에 해당하는 것인지 알 수 없다.
이에 본 실시 예는 복수의 전압프로파일과 그 전압프로파일의 일부를 추출하여 생성한 전압파형을 포함하는 학습데이터를 이용하여 프로파일예측모델(110)을 학습시켜 사용할 수 있다. 예를 들어, 프로파일예측모델(110)은 전압파형(200,202,204)과 전압프로파일(210)을 포함하는 학습데이터를 입력받은 후 전압파형9200,202,204)을 기초로 예측 전압프로파일을 생성하고, 예측 전압프로파일이 학습데이터에 존재하는 정답지인 전압프로파일과 동일한지 비교하는 학습과정을 통해 생성될 수 있다. 예를 들어, 도 2의 예에서 세 개의 전압파형(200,202,204)이 모두 동일한 배터리에서 측정되었으나 그 측정 구간이 서로 다른 경우에, 프로파일예측모델(110)은 모두 동일한 전압프로파일(210)을 예측할 수 있다.
프로파일예측모델(110)은 CNN(Convolutional Neural Network) 등 종래의 다양한 네트워크로 구현될 수 있다. 일 실시 예로, 전압프로파일의 생성은 일부 구간의 전압파형(200,202,204)이 존재하는 제1 도메인에서 전체 구간의 전압파형인 전압프로파일(210)이 존재하는 제2 도메인으로의 변환이므로, 프로파일예측모델(110)은 도메인 전이 네트워크(domain transfer network)로 구현될 수 있다. 즉, 프로파일예측모델(110)은 전이학습(transfer learning) 방법으로 훈련될 수 있다. 도메인 전이 네트워크 그 자체는 이미 널리 알려진 구성이므로 이에 대한 상세한 설명은 생략한다.
다른 실시 예로, 일부 구간의 전압파형(200,202,204)을 기초로 기 정의된 구간의 전압프로파일(210)을 정확하게 예측하여야 배터리의 열화상태의 정확한 진단이 가능하므로 프로파일예측모델(110)을 생성적대립신경망(GAN, Generative Adversarial Network)으로 구현할 수 있다. 생성적대립신경망(GAN)을 통해 프로파일예측모델(110)을 생성하는 방법에 대해서는 도 7에서 다시 살펴본다.
도 3은 본 발명의 실시 예에 따른 상태예측모델의 일 예를 도시한 도면이다.
도 3을 참조하면, 상태예측모델(120)은 전압프로파일(300)을 기초로 배터리의 열화상태(310)를 예측하도록 훈련된 인공지능모델이다. 상태예측모델(120)은 복수의 배터리에 대한 전압프로파일과 배터리의 열화상태를 포함하는 학습데이터를 기초로 지도학습(supervized learning) 방법으로 생성될 수 있다.
상태예측모델(120)이 예측한 열화상태의 값은 충전량(SOC 등)이나 방전용량 등 배터리의 열화상태를 알려주는 다양한 값일 수 있으며 이는 상태예측모델(120)의 학습데이터의 종류에 따라 다양하게 구현될 수 있다. 예를 들어, 배터리의 충전량(예를 들어, 100% 충전시 충전용량 등)과 전압프로파일(300)을 포함하는 학습데이터를 기반으로 상태예측모델(120)을 훈련시키면, 훈련 완료된 상태예측모델(120)은 어떤 배터리의 전압프로파일(300)을 입력받아 해당 배터리의 충전량을 예측하여 출력할 수 있다.
상태예측모델(120)은 전압프로파일(300)을 이용하여 배터리의 열화상태를 예측하므로, 배터리의 열화상태를 정확하게 파악하기 위해서는 배터리의 정확한 전압프로파일(300)이 필요하다. 본 실시 예는 상태예측모델(120)에 배터리의 전체 구간의 전압을 측정하여 전압프로파일을 생성하는 것이 아니라 도 2의 프로파일예측모델(110)을 이용하여 일부 구간의 전압파형으로 전압프로파일을 생성하므로 배터리 열화상태를 파악하는데 소요되는 시간을 획기적으로 단축시킬 수 있다.
도 4는 본 발명의 실시 예에 따른 전압프로파일의 일 예를 도시한 도면이다.
도 4를 참조하면, 배터리의 충반전횟수에 따른 전압프로파일을 도시하고 있다. 오르쪽의 막대 그래프는 배터리의 충방전 횟수를 나타낸다. 충반전횟수가 증가하여 배터리가 열화되면 전압프로파일의 변화하는 것을 알 수 있다.
본 실시 예는, 전압프로파일을 전압과 방전용량(discharging capacity[Ah])사이의 관계 그래프로 도시하고 있으나 이는 하나의 예일 뿐 배터리의 충전 또는 방전시에 변화하는 전압의 파형은 다양한 형태로 측정되거나 파악될 수 있다. 예를 들어, 전압프로파일은 도 4의 전압과 방전용량 사이의 그래프 형태 뿐만 아니라 전압과 다양한 물리량(예를 들어, 충전용량, 전류, 시간 등) 사이의 관계로 파악된 값일 수 있다. 실시 예에 따라 전압프로파일은 그래프와 같은 연속적인 값의 형태이거나 주기적으로 파악되는 불연속적인 값의 형태일 수 잇다.
도 5는 본 발명의 실시 예에 따른 상태예측모델의 실험 예를 도시한 도면이다.
도 5를 참조하면, 상태예측모델(120)이 전압프로파일을 기초로 배터리 방전용량을 예측한 값과 실제 배터리 방전용량을 비교한 결과가 그래프로 도시되어 있다. 가로축은 배터리의 충방전횟수를 나타내고 가로축은 배터리의 충반전횟수에 따른 배터리 방전용량을 나타낸다. 그래프를 살펴보면, 상태예측모델(120)의 배터리 방전용량의 예측값과 실제 배터리 방전용량이 값이 거의 일치함을 알 수 있다.
도 6은 본 발명의 실시 예에 따른 배터리 진단 방법의 일 예를 도시한 흐름도이다.
도 1 및 도 6을 함께 참조하면, 배터리진단장치(100)는 프로파일예측모델(110)을 이용하여 일부 전압파형에 대한 전압프로파일을 생성한다(S600). 예를 들어, 배터리진단장치(100)는 도 2와 같이 배터리를 일정 시간 동안 실제 측정하여 얻은 일부 구간의 전압파형을 프로파일예측모델(110)에 입력하여 기 정의된 구간의 전압프로파일을 획득할 수 있다.
배터리진단장치(100)는 전압프로파일을 상태예측모델(120)에 입력하여 배터리의 열화상태를 파악한다(S610). 상태예측모델(120)의 일 예가 도 3에 도시되어 있다.
도 7은 본 발명의 실시 예에 따른 프로파일예측모델을 생성적대립신경망(GAN)으로 구현한 일 예를 도시한 도면이다.
도 7을 참조하면, 생성적대립신경망(GAN)은 크게 생성자(generator)(700) 및 구분자(discriminator)(710)를 포함한다. 생성자(700)는 전압파형(720)을 입력받으면 이를 기초로 전압프로파일을 예측하는 인공지능모델이다. 생성적대립신경망(GAN)의 학습 완료 후 생성자(700)는 본 실시 예의 프로파일예측모델(110)로 사용될 수 있다. 구분자(710)는 생성자(700)가 생성한 전압프로파일(즉, 모조데이터(730))와 실제 전압프로파일(즉, 실데이터(740))를 입력받은 후 모조데이터(730)가 실데이터(740)에 부합하는지 파악하여 그 결과(750)를 출력한다.
생성적대립신경망(GAN)에서 생성자(700)와 구분자(710)는 서로 경쟁적인 관계를 가지고 학습이 이루어진다. 구분자(710)는 실데이터(740)와 모조데이터(730)를 잘 구분하도록 학습되며, 생성자(700)는 구분자(710)를 잘 속일 수 있도록 실데이터(740)와 유사한 모조데이터(730)를 생성하도록 학습된다. 이를 생성적대립신경망(GAN)의 비용함수로 표현하면 다음 수하식 1과 같다.
Figure 112021138446171-pat00001
여기서, D는 구분자(710), G는 생성자(700)를 나타낸다. D(x)는 구분자(710)가 모조데이터(730)를 실데이터(740)로 파악하는 확률값(0~1)으로 1에 가까울수록 실데이터에 부합함을 의미한다. D(G(z))는 모조데이터(730)가 실데이터(740)에 부합하지 않음을 나타내는 확률값(0~1)으로 0에 가까울수록 실데이터(740)가 아님을 의미한다.
구분자(D)(710)는 위 수학식 1의 우측항이 최대가 되도록 학습이 이루어진다. 즉, 구분자(D)(710)는 D(x)~1, D(G(z))~0 일때 최대가 되므로 D(x)~1, D(G(z))~0 이 되도록 학습이 이루어진다. 생성자(G)(700)는 반대로 수식식 1의 우측항이 최소가 되도록 학습이 이루어진다. 즉, 구분자(710)가 D(G(z))~1로 판별할 때 우측항이 최소가 되므로 생성자(700)는 D(G(z))~1이 되도록 학습이 이루어진다.
배터리진단장치(100)는 복수의 전압프로파일과 각 전압프로파일에서 추출한 적어도 하나 이상이 전압파형을 포함하는 학습데이터를 이용하여 생성적대립신경망(GAN)의 생성자(700) 및 구분자(710)를 훈련시킬 수 있다. 예를 들어, 배터리진단장치(100)는 학습데이터에 존재하는 전압파형(720)을 생성자(700)에 입력하여 예측 전압프로파일을 포함하는 모조데이터(730)를 생성한다. 생성자(700)에 입력된 전압파형(720)에 대한 실제 전압프로파일을 포함하는 실데이터(740)와 생성자(700)가 생성한 모조데이터(730)는 구분자(710)에 입력되고, 구분자(710)는 모조데이터(730)가 실데이터(740)의 개형에 해당하는지 파악한다. 생성자(700)는 구분자(710)의 모조 여부 판단 결과를 기초로 전압파형(720)에 대한 예측 전압프로파일을 다시 생성한다. 즉, 구분자(710)를 잘 속일 수 있도록 예측 전압프로파일을 다시 생성한 후 이를 구분자(710)에 입력하고 구분자(710)는 모조데이터(730)가 실데이터(740)에 해당하는 파악하는 과정을 반복 수행하면서 생성자(700)와 구분자(710)는 각각 학습된다. 생성적대립신경망(GAN)의 생성자(700)와 구분자(710)가 경쟁적으로 학습하는 방법 그 자체는 이미 알려진 기술이므로 이에 대한 구체적인 설명은 생략한다.
생성자(700)가 예측한 예측 전압프로파일은 배터리의 일반적인 전압프로파일에 부합하여야 할 뿐만 아니라 일부 전압파형에 대한 전압프로파일이어야 한다. 예를 들어, 충반전 횟수가 200번 이상으로 열화가 많이 된 배터리에서 측정한 일부 간의 전압파형(720)을 생성자(700)에 입력하였는데 생성자(700)가 출력하는 예측 전압프로파일이 도 4의 전압프로파일의 개형에 부합하여 구분자를 속일 수 있으나(즉, 실데이터(740)의 개형에 부합한다고 파악), 생성자(700)가 생성한 예측 전압프로파일은 200번 이상의 열화가 많이 된 배터리의 전압프로파일이 아니라 10번 정도의 충반전 횟수로 열화가 거의 이루어지지 않은 배터리의 전압프로파일일 수 있다. 이 경우 정확한 배터리 열화상태의 진단이 불가능하다. 이를 해결하기 위한 방법으로 본 실시 예는 구분자(710)에 입력하는 모조데이터(730)와 실데이터(740)의 형태를 전압프로파일과 전압파형을 결합한 값으로 사용한다. 이에 대한 예가 도 8에 도시되어 있다.
도 8은 본 발명의 실시 예에 따른 생성적대립신경망(GAN)에서 구분자에 입력되는 데이터의 예를 도시한 도면이다.
도 7 및 도 8을 함께 참조하면, 구분자(710)에 입력되는 모조데이터(730)는 생성자(700)가 예측한 전압프로파일(이하, 예측 전압프로파일)(800)과 생성자(700)에 입력한 전압파형(720)을 결합(760)한 형태이다. 즉, 모조데이터(730)는 예측 전압프로파일과 전압파형을 결합(concatenation)한 벡터 형태로 표현될 수 있다.
구분자(710)에 입력되는 실데이터(740)는 생성자(700)의 입력으로 사용된 전압파형(720)과 그 전압파형(720)에 대한 실제 전압프로파일(810)을 포함한다. 즉, 실데이터(740)는 실제 전압프로파일(810)과 전압파형(720)을 결합한 벡터 형태로 표현될 수 있다. 구분자(710)의 학습시 실제 전압프로파일(810)과 전압파형(720)이 합쳐진 실데이터(740)가 1로 레이블링되고, 예측 전압프로파일(800)과 전압파형(720)이 합쳐진 모조데이터(730)가 0으로 레이블되어 사용된다. 실데이터(740)와 모조데이터(730)의 전압파형(720)은 동일한 데이터이다.
구분자(710)는 전압프로파일뿐만 아니라 전압파형이 합쳐진 모조데이터(730)와 실데이터(740)로 학습이 이루어지므로, 구분자(710)는 모조데이터(730)의 예측 전압프로파일(800)의 개형이 도 4와 같은 실데이터의 전압프로파일(810)의 개형에 부합하는지 확인할 뿐만 아니라 예측 전압프로파일(800)이 전압파형(720)에 대응되는 파형인지 여부를 판단하게 된다. 따라서 학습이 반복될수록 생성자(700)는 도 4와 같은 실제의 전압프로파일의 개형에 맞는 예측 전압프로파일을 출력할 뿐만 아니라 입력받은 전압파형에 맞는 전압프로파일을 예측할 수 있다.
생성적대립신경망(GAN)의 최종목표는 수학식 2와 같다.
Figure 112021138446171-pat00002
Figure 112021138446171-pat00003
Figure 112021138446171-pat00004
LGAN(G,D)은 전형적인 GAN에 대한 목적함수로 간주될 수 있으며, Lconst(G)는 생성자(700)에서 생성된 전압프로파일(예측 전압프로파일(800))과 실제 전압프로파일(810)의 차이(두 프로파일간 L1-norm)를 통해 정의된다. Lconst는 생성자(700)가 실제 전압프로파일(810)과 유사하게 예측 전압프로파일(800)을 복원하도록 하는 역할을 하며 파라미터 γ을 통해 LGAN과 Lconst의 상대적인 중요도를 표현하게 된다.
보다 구체적으로 살펴보면, 전체의 비용함수는 수학식 2의 G로 표기되며, GAN 비용함수 LGAN(G,D)와 예측 전압프로파일(800)과 실제 목표 전암프로파일(810)의 차이로 표현되는 construction loss, Lconst(G)의 합으로 나타난다. LGAN(G,D)와 Lconst(G) 상대적인 중요도는 수식 2의 γ로 조절이 이루어지는 하이퍼파라미터에 해당한다. 또한 수학식 2의 G,D는 각각 생성자(700)와 구분자(710)의 가중치(weights)를 의미한다.
수학식 3은 구체적인 LGAN(G,D)를 나타낸다. 수학식 3에서 x는 생성자(700)에 입력되는 임의의 정보를 의미하며, 본 실시 예에서는 전압파형(720)에 해당한다. 따라서 G(x)는 생성자(700)가 생성한 예측 전압프로파일(800)을 의미한다. D(G(x))는 구분자(710)가 예측 전압프로파일(800)을 입력받아 추론한 확률적 출력값으로 표현된다.
y는 실제 전압프로파일(810)을 의미하고 D(y)는 구분자(710)가 실제 전압프로파일(810)을 입력받아 추론한 확률적 출력값을 의미한다. 구분자(710)의 예측 성능이 좋아질수록 LGAN(G,D)는 크기는 커지고 생성자(700)의 생성 능력이 좋아질수록 LGAN(G,D)의 크기는 작아지게 된다(실제 데이터가 1, 가까데이터가 0으로 레이블링 된 경우).
따라서 생성자(700)는 LGAN(G,D)을 낮추는 방향으로 학습이 이루어지는 동시에 구분자(710)의 경우에 LGAN(G,D)를 높이는 방향으로 학습이 이루어지므로 상호 경쟁적인 환경에서 두 네트워크이 학습이 이루어진다.
수학식 4는 construction loss를 나타내며 생성자(710)를 통해 생성된 예측 전압프로파일(800)과 전압파형(720)에 해당하는 실제 전압프로파일(810)의 차이(L1-norm)를 통해 표현된다. 생성자(700)는 학습을 통해 construction loss가 최소가 되도록 가중치(weight)를 최적화하게 된다.
도 9는 본 발명의 실시 예에 따른 생성적대립신경망(GAN)의 생성자의 성능을 비교한 실험 예를 도시한 도면이다.
도 9를 참조하면, 도 7의 생성적대립신경망(GAN)을 통해 학습 완료된 생성자(700)는 일부 구간의 전압파형을 이용하여 예측 전압프로파일을 생성한다. 그래프를 살펴보면, 생성자(700)의 예측 전압프로파일과 실제 전압프로파일이 거의 일치함을 알 수 있다.
도 10은 본 발명의 실시 예에 따른 배터리진단장치의 일 예의 구성을 도시한 도면이다.
도 10을 참조하면, 배터리진단장치(100)는 학습부(1000), 프로파일예측모델(1010), 상태예측모델(1020), 프로파일생성부(1030) 및 예측부(1040)를 포함한다. 일 실시 예로, 배터리진단장치(100)는 학습 완료된 프로파일예측모델(1010)과 상태예측모델(1020)을 사용할 수 있으며 이 경우 학습부(1000)는 생략가능하다. 다른 실시 예로, 배터리진단장치(100)는 메모리, 프로세서 및 입출력장치를 포함하는 컴퓨팅 장치로 구현될 수 있으며, 이 경우 각 구성은 소프트웨어로 구현되어 메모리에 탑재된 후 프로세서에 의해 구동될 수 있다.
학습부(1000)는 기 정의된 학습데이터를 이용하여 프로파일예측모델(1010) 및 상태예측모델(1020)을 훈련시켜 생성한다. 예를 들어, 학습부(1000)는 전이 학습 네트워크로 구성된 프로파일예측모델(1010)을 훈련시켜 생성할 수 있다. 다른 예로, 학습부(1000)는 전압프로파일을 생성하는 생성자를 포함하는 도 7의 생성적대립신경망(GAN)을 훈려시킨 후 GAN에서 학습 완료된 생성자를 본 실시 예의 프로파일예측모델(1010)로 제공할 수 있다.
프로파일생성부(1030)는 학습완료된 프로파일예측모델(1010)을 이용하여 일부 구간의 전압파형으로부터 전압프로파일을 생성한다. 프로파일예측모델(1010)을 이용하여 전압파형으로부터 전압프로파일을 생성하는 예가 도 2에 도시되어 있다.
예측부(1040)는 학습완료된 상태예측모델(1020)을 이용하여 전압프로파일로부터 배터리의 열화상태를 예측하여 출력한다. 예측부(1040)는 프로파일생성부(1030)가 프로파일예측모델(1010)을 통해 생성한 전압프로파일을 입력받아 배터리 열화상태를 예측한다. 즉, 배터리진단장치(100)는 배터리의 일정 구간의 전압파형만을 이용하여 배터리의 열화상태를 정확하게 예측할 수 있다.
본 발명의 각 실시 예는 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, SSD, 광데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims (6)

  1. 프로파일예측모델을 이용하여 현 상태의 배터리를 충전 또는 방전시키면서 얻은 일부의 전압파형을 기반으로 기 정의된 구간의 전체 전압파형을 포함하는 전압프로파일을 생성하는 단계; 및
    상태예측모델을 이용하여 상기 전압프로파일을 기반으로 배터리의 열화상태를 예측하는 단계;를 포함하고,
    상기 프로파일예측모델은 전압프로파일의 어느 구간에 해당하는지 모르는 일부의 전압파형을 기반으로 기 정의된 구간의 전체 전압파형의 전압프로파일을 예측하도록 학습된 인공지능모델이고,
    상기 상태예측모델은 전압프로파일을 기반으로 배터리의 열화상태를 예측하도록 학습된 인공지능모델인 것을 특징으로 하는 배터리 진단 방법.
  2. 제 1항에 있어서, 상기 프로파일예측모델은,
    제1 도메인의 전압파형을 입력받아 제2 도메인의 전압프로파일을 생성하는 도메인 전이 네트워크로 구성되는 것을 특징으로 하는 배터리 진단 방법.
  3. 제 1항에 있어서,
    상기 프로파일예측모델은 생성적대립신경망(GAN)의 생성자로 구성되고,
    상기 생성적대립신경망은,
    학습용 전압프로파일의 일부분으로 구성된 학습용 전압파형을 입력받아 예측 전압프로파일을 출력하는 상기 생성자; 및
    상기 학습용 전압프로파일 및 상기 예측 전압프로파일을 포함하는 모조데이터와, 상기 학습용 전압프로파일과 상기 학습용 전압파형을 포함하는 실데이터를 비교하여 구분하는 구분자;를 포함하는 것을 특징으로 하는 배터리 진단 방법.
  4. 제 1항에 있어서, 상기 상태예측모델은,
    전압프로파일과 배터리 충전용량을 포함하는 학습데이터를 이용하여 전압프로파일에 대한 배터리 충전용량을 예측하도록 지도학습 방법으로 생성되는 것을 특징으로 하는 배터리 진단 방법.
  5. 일부의 전압파형을 기초로 기 정의된 구간의 전체 전압파형을 포함하는 전압프로파일을 생성하도록 학습된 생성적대립신경망(GAN)의 생성자를 이용하여 현 상태의 배터리를 충전 또는 방전시키면서 얻은 일부의 전압파형에 대한 전체 전압파형의 전압프로파일을 생성하는 프로파일생성부; 및
    배터리 상태를 예측하도록 학습된 상태예측모델을 이용하여 상기 전압프로파일을 기반으로 배터리 열화상태를 예측하는 예측부;를 포함하는 것을 특징으로 하는 배터리진단장치.
  6. 제 1항 내지 제 4항 중 어느 한 항에 기재된 방법을 수행하기 위한 컴퓨터 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.

KR1020210168032A 2021-11-30 2021-11-30 배터리 진단 방법 및 그 장치 KR102395182B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210168032A KR102395182B1 (ko) 2021-11-30 2021-11-30 배터리 진단 방법 및 그 장치
PCT/KR2022/006616 WO2023101113A1 (ko) 2021-11-30 2022-05-10 배터리 진단 방법 및 그 장치
CN202280061896.7A CN118119856A (zh) 2021-11-30 2022-05-10 电池诊断方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210168032A KR102395182B1 (ko) 2021-11-30 2021-11-30 배터리 진단 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR102395182B1 true KR102395182B1 (ko) 2022-05-10
KR102395182B9 KR102395182B9 (ko) 2022-09-06

Family

ID=81591515

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210168032A KR102395182B1 (ko) 2021-11-30 2021-11-30 배터리 진단 방법 및 그 장치

Country Status (3)

Country Link
KR (1) KR102395182B1 (ko)
CN (1) CN118119856A (ko)
WO (1) WO2023101113A1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130139760A (ko) * 2012-06-13 2013-12-23 주식회사 엘지화학 혼합 양극재를 포함하는 이차 전지의 충전 상태 추정 장치 및 방법
JP6761638B2 (ja) * 2015-02-04 2020-09-30 株式会社半導体エネルギー研究所 二次電池
KR20210041511A (ko) * 2019-10-07 2021-04-15 삼성에스디아이 주식회사 배터리의 건강 상태를 추정하는 방법 및 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102177723B1 (ko) * 2013-10-31 2020-11-11 현대모비스 주식회사 차량용 배터리의 가용 용량 연산 방법 및 컴퓨터 판독 가능한 기록 매체
KR102343967B1 (ko) * 2014-12-04 2021-12-28 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
KR102354112B1 (ko) * 2019-03-26 2022-01-24 서강대학교산학협력단 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130139760A (ko) * 2012-06-13 2013-12-23 주식회사 엘지화학 혼합 양극재를 포함하는 이차 전지의 충전 상태 추정 장치 및 방법
JP6761638B2 (ja) * 2015-02-04 2020-09-30 株式会社半導体エネルギー研究所 二次電池
KR20210041511A (ko) * 2019-10-07 2021-04-15 삼성에스디아이 주식회사 배터리의 건강 상태를 추정하는 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A generative adversarial network-based synthetic data augmentation technique for battery condition evaluation(Energy Research, 2021.06.22.공개)* *

Also Published As

Publication number Publication date
CN118119856A (zh) 2024-05-31
WO2023101113A1 (ko) 2023-06-08
KR102395182B9 (ko) 2022-09-06

Similar Documents

Publication Publication Date Title
CN106249152B (zh) 用于估计电池状态的方法和设备
CN110221225B (zh) 一种航天器锂离子电池循环寿命预测方法
EP3748380A1 (en) Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method
Chen et al. A novel state-of-charge estimation method of lithium-ion batteries combining the grey model and genetic algorithms
KR102627949B1 (ko) 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
KR20200119383A (ko) 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법
KR101992051B1 (ko) 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템
Liu et al. A hierarchical and flexible data-driven method for online state-of-health estimation of Li-ion battery
JP2018082618A (ja) バッテリ充電方法、バッテリ充電情報生成方法、及びバッテリ充電装置
Zhang et al. Multi-objective decision analysis for data-driven based estimation of battery states: A case study of remaining useful life estimation
KR20180115124A (ko) 노이즈를 반영한 배터리 잔존 용량 산출 장치 및 방법
JP7487380B2 (ja) 電気車充電ステーションを用いたバッテリー性能管理システム及び方法
KR102335180B1 (ko) 배터리의 노화 상태 추정 장치 및 방법
JP7403491B2 (ja) 電池の残存耐用寿命（ｒｕｌ）を推定するための電池診断システム
KR20160067510A (ko) 배터리의 상태를 추정하는 방법 및 장치
KR20090020362A (ko) 배터리의 장기 특성 예측 시스템 및 방법
JP2023501995A (ja) バッテリー性能予測
JP7031649B2 (ja) 評価装置、コンピュータプログラム及び評価方法
CN114462259A (zh) 基于soc的电池剩余寿命预测方法、***、汽车及介质
De Sousa et al. Comparison of different approaches for lead acid battery state of health estimation based on artificial neural networks algorithms
Bak et al. Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index
KR20220156254A (ko) 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템 및 방법
KR102395182B1 (ko) 배터리 진단 방법 및 그 장치
Renold et al. Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles
US20240210482A1 (en) Battery diagnosis method and device therefor

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]