KR102472040B1 - 학습된 추론모델 기반 배터리특성 도출시스템 및 그 방법 - Google Patents

학습된 추론모델 기반 배터리특성 도출시스템 및 그 방법 Download PDF

Info

Publication number
KR102472040B1
KR102472040B1 KR1020220076719A KR20220076719A KR102472040B1 KR 102472040 B1 KR102472040 B1 KR 102472040B1 KR 1020220076719 A KR1020220076719 A KR 1020220076719A KR 20220076719 A KR20220076719 A KR 20220076719A KR 102472040 B1 KR102472040 B1 KR 102472040B1
Authority
KR
South Korea
Prior art keywords
battery
information
temperature
cell
impedance
Prior art date
Application number
KR1020220076719A
Other languages
English (en)
Inventor
조준호
백승준
Original Assignee
주식회사 셀포인트
(주)에어포인트
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 주식회사 셀포인트, (주)에어포인트 filed Critical 주식회사 셀포인트
Priority to KR1020220076719A priority Critical patent/KR102472040B1/ko
Application granted granted Critical
Publication of KR102472040B1 publication Critical patent/KR102472040B1/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]
    • 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
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • G06N20/00—Machine learning
    • 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)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Secondary Cells (AREA)

Abstract

본 발명은 학습된 추론모델 기반 배터리특성 도출시스템으로서, 더욱 상세하게는, 전기를 동력으로 사용하는 파워트레인이 장착된 차량에 구비된 배터리를 대상으로 동작하며, 상기 배터리에 포함되는 각각의 셀에서의 전압, 전류, 및 온도를 측정하고, 이를 바탕으로 학습된 추론모델을 사용하여 해당 셀의 주파수에 따른 임피던스정보를 측정할 수 있으며, 상기 배터리에 포함되는 복수의 셀에서 측정된 임피던스정보를 바탕으로, 상기 복수의 셀 각각의 온도 및 불량 셀을 진단할 수 있고, 별도의 측정장치 및 입력신호원 없이 측정할 수 있어, 주행 중에도 해당 셀의 임피던스정보를 측정할 수 있는, 학습된 추론모델 기반 배터리특성 도출시스템에 관한 것이다.

Description

학습된 추론모델 기반 배터리특성 도출시스템 및 그 방법{The Battery Characteristic Measuring System and Method Based on Learned Inference Model}
본 발명은 학습된 추론모델 기반 배터리특성 도출시스템으로서, 더욱 상세하게는, 전기를 동력으로 사용하는 파워트레인이 장착된 차량에 구비된 배터리를 대상으로 동작하며, 상기 배터리에 포함되는 각각의 셀에서의 전압, 전류, 및 온도를 측정하고, 이를 바탕으로 학습된 추론모델을 사용하여 해당 셀의 주파수에 따른 임피던스정보를 측정할 수 있으며, 상기 배터리에 포함되는 복수의 셀에서 측정된 임피던스정보를 바탕으로, 상기 복수의 셀 각각의 온도 및 불량 셀을 진단할 수 있고, 별도의 측정장치 및 입력신호원 없이 측정할 수 있어, 주행 중에도 해당 셀의 임피던스정보를 측정할 수 있는, 학습된 추론모델 기반 배터리특성 도출시스템에 관한 것이다.
최근 들어, 내연기관 차량(Internal Combustion Engine Vehicle)에서 전기차(Electric Vehicle)로의 전환이 점차 가속화되고 있으며, 이와 함께, 전기차에 사용되는 모터 및 배터리에 대한 연구가 활발히 진행되고 있다. 특히, 전기차에서의 배터리는 해당 전기차의 주행거리, 출력 등에 큰 영향을 미칠만큼 중요한 부품에 해당하며, 차량이라는 한정적인 공간 안에 많은 용량의 배터리를 설치하기 위한 많은 노력이 수행되고 있다.
한편, 전술한 바와 같이, 한정된 공간에 최대한 큰 용량의 배터리를 설치하기 위한 연구와 함께, 차량에 배치된 배터리의 수명 및 출력 효율을 높이기 위해 배터리를 진단하고 관리하는 연구도 많이 진행되고 있다. 기존의 내연기관 차량의 기대 수명이 10년 이상인 것을 감안하였을 때, 장기간 사용가능한 전기차의 배터리에 대한 요구는 응당하며, 이를 위해서는 현재 배터리의 상태를 정확하게 진단하여, 배터리의 수명을 길게 관리할 수 있도록 하는 기술이 필수적이다.
현재 개발되고 출시되는 전기차 배터리의 대부분은 2차전지인 리튬이온 배터리이며, 리튬이온 배터리의 경우 액체 전해질을 사용하여 에너지 효율이 좋다는 장점이 있지만, 수명이 짧고 가연성 액체이기에 고열에 폭발할 위험성을 가지고 있다. 이러한 단점을 보완하기 위해 배터리를 정확하게 진단하여 불량이 있는 셀을 빠르게 진단하는 것이 중요하며, 배터리를 진단하기 위한 종래의 기술로는 대한민국 공개특허 제10-2017-0035229호와 같이, 전기 자동차에 포함된 배터리 팩의 상태를 진단하는 배터리 진단기술, 및 대한민국 공개특허 제10-2021-0119329호와 같이, 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법에 관한 기술이 있다.
한편, 배터리에 포함되는 각각의 셀의 개별상태를 정확하게 진단하기 위해서는 해당 셀의 주파수에 따른 임피던스정보를 측정하는 것이 바람직하나, 종래의 배터리 임피던스정보 측정기술은, 입력신호원을 배터리에 연결하여, 입력신호의 주파수를 변조해가며 주파수에 따른 임피던스정보를 측정해야만 했으며, 상기 임피던스를 측정할 수 있는 측정장치를 장착한 채로 차량을 운행할 수가 없었다. 또한 주행 중에는 모터 및 제너레이터와 같은 파워트레인 혹은 기타 차량 자체에서 발생하는 노이즈로 인해 정확한 임피던스정보를 측정하는데 어려움이 존재하였다. 따라서, 주행 중에도 현재 전기차 배터리의 전압, 전류, 온도를 측정함으로써, 해당 배터리 각각의 셀에 대하여 주파수에 따른 임피던스정보를 측정할 수 있고, 전기차가 주행 중일 때도 실시간으로 배터리의 상태를 진단할 수 있는 기술이 요구되는 실정이다.
대한민국 공개특허 제10-2017-0035229호(2017.03.30.) 대한민국 공개특허 제10-2021-0119329호(2021.10.05.)
본 발명은 학습된 추론모델 기반 배터리특성 도출시스템으로서, 더욱 상세하게는, 전기를 동력으로 사용하는 파워트레인이 장착된 차량에 구비된 배터리를 대상으로 동작하며, 상기 배터리에 포함되는 각각의 셀에서의 전압, 전류, 및 온도를 측정하고, 이를 바탕으로 학습된 추론모델을 사용하여 해당 셀의 주파수에 따른 임피던스정보를 측정할 수 있으며, 상기 배터리에 포함되는 복수의 셀에서 측정된 임피던스정보를 바탕으로, 상기 복수의 셀 각각의 온도 및 불량 셀을 진단할 수 있고, 별도의 측정장치 및 입력신호원 없이 측정할 수 있어, 주행 중에도 해당 셀의 임피던스정보를 측정할 수 있는, 학습된 추론모델 기반 배터리특성 도출시스템을 제공하는 것을 목적으로 한다.
상기와 같은 과제를 해결하기 위하여, 본 발명의 일 실시예는, 전기를 동력으로 사용하는 파워트레인이 장착된 차량에 설치된 배터리에 구비되어 동작하는 학습된 추론모델 기반 배터리특성 도출시스템으로서, 상기 배터리에 포함되는 셀에서 출력되는 전압정보 및 전류정보를 포함하는 출력신호를 측정하는 출력신호측정부; 상기 셀에서의 온도를 측정하는 온도측정부; 및 상기 셀에서의 출력신호 및 온도를 포함하는 입력정보를 학습된 인공신경망 기반 추론모델에 입력하여, 임피던스정보를 산출하는 임피던스정보산출부;를 포함하고, 상기 입력정보는 차량의 실제 주행 중에 획득되는 일정 슬라이딩윈도우 구간에서의 시간에 따른 전압정보 및 전류정보의 시계열데이터를 포함하고, 상기 임피던스정보는 주파수별 임피던스정보인, 배터리특성 도출시스템을 제공한다.
본 발명의 일 실시예서는, 상기 입력정보는 차량의 실제 주행 중에 획득되는 일정 슬라이딩윈도우 구간에서의 시간에 따른 온도의 시계열데이터를 더 포함할 수 있다.
본 발명의 일 실시예에서는, 배터리관리시스템은 하나의 마스터BMS 및 복수의 슬레이브BMS로 구성되며, 상기 마스터BMS는 복수의 슬레이브BMS와 연결되고, 상기 슬레이브BMS는 상기 배터리를 구성하는 복수의 배터리모듈 각각과 연결되어 상기 배터리모듈에 포함되는 1 이상의 셀에서 출력되는 출력신호를 측정하는 출력신호측정부; 해당 셀에서의 온도를 측정하는 온도측정부; 및 해당 셀에서의 임피던스정보를 산출하는 임피던스정보산출부;를 포함하고, 상기 마스터BMS는 상기 복수의 슬레이브BMS 각각으로부터 복수의 임피던스정보를 전달받아 해당 배터리의 상태를 분석하는 배터리분석부;를 포함할 수 있다.
본 발명의 일 실시예에서는, 상기 추론모델은, CNN기반의 인공신경망 모듈을 포함하고, 상기 인공신경망 모듈을 통해, 상기 출력신호측정부 및 상기 온도측정부로부터 입력받은 일정 슬라이딩윈도우 구간에서의 입력정보를 머신러닝하여, 상기 슬라이딩윈도우 구간에서 상기 셀에 출력되는 출력신호의 주파수에 따른 임피던스정보를 산출할 수 있다.
본 발명의 일 실시예에서는, 상기 추론모델은, LSTM기반의 인공신경망 모듈을 포함하고, 상기 인공신경망 모듈을 통해, 상기 출력신호측정부 및 상기 온도측정부로부터 입력받은 일정 슬라이딩윈도우 구간에서의 입력정보를 머신러닝하여, 상기 슬라이딩윈도우 구간에서 상기 셀에 출력되는 출력신호의 주파수에 따른 임피던스정보를 산출할 수 있다.
상기와 같은 과제를 해결하기 위하여, 본 발명의 일 실시예는, 전기를 동력으로 사용하는 파워트레인이 장착된 차량에 설치된 배터리에서 동작하는 학습된 추론모델 기반 배터리특성 도출방법으로서, 상기 배터리에 포함되는 셀에서 출력되는 전압정보 및 전류정보를 포함하는 출력신호를 측정하는 출력신호측정단계; 상기 셀에서의 온도를 측정하는 온도측정단계; 및 상기 셀에서의 출력신호 및 온도를 포함하는 입력정보를 학습된 인공신경망 기반 추론모델에 입력하여, 임피던스정보를 산출하는 임피던스정보산출단계;를 포함하고, 상기 입력정보는 차량의 실제 주행 중에 획득되는 일정 슬라이딩윈도우 구간에서의 시간에 따른 전압정보 및 전류정보의 시계열데이터를 포함하고, 상기 임피던스정보는 주파수별 임피던스정보인, 배터리특성 도출방법을 제공한다.
본 발명의 일 실시예에 따르면, 차량의 배터리에 포함되는 모든 셀에 대하여 각각의 임피던스정보를 측정할 수 있어, 충전이 잘 안되거나 누설전류가 발생하는 등의 문제를 가진 불량 셀을 쉽게 발견할 수 있고, 이를 통해 불량 셀을 빠르게 제거해줌으로써 상기 배터리의 고장율을 절감하고, 수명을 연장시키는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 차량 내 BMS시스템에 장착되는 시스템으로서, 충전 중이거나, 주행 중일 때도 해당 배터리에 포함되는 각각의 셀의 임피던스정보를 측정할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 차량에서 사용되는 전력패턴 및 환경조건에 따른 해당 배터리의 임피던스를 산출하는 배터리모델을 통해 수많은 학습용 데이터를 생성할 수 있고, 상기 수많은 학습데이터를 학습한 추론모델을 사용하여, 해당 배터리에 포함되는 각각의 셀의 임피던스정보를 실시간으로 측정할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 학습된 추론모델을 사용함으로써, 차량 내외부의 복합적인 요인으로 발생되는 신호의 영향을 최소화하여 해당 셀에 대한 보다 정확한 전압, 및 전류를 측정할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 해당 배터리에 포함되는 각각의 셀의 전압과 전류뿐만 아니라, 해당 셀의 온도에 따른 임피던스정보를 측정함으로써, 해당 셀에 대한 보다 정확한 진단을 수행할 수 있는 효과를 발휘할 수 있다.
도 1은 본 발명의 일 실시예에 따른 배터리특성 도출시스템의 구성 및 배터리특성 도출방법을 개략적으로 도시한다.
도 2는 본 발명의 일 실시예에 따른 전기차에 설치되는 배터리 및 해당 배터리에 장착되는 배터리관리시스템의 구성을 개략적으로 도시한다.
도 3은 본 발명의 일 실시예에 따른 임피던스정보를 산출하는 과정을 개략적으로 도시한다.
도 4는 본 발명의 일 실시예에 따른 학습데이터를 생성하는 배터리모델을 개략적으로 도시한다.
도 5는 본 발명의 일 실시예에 따른 학습된 추론모델을 사용하여 해당 셀의 임피던스정보를 산출하는 과정을 개략적으로 도시한다.
도 6은 본 발명의 일 실시예에 따른 배터리셀의 등가회로 및 온도에 따른 배터리 셀의 intercept frequency의 그래프를 개략적으로 도시한다.
도 7은 본 발명의 일 실시예에 따른 온도와 임피던스정보 간의 관계를 나타내는 그래프를 개략적으로 도시한다.
도 8은 본 발명의 일 실시예에 따른 입력신호의 주파수 및 온도에 따른 배터리 셀의 임피던스정보를 개략적으로 도시한다.
이하에서는, 다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 인식될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다.
또한, 다양한 양상들 및 특징들이 다수의 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 컴포넌트들, 모듈들 등 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.
본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다. 아래에서 사용되는 용어들 '~부', '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티(computer-related entity)를 의미하며, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어를 의미할 수 있다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
또한, 본 발명의 실시예들에서, 별도로 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 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 발명의 실시예에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 발명의 일 실시예에 따른 배터리특성 도출시스템(1000)의 구성 및 배터리특성 도출방법을 개략적으로 도시한다.
도 1에 도시된 바와 같이, 전기를 동력으로 사용하는 파워트레인이 장착된 차량에 설치된 배터리에 구비되어 동작하는 학습된 추론모델(1400) 기반 배터리특성 도출시스템(1000)으로서, 상기 배터리에 포함되는 셀에서 출력되는 전압정보 및 전류정보를 포함하는 출력신호를 측정하는 출력신호측정부(1100); 상기 셀에서의 온도를 측정하는 온도측정부(1200); 및 상기 셀에서의 출력신호 및 온도를 포함하는 입력정보를 학습된 인공신경망 기반 추론모델(1400)에 입력하여, 임피던스정보를 산출하는 임피던스정보산출부(1300);를 포함하고, 상기 입력정보는 차량의 실제 주행 중에 획득되는 일정 슬라이딩윈도우 구간에서의 시간에 따른 전압정보 및 전류정보의 시계열데이터를 포함하고, 상기 임피던스정보는 주파수별 임피던스정보이며,
상기 입력정보는 차량의 실제 주행 중에 획득되는 일정 슬라이딩윈도우 구간에서의 시간에 따른 온도의 시계열데이터를 더 포함한다.
개략적으로, 도 1의 (a)는 배터리특성 도출시스템(1000)의 구성을 도시하고, 도 1의 (b)는 배터리특성 도출방법을 도시한다.
구체적으로, 본 발명의 배터리특성 도출시스템(1000)은, 전기를 동력으로 사용하는 파워트레인이 장착된 차량에 설치된 배터리에 구비되어 동작한다. 전기를 동력으로 사용하는 파워트레인이 장착된 차량(vehicle)으로는, 차량에 장착된 파워트레인의 동력을 100% 전기로만 사용하는 전기 자동차(Electric Vehivle, EV); 차량에 장착된 파워트레인의 동력 중 일부분만 전기를 사용하는 마일드 하이브리드 자동차(Mild Hybrid Electric Vehicle, MHEV);와 플러그인 하이브리드 자동차(Plug-in Hybrid Electric Vehicle, PHEV); 수소와 공기 중의 산소를 반응시켜 얻은 전기를 이용해 모터를 구동하는 방식인 수소연료전지 자동차(Fuel Cell Electric Vehicle, FCEV); 등을 포함한다. 다시 말해, 후술되는 배터리는 전술한 EV, MHEV, PHEV, 및 FCEV 등을 포함하는, 그리고 전기를 동력으로 하여 구동되는 차량에 설치되는 배터리에 해당한다.
본 발명의 배터리특성 도출시스템(1000)은, 전술한 차량에 장착되는 배터리에 포함되는 각각의 셀과 연결되어, 해당 셀에서의 전압정보, 전류정보 및 온도를 측정하고, 상기 전압정보, 전류정보, 및 온도를 통해 해당 셀의 임피던스정보를 산출한다.
더 자세하게는, 상기 도출시스템(1000)의 출력신호측정부(1100)는 배터리셀의 양극과 음극에 연결되어 해당 배터리셀의 전압정보 및 전류정보를 포함하는 출력신호를 측정하는 출력신호측정단계(S10)를 수행한다. 상기 전압정보는 상기 배터리셀의 시간에 따른 출력전압에 해당하는 시계열데이터를 포함하고, 상기 전류정보는 상기 배터리셀의 시간에 따른 출력전류에 해당하는 시계열데이터를 포함한다.
또한, 상기 도출시스템(1000)의 온도측정부(1200)는 상기 배터리셀에 직접적 혹은 간접적으로 연결되어 해당 배터리셀의 온도를 측정하는 온도측정단계(S20)를 수행한다. 상기 온도는 상기 배터리셀의 시간에 따른 온도에 해당하며, 본 발명의 일 실시예에 따르면, 상기 배터리셀의 온도는 상기 배터리셀에 직접 부착되는 온도센서에 의해 직접적으로 측정되거나, 혹은 본 발명의 다른 실시예에 따르면, 상기 배터리셀에 부착된 금속물질; 또는 온도 전달물질;의 온도를 측정하여 간접적으로 상기 배터리셀의 온도를 추정할 수 있다.
종래의 기술에서는 해당 배터리셀의 전압정보 및 전류정보만을 가지고 해당 배터리셀의 임피던스를 산출하는 경우가 많았으나, 현재 차량에서 사용되는 배터리는 화학반응을 통해 전기를 발생시키는 장치이며, 이 과정에서 열의 출입을 동반하기 때문에 배터리 특성과 온도는 밀접한 관련이 있다. 따라서, 본 발명에서는 배터리셀의 임피던스정보를 산출하기 위해 해당 셀의 온도를 함께 측정하며, 배터리셀의 온도에 대한 설명은 도 5 내지 도 8에 대한 설명에서 보다 상세히 후술하도록 한다.
상기 도출시스템(1000)의 임피던스정보산출부(1300)는, 상기 출력신호측정부(1100) 및 상기 온도측정부(1200)에서 측정된 해당 배터리셀의 전압정보, 전류정보, 및 온도를 포함하는 입력정보에 기초하여, 해당 배터리셀의 주파수에 따른 임피던스정보를 산출하는 임피던스정보산출단계(S20)를 수행한다. 상기 임피던스정보를 산출하는 과정에서 상기 임피던스정보산출부(1300)는, 추론모델(1400)을 사용하여 상기 임피던스정보를 산출한다. 한편, 본 발명의 일 실시예로서, 상기 추론모델(1400)은, 도 1에 도시된 바와 같이, 상기 출력신호측정부(1100), 상기 온도측정부(1200), 및 상기 임피던스정보산출부(1300)와 같은 공간에 위치하는 것이 바람직하며, 본 발명의 다른 실시예에서는, 상기 추론모델(1400)은 상기 출력신호측정부(1100), 상기 온도측정부(1200), 및 상기 임피던스정보산출부(1300)가 위치한 공간과 분리된 별도의 공간에 위치할 수 있다. 상기 공간은, 하나의 디바이스 혹은 하나의 모듈을 의미하는 하드웨어적 구성을 의미하며, 소프트웨어적으로 분리된 기능을 수행하는 소프트웨어적 구성을 의미할 수 있다. 상기 임피던스정보산출단계(S20)에 대한 보다 상세한 설명은 도 5 내지 도 8에 대한 설명에서 후술하도록 한다. 전술한 배터리특성 도출시스템(1000)은 후술하는 배터리관리시스템와 함께 기능하는 것이 바람직하나, 본 발명의 다른 실시예로서, 본 발명의 기능을 수행하거나, 혹은 수행하도록 프로그래밍된 SoC(System on Chip) 등의 칩 디바이스 혹은 모듈로 구현되어 해당 배터리의 BMS시스템에 장착되어 동작할 수 있다.
도 2는 본 발명의 일 실시예에 따른 전기차에 설치되는 배터리 및 해당 배터리에 장착되는 배터리관리시스템의 구성을 개략적으로 도시한다.
도 2에 도시된 바와 같이, 배터리관리시스템은 하나의 마스터BMS 및 복수의 슬레이브BMS로 구성되며, 상기 마스터BMS는 복수의 슬레이브BMS와 연결되고, 상기 슬레이브BMS는 상기 배터리를 구성하는 복수의 배터리모듈 각각과 연결되어 상기 배터리모듈에 포함되는 1 이상의 셀에서 출력되는 출력신호를 측정하는 출력신호측정부(1100); 해당 셀에서의 온도를 측정하는 온도측정부(1200); 및 해당 셀에서의 임피던스정보를 산출하는 임피던스정보산출부(1300);를 포함하고, 상기 마스터BMS는 상기 복수의 슬레이브BMS 각각으로부터 복수의 임피던스정보를 전달받아 해당 배터리의 상태를 분석하는 배터리분석부;를 포함한다.
구체적으로, 본 발명의 배터리특성 도출시스템(1000)은, 복수의 배터리셀로 구성된 배터리에 구비되어 동작한다. 일반적으로, 배터리는 셀(cell), 모듈(module), 팩(pack)으로 구성된다. 먼저 배터리셀은 전기에너지를 충전 및 방전하면서 사용할 수 있는 리튬이온 배터리의 기본단위로서, 양극, 음극, 분리막, 및 전해액을 사각형 혹은 원통형의 알루미늄 케이스에 넣어 제작한다. 상기 배터리셀은 제한된 공간에서 최대한의 성능을 발현할 수 있도록 단위 부피당 혹은 단위 무게당 높은 용량을 가져야 하며, 일반 모바일 기기용 배터리에 비해 훨씬 긴 수명을 요구하고, 주행 중에 전달되는 충격을 견디고, 일정 기준 이하의 고온 및 일정 기준 이상의 저온에서도 정상적으로 작동될 수 있을 만큼의 신뢰성과 안정성을 갖추도록 설계된다.
위와 같은 복수의 셀을 열과 진동 등의 외부 충격에서 보호될 수 있도록 일정한 개수로 묶어 프레임에 넣어 하나의 배터리 조립체로 제작하는데, 이를 배터리모듈이라 한다. 하나의 배터리모듈은 6개 내지 10개 내외의 셀로 구성될 수 있으며, 최근에는 12개 내지 48개 내외의 셀이 직렬 혹은 병렬로 연결된 모듈을 사용하기도 한다. 12개의 배터리셀로 구성된 배터리모듈은 통상 2 내지 3kWh의 용량을 갖는다.
전술한 바와 같은 배터리모듈을 여러 개 모아 배터리 관리 시스템(Battery Management System, 이하 BMS)과 냉각장치 등을 추가하여 배터리팩을 구성한다. 하나의 배터리 팩에는 8개 내지 40개의 배터리모듈이 들어가며, 각각의 배터리모듈은 직렬 혹은 병렬로 연결되거나, 혼합된 형태로 연결된다. 대게 하나의 차량에는 하나의 배터리팩이 장착된다. 전술한 바와 같이 모듈화된 배터리팩을 통해, 배터리의 유지 및 보수를 용이하게 할 수 있으며, 보다 효율적이고 무게와 부피를 줄인 배터리를 사용할 수 있다.
한편, 도 2는 본 발명의 일 실시예로서, 총 30개의 배터리모듈이 직렬로 연결된 배터리를 도시하고, 각각의 배터리모듈에는 상술한 바와 같이 복수의 배터리셀이 포함되는 것이 바람직하나, 설명을 위해 하나의 배터리모듈에 하나의 배터리셀이 포함되는 구성을 도시한다. 이는 설명을 위한 일 실시예일 뿐이며, 이에 한정하지 않고, 본 발명은 그 이상 셀로 구성되거나 직렬연결과 병렬연결이 혼재된 배터리모듈 및 배터리팩에도 적용된다.
도 2에 도시된 바와 같이, 본 발명의 배터리특성 도출시스템(1000)은, 차량의 배터리팩에 포함되는 BMS와 함께 동작하는 것이 바람직하다. BMS란, 배터리의 충전상태, 방전상태 및 잔여량 등을 제어하는 시스템으로서, 차량 내부의 기타 제어 시스템과 연동하여 배터리가 최적의 작동환경을 만들도록 제어하고, 하나의 마스터BMS와 복수의 슬레이브BMS로 구성된다. 상기 복수의 슬레이브BMS는 상기 마스터BMS와 개별적으로 연결되어 있으며, 상기 복수의 슬레이브BMS 각각은 해당 차량의 배터리모듈 각각과 연결된다. 각각의 슬레이브BMS는 도 1에서 설명한 출력신호측정부(1100), 온도측정부(1200), 임피던스정보산출부(1300), 및 추론모델(1400)을 포함하며, 각각의 슬레이브BMS에 포함되는 출력신호측정부(1100), 온도측정부(1200), 및 임피던스정보산출부(1300)는 해당 배터리셀의 전압정보, 전류정보, 및 온도를 측정하여 해당 배터리셀의 임피던스정보를 산출한다.
더 구체적으로는, 본 발명의 일 실시예에 따르면, 상기 복수의 슬레이브BMS 각각은 상기 배터리모듈 내의 복수의 셀 각각과 연결되어 상기 복수의 셀 각각의 전압, 전류, 및 온도 등을 측정할 수 있다. 예를 들어, 배터리모듈#1에 배터리셀#1 내지 배터리셀#8이 포함되는 경우, 슬레이브BMS#1 내지 슬레이브BMS#8이 상기 배터리모듈#1에 연결되고, 상기 슬레이브BMS#1 내지 슬레이브BMS#8은 각각 배터리셀#1 내지 배터리셀#8과 연결되어 각각에 해당하는 배터리셀의 전압정보, 전류정보, 및 온도를 측정할 수 있다. 이와 같은 경우, 임피던스산출부 및 추론모델(1400)과 같은 연산을 수행하는 부가 하나의 셀에 대해서만 연산을 수행하기 때문에, 개별 셀들에 대한 정확한 측정이 가능하지만, 총 배터리셀의 수가 일정 수준 이상 많아지는 경우 총 시스템의 연산부하가 커지게 된다.
혹은, 본 발명의 다른 실시예에 따르면, 하나의 배터리모듈에 하나의 슬레이브BMS가 연결되며, 상기 슬레이브BMS는 해당 배터리모듈에 포함되는 각각의 셀과 연결되어, 각각의 해당 배터리모듈에 포함되는 셀 각각의 전압, 전류, 및 온도를 개별적으로 측정한 뒤 취합할 수 있다. 다시 말해, 예를 들어, 배터리모듈#1에 배터리셀#1 내지 배터리셀#8의 셀이 포함되는 경우, 슬레이브BMS#1만 상기 배터리모듈#1과 연결되고, 상기 슬레이브BMS#1은 상기 배터리셀#1 내지 상기 배터리셀#8과 각각 전선으로 연결되어 각각의 셀의 전압정보, 전류정보, 및 온도를 측정할 수 있다. 측정된 상기 각각의 셀의 전압정보, 상기 전류정보, 및 온도는 상기 슬레이브BMS#1의 추론모델(1400)에 입력되어 각각의 셀의 임피던스정보를 산출한다. 이와 같은 경우, 임피던스산출부 및 추론모델(1400)과 같은 연산을 수행하는 부가 하나의 모듈에 대해서 연산을 수행하기 때문에, 배터리셀의 수가 많은 경우에도 모듈별로 연산이 진행되기 때문에 시스템의 연산부하를 줄일 수 있는 장점이 있다.
이하에서는, 설명의 편의를 위하여, 하나의 배터리모듈이 하나의 배터리셀만을 포함한 것을 기준으로 후술하도록 하나, 전술한 바와 같이 본 발명은 이에 한정하지 않는다.
한편, 복수의 슬레이브BMS에서 각각에 해당하는 셀들의 임피던스정보를 산출하면, 산출된 임피던스정보를 마스터BMS로 전달한다. 상기 마스터BMS는 복수의 슬레이브BMS로부터 전달받은 상기 임피던스정보를 통해 배터리의 현재 상태 및 불량 셀을 진단할 수 있다. 상기 불량 셀이란, 충전이 제대로 되지 않거나 혹은 너무 과하게 충전되거나, 출력이 정상적으로 나오지 않거나, 혹은 누설전류가 발생하는 셀 등을 포함하며, 이러한 불량 셀을 발견함으로써 해당 셀을 교환 혹은 수리하는 등의 조치를 취할 수 있고, 이를 통해 배터리의 고장율을 절감하고 수명을 연장시키는 효과를 발휘할 수 있다. 추가적으로, 본 발명은 주행 중에도 실시간으로 배터리셀 각각의 임피던스정보를 측정할 수 있고, 상술한 BMS시스템을 통해 해당 배터리 팩에 포함되는 각각의 셀들의 진단결과를 종합하여, 해당 배터리팩의 충전 상태(State of Charge, SOC), 온도, 순간 출력, 수명, 예상 구동 시간 및 주행 가능 거리 등을 산출하여 사용자에게 제공할 수 있다.
도 3은 본 발명의 일 실시예에 따른 임피던스정보를 산출하는 과정을 개략적으로 도시한다.
구체적으로, 도 3에 도시된 바와 같이, 차량 내부에서는 복수의 요인으로 생성되는 복수의 신호가 복합된 복합신호가 측정된다. 상기 복합신호는 여러 환경 조건에 따라 달라지며, 파워트레인에서 발생되는 신호가 가장 큰 비중을 차지한다.
더 자세하게는, 주행 중에 모터의 부하가 바뀌는 경우, 즉 해당 차량이 가속하거나 감속할 때, 상기 모터로부터 1mHz 내지 100Hz의 신호가 발생되고, 12볼트(V)의 DC to DC 컨버터 혹은 모터를 구동시키거나 회생제동시키는 인버터에서 2kHz 내지 300kHz의 신호가 발생된다. 또한, 모터의 slot 및 pole이 교차하는 과정, 즉 모터가 작동되는 과정에서 0.5kHz 내지 15kHz의 신호가 발생된다. 한편, 이와 같은 파워트레인에서 발생되는 주파수 외에도 기계적진동 및 바람의 영향으로 발생되는 1Hz 내지 2kHz의 노이즈 혹은 충전 중에 발생되는 60Hz 내지 600Hz의 노이즈가 포함되는 신호도 발생된다. 전술한 복합신호의 복수의 주파수 발생원은 실험데이터로 도출된 일 예에 해당하며, 전술한 발생원 외에서 발생되는 신호가 혼합된 신호가 더 포함될 수 있다. 도 3에 도시된 주행속도에 따른 주파수 그래프를 참고하면, 복합신호의 주파수는 차량의 주행속도에 따라 달라지는 것을 확인할 수 있다.
배터리셀의 임피던스정보를 측정하기 위해 본 발명의 출력신호측정부(1100)가 해당 셀의 전압정보 및 전류정보를 측정하게 되면, 상술한 복합신호가 섞인 전압정보 및 전류정보를 측정하게 된다. 즉 순수한 전압정보 및 전류정보를 획득하기가 어렵게 되고, 이와 같은 이유로 종래의 배터리의 임피던스정보를 측정하는 기술은 전술한 복합신호를 최소한으로 하기 위해 정지된 차량의 배터리에만 적용할 수 있었다. 그 결과 간접적인 방식을 통해서만 배터리 상태를 사용자에게 제공할 수 있었으며, 시시각각 변하는 주행환경에 따른 배터리상태를 정확하게 진단할 수 없었다. 예를 들어, 똑같이 평균 80km/h로 달리고 있는 환경일지라도, 도로환경이 안 좋은 곳에서 주행하는 환경; 교통이 불규칙해 가감속이 많은 환경; 및 고속도로에서 동일한 속도로 주행하는 환경;에서의 배터리에 가해지는 부하가 달라지기 때문에, 주행 중 배터리의 임피던스정보를 측정하면, 보다 정확하게 현재 배터리의 상태를 진단할 수 있으며, 사용자에게 보다 정확한 예상 주행 가능 거리 등을 제공할 수 있는 효과를 발휘할 수 있다.
하지만 본 발명은, 배터리모델에서 출력되는 복수의 출력데이터를 학습한 추론모델(1400)을 사용하여, 주행 중에 측정되어 전술한 복합신호가 섞인 전압정보 및 전류정보를 측정하더라도, 그 안에서 순수한 전압정보 및 전류정보를 획득할 수 있고, 이를 통해 해당 배터리셀의 임피던스정보를 측정할 수 있으며, 측정된 임피던스정보를 통해 해당 셀의 상태를 진단할 수 있다. 상기 추론모델(1400)에 대한 보다 자세한 설명은 도 4 내지 도 5에서 후술하도록 한다.
도 3에서는 본 발명의 기능을 수행하는 SoC 형태의 디바이스를 도시하였으나, 이는 본 발명의 일 실시예에 해당하며, 본 발명의 다른 실시예로서, 상기 배터리특성 도출시스템(1000)은 전술한 BMS시스템 내에 기능적으로 포함되어 구현될 수 있다. 도 3에 도시된 바와 같이, 상기 배터리특성시스템은, 도 2를 참고하여, 배터리셀의 복합신호가 포함된 전압정보, 전류정보 및 온도를 출력신호측정부(1100) 및 온도측정부(1200)로부터 획득하고, 복수의 학습데이터를 학습한 추론모델(1400)을 사용하여 해당 배터리셀의 임피던스정보를 산출한다.
상기 임피던스정보는, EIS(Electrochemical Impedance Spectroscopy, 전기화학분광법)으로 측정된 임피던스를 포함하며, 상기 임피던스정보를 복소평면에 도시하면 도 3의 우측 상단에 도시된 그래프와 같다. 본 발명의 일 실시예로서, 마스터BMS는 복소평면에 도시된 임피던스정보의 파형을 분석하여 해당 배터리셀을 분석하는 것이 바람직하다.
도 4는 본 발명의 일 실시예에 따른 학습데이터를 생성하는 배터리모델을 개략적으로 도시한다.
구체적으로, 도 4에 도시된 바와 같이, 배터리모델은 환경조건(Input 1)과 사용자의 전력사용패턴(Input 2)를 입력하고, 그에 따른 해당 배터리의 출력전압 및 출력전류를 통해 해당 배터리의 임피던스를 산출하는 모델에 해당한다. 이 때, 상기 배터리모델은 특정 SOC(충전상태), 특정 주파수 및 특정 온도에서의 기준 임피던스와 배터리의 노화정도를 고려하여 해당 배터리의 임피던스를 산출하며, 다양한 경우의 수에 해당하는 Input 1 및 Input 2를 상기 배터리모델에 입력시킴으로써 많은 양의 임피던스 데이터셋(dataset)을 얻어낼 수 있다. 도 3을 참고하여, 전술한 바와 같이 얻어낸 복수의 임피던스 데이터셋을 추론모델(1400)에 학습시키고, 기학습된 추론모델(1400)에 배터리 셀의 출력전압의 파형, 출력전류의 파형 및 온도를 입력하면, 학습데이터에 기초하여 복합신호와 해당 배터리셀에서 실제로 출력되는 전압, 전류, 및 온도정보를 분리할 수 있으며, 복합신호를 분리하여 얻은 출력전압의 파형, 출력전류의 파형 및 해당 셀의 온도를 통해 해당 배터리셀의 임피던스정보를 측정할 수 있다.
추가적으로, 상기 배터리모델은 배터리의 노화상태를 반영하여 임피던스 데이터셋을 산출하는 특징을 가지고 있다. 특히, 표준노화(normal aging)모델과 특정노화(specific aging) 모델을 모두 사용함으로써, 환경조건 및 전력사용패턴 등으로 인해 발생될 수 있는 다양한 노화상태를 도출하고 이에 따르는 임피던스를 산출하여 보다 정확한 임피던스 데이터셋을 산출할 수 있다. 이 밖에도 실시간으로 엔트로피를 추적하는 IRET를 통해, 온도에 따른 변화를 고려하여 결과값을 도출할 수 있다.
도 5는 본 발명의 일 실시예에 따른 학습된 추론모델(1400)을 사용하여 해당 셀의 임피던스정보를 산출하는 과정을 개략적으로 도시한다.
도 5에 도시된 바와 같이, 본 발명의 일 실시예에 따르면, 상기 추론모델(1400)은, CNN기반의 인공신경망 모듈을 포함하고, 상기 인공신경망 모듈을 통해, 상기 출력신호측정부(1100) 및 상기 온도측정부(1200)로부터 입력받은 일정 슬라이딩윈도우 구간에서의 입력정보를 머신러닝하여, 상기 슬라이딩윈도우 구간에서 상기 셀에 출력되는 출력신호의 주파수에 따른 임피던스정보를 산출한다.
한편, 본 발명의 다른 실시예 따르면, 상기 추론모델(1400)은, LSTM기반의 인공신경망 모듈을 포함하고, 상기 인공신경망 모듈을 통해, 상기 출력신호측정부(1100) 및 상기 온도측정부(1200)로부터 입력받은 일정 슬라이딩윈도우 구간에서의 입력정보를 머신러닝하여, 상기 슬라이딩윈도우 구간에서 상기 셀에 출력되는 출력신호의 주파수에 따른 임피던스정보를 산출한다.
개략적으로, 출력신호측정부(1100)는 배터리셀로부터 주행 중에 실시간으로 시간에 따른 전압정보, 전류정보, 및 온도를 측정하고, 이를 임피던스정보산출부(1300)에서 일정시간구간 T 만큼의 슬라이딩윈도우 구간으로 구분한다. 즉, 상기 임피던스정보산출부(1300)는, 상기 출력신호측정부(1100)로부터 측정되는 실시간데이터에서 t-T 시간부터 t까지의 데이터를 잘라 해당 시간 동안의 해당 배터리셀의 전압정보, 전류정보 및 온도정보를 생성한다. 상기 전압정보, 전류정보, 및 온도정보는 시간에 따른 시계열데이터를 포함하고, 본 발명의 일 실시예로서, 시간에 따른 값을 갖는 테이블형태일 수 있고, 본 발명의 다른 실시예로서, 도 5에 도시된 바와 같이 파형 이미지 자체의 형태일 수 있다.
상기 임피던스정보산출부(1300)에서 생성한 슬라이딩윈도우 구간의 전압정보, 전류정보, 및 온도정보는, 도 1 내지 도 2를 참고하여, 추론모델(1400)로 입력된다. 상기 추론모델(1400)은 전술한 바와 같이 배터리모델을 통해 복수의 학습데이터를 기학습한 추론모델(1400)에 해당한다. 상기 슬라이딩윈도우 구간의 전압정보, 및 전류정보는, 도 3에 대한 설명을 참고하여, 여러 요인으로 발생된 복합신호가 섞인 정보이다. 상기 추론모델(1400)은 복합신호가 섞인 전압정보, 및 전류정보에서 상기 복합신호를 분리하여, 순수 배터리에서 출력되는 전압정보, 및 전류정보를 획득할 수 있다. 한편, 본 발명의 일 실시예에 따르면, 온도정보는, 온도센서를 통해 해당 배터리셀의 온도를 측정하므로, 복합신호의 영향이 적어 온도측정부(1200)에서 측정한 데이터를 그대로 사용할 수 있다.
한편, 상기 추론모델(1400)은 배터리모델에서 도출된 학습데이터를 학습한 뒤에, 주행 중 발생되는 전압정보, 전류정보, 및 온도를 학습한다. 다시 말해, 주행 중에 측정되는 시간에 따른 전압정보, 전류정보 및 온도를 학습함으로써 해당 차량의 주행 중 배터리 상태를 더 정확하게 도출할 수 있다.
본 발명의 일 실시예로서, 상기 추론모델(1400)은 CNN기반의 인공신경망 모듈을 포함하며, 상기 인공신경망 모듈을 통해 해당 배터리 셀의 슬라이딩윈도우 구간에서의 전압정보의 시계열데이터, 상기 슬라이딩윈도우 구간에서의 전류정보의 시계열 데이터, 및 상기 슬라이딩윈도우 구간에서의 온도의 시계열데이터를 머신러닝한다. 이 때 사용되는 시계열데이터는 시간에 따른 파형 이미지 형태에 해당하는 것이 바람직하다. 뿐만 아니라 상기 인공신경망 모듈은 배터리모델에서 도출되는 복수의 학습데이터도 머신러닝한다.
본 발명의 다른 실시예로서, 상기 추론모델(1400)은 LSTM기반의 인공신경망 모듈을 포함하며, 상기 인공신경망 모듈을 통해 해당 배터리 셀의 슬라이딩윈도우 구간에서의 전압정보의 시계열데이터, 상기 슬라이딩윈도우 구간에서의 전류정보의 시계열 데이터, 및 상기 슬라이딩윈도우 구간에서의 온도의 시계열데이터를 머신러닝한다. 이 때 사용되는 시계열데이터는 시간에 따른 값을 같는 테이블형태에 해당하는 것이 바람직하다. 뿐만 아니라 상기 인공신경망 모듈은 배터리모델에서 도출되는 복수의 학습데이터도 머신러닝한다.
상기 추론모델(1400)은 복합신호가 분리된 전압정보 및 전류정보와 해당 셀의 온도정보를 통해 임피던스정보를 산출한다. 이 때, 임피던스정보는 해당 배터리셀의 출력신호, 즉 상기 복합신호가 분리된 출력신호의 주파수에 따른 임피던스정보이다. 도 5에 도시된 Impedance Curve는 특정 온도에서 주파수에 따른 임피던스의 허수부를 나타낸 것이다. 해당 그래프는 본 발명의 일 실시예로서, 상태가 좋지 않은 배터리셀의 임피던스정보와 정상 배터리셀의 임피던스정보를 도시한다. 해당 그래프의 기준임피던스정보가 정상 배터리셀의 임피던스정보에 해당하고, 해당 그래프의 측정임피던스정보가 불량 셀의 임피던스정보에 해당한다. 이를 참고하면, 특정 주파수구간, 상기 일 실시예에서는 10Hz이하 구간에서 측정임피던스정보가 기준임피던스정보와 차이가 나는 것을 확인할 수 있다. 한편, 위와 같이, 기준임피던스정보와 측정임피던스정보를 비교하여 해당 셀을 진단하는 과정은, 도 2를 참고하여, 마스터BMS의 배터리분석부에서 수행되는 것이 바람직하다.
도 6은 본 발명의 일 실시예에 따른 배터리셀의 등가회로 및 온도에 따른 배터리 셀의 intercept frequency의 그래프를 개략적으로 도시한다.
개략적으로, 도 6의 (a)는 배터리셀의 등가회로를 도시하고, 도 6의 (b)는 해당 등가모델에서 산출한 Intercept Frequecy와 온도와의 상관관계를 보여주는 그래프를 도시한다.
구체적으로, 등가회로(equivalent circuit)이란, 주어진 실제 전기회로에 대해 그 회로의 모든 전기적 특성을 유지하면서 동시에 단순한 형태로 표현된 이론적인 회로를 의미하며, 회로 해석을 쉽게 할 수 있도록 구성한 이론적회로이다. 배터리셀은 도 6의 (a)에 도시된 등가회로로 모델링할 수 있다. 해당 등가회로의 전체 임피던스 Z는 하기 [수학식 1]과 같다.
Figure 112022065674264-pat00001
상기 [수학식 1]은 실수부와 허수부로 분리가 가능한 복소수이며, 상기 전체 임피던스의 허수부가 0이 되는 지점의 주파수(w)를 Intercept Frequency(w0)라 한다. 다시 말해, 상기 Intercept Frequency에서 임피던스는 도 6의 (a)의 등가회로에서 컨덕턴스 성분과 인덕턴스 성분이 서로 상쇄된다는 의미이며, 해당 회로의 특성을 나타내는 중요한 지표이다. 상기 [수학식 1]에서 허수부가 0이 되는 Intercept Frequency를 계산하면 하기 [수학식 2]와 같다.
Figure 112022065674264-pat00002
한편, 상기 [수학식 2]에서 L, Rs, Ckin, Cd는 모두 배터리를 설계할 때 설정하는 값, 즉 상수이며, Rkin만 상기 식에서 유일한 변수로 작동한다. 또한, 해당 배터리셀은 리튬-이온 전지로서 화학반응을 통해, 전력을 생산한다. 따라서, 상기 Rkin은 아레니우스 방정식을 따른다. 아레니우스 방정식은, 반응속도상수와 온도와의 관계를 나타내는 식으로 하기 [수학식 3]와 같다.
Figure 112022065674264-pat00003
상기 [수학식 3]에서 A, R, Ea는 모두 상수이며, T는 절대온도에 해당한다. 즉, 상기 [수학식 3]의 k는 반응속도상수로서, 전기화학적 측면에서 보면 저항과 반비례하다고 볼 수 있다. 따라서, 상기 [수학식 2]의 Rkin은 하기 [수학식 4]와 같은 관계가 성립한다.
Figure 112022065674264-pat00004
즉, 상기 Rkin은 온도에 의해서만 변하는 값이며, 상기 Rkin이 온도에 의해 변하므로 상기 전체 임피던스 Z 또한 온도에 따라 달라진다는 것을 확인할 수 있다. 도 6의 (b)에 도시된 그래프와 같이, Intercept Frequency는 SOC(State Of Charge, 충전상태)와 온도에 따라 달라지는데, SOC가 100%일 때의 Intercept Frequency와 20%일 때의 Intercept Frequency가 큰 차이가 없는 반면, 온도에 따라서는 300Hz에서 1700Hz까지 큰 차이를 보이는 것을 확인할 수 있다.
따라서, 배터리의 임피던스를 산출하는 식에서는 전압과 전류만 있으면 되지만, 상술한 과정과 같이 온도가 임피던스에 큰 영향을 끼치는 것을 확인할 수 있다. 또한, 본 발명을 연구하면서, 도 5를 참고하여, 온도에 관한 시계열데이터를 전압정보 및 전류정보와 함께 추론모델(1400)에 입력하여 임피던스를 산출한 결과 주행 중이더라도 더욱 정확한 산출값을 도출하는 것을 확인하였고, 그 결과 본 발명에서는, 배터리셀의 전압정보, 전류정보, 및 온도를 함께 추론모델(1400)에 입력하여 임피던스정보를 도출함으로써, 주행 중에서도 별도의 측정장치 없이 실시간으로 정확한 임피던스정보를 산출하는 효과를 발휘할 수 있다.
도 7은 본 발명의 일 실시예에 따른 온도와 임피던스정보 간의 관계를 나타내는 그래프를 개략적으로 도시한다.
구체적으로, 도 7은 배터리셀의 임피던스의 실수성분이 아레니우스 수식을 만족한다는 것을 보여주는 그래프를 도시한다. 도 6에 대한 설명에서 배터리셀의 임피던스에서 Rkin성분이 온도의존성을 가지는 것을 확인하였으며, 도 7에 도시된 그래프를 통해 임피던스 Z의 실수성분 또한 온도의존성이 높다는 걸 알 수 있다. 도 7의 Data는 실험결과에 해당하며, 실선은 아레니우스 수식을 만족하는 값들의 집합인 Arrhenius fit에 해당한다. 도 7을 참고하여, 실험결과인 Data가 Arrhenius fit를 대체로 만족하는 것을 확인할 수 있다. 따라서, 배터리셀 내에서 화학반응이 정상적으로 발생된다면, 온도를 해당 배터리셀의 실수성분에 대한 정보를 유추할 수 있고, 이를 통해, 상기 추론모델(1400)이 온도정보를 입력 받았을 때 해당 셀의 전압정보 및 전류정보만 입력 받았을 때보다 정확한 임피던스정보를 산출할 수 있다. 또한, 본 발명의 일 실시예로서, 측정 결과 해당 셀의 임피던스의 실수성분이 Arrhenius fit을 따르지 않는다면, 마스터BMS는 해당 배터리셀의 문제가 있다고 판단할 수 있다.
도 8은 본 발명의 일 실시예에 따른 입력신호의 주파수 및 온도에 따른 배터리 셀의 임피던스정보를 개략적으로 도시한다.
구체적으로, 도 8은 임피던스정보산출부(1300)가 해당 셀에 대한 최종적인 임피던스정보를 산출한 데이터에 해당한다. 도 8에 도시된 바와 같이, 해당 셀의 임피던스정보는 온도 및 출력신호의 주파수에 따라 달라진다. 마스터BMS가 도 8에 도시된 바와 같은 임피던스정보를 전달받으면, 이를 바탕으로 해당 셀에 대한 진단을 할 수 있다.
더 구체적으로는, 상기 임피던스정보의 파형 상에서 우측 상단에 둥근 반원(semicircle)부분은, 해당 셀 내부의 전하의 이동 및/또는 전하의 확산 특성이 나타나는 영역이다. 상기 마스터BMS는 해당 영역의 크기 및 위치를 인식하고, 이를 기준값과 비교하여 해당 셀의 상태를 진단할 수 있다. 도 8에 도시된 바와 같이, 특정 온도에서 임피던스정보는 일정한 모양의 파형을 나타낸다. 한편, 주행 중과 같이 실시간으로 온도가 변하는 환경에서 실시간 온도 데이터 없이 전압정보 및 전류정보만을 가지고 임피던스정보를 산출한다면, 셀의 온도가 시시각각으로 변할 수 있기 때문에 도 8에 도시된 바와 같은 정확한 모양으로 측정되지 않으며, 이를 통해 셀의 상태를 진단할 수 없다.
한편, 본 발명에서는 온도에 따른, 임피던스정보를 산출하고 이를 학습한 추론모델(1400)을 사용함으로써, 셀의 온도가 실시간으로 변하는 주행환경에서도 해당 셀의 임피던스정보를 정확히 산출할 수 있고, 이를 통해 배터리의 특성 및 상태를 도출할 수 있다.
본 발명의 일 실시예에 따르면, 차량의 배터리에 포함되는 모든 셀에 대하여 각각의 임피던스정보를 측정할 수 있어, 충전이 잘 안되거나 누설전류가 발생하는 등의 문제를 가진 불량 셀을 쉽게 발견할 수 있고, 이를 통해 불량 셀을 빠르게 제거해줌으로써 상기 배터리의 고장율을 절감하고, 수명을 연장시키는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 차량 내 BMS시스템에 장착되는 시스템으로서, 충전 중이거나, 주행 중일 때도 해당 배터리에 포함되는 각각의 셀의 임피던스정보를 측정할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 차량에서 사용되는 전력패턴 및 환경조건에 따른 해당 배터리의 임피던스를 산출하는 배터리모델을 통해 수많은 학습용 데이터를 생성할 수 있고, 상기 수많은 학습데이터를 학습한 추론모델을 사용하여, 해당 배터리에 포함되는 각각의 셀의 임피던스정보를 실시간으로 측정할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 학습된 추론모델을 사용함으로써, 차량 내외부의 복합적인 요인으로 발생되는 신호의 영향을 최소화하여 해당 셀에 대한 보다 정확한 전압, 및 전류 를 측정할 수 있는 효과를 발휘할 수 있다.
본 발명의 일 실시예에 따르면, 해당 배터리에 포함되는 각각의 셀의 전압과 전류뿐만 아니라, 해당 셀의 온도에 따른 임피던스정보를 측정함으로써, 해당 셀에 대한 보다 정확한 진단을 수행할 수 있는 효과를 발휘할 수 있다.
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 (6)

  1. 전기를 동력으로 사용하는 파워트레인이 장착된 차량에 설치된 배터리에 구비되어 동작하는 학습된 추론모델 기반 배터리특성 도출시스템으로서,
    상기 배터리에 포함되는 셀에서 출력되는 전압정보 및 전류정보를 포함하는 출력신호를 측정하는 출력신호측정부;
    상기 셀에서의 온도를 측정하는 온도측정부; 및
    상기 셀에서의 출력신호 및 온도를 포함하는 입력정보를 학습된 인공신경망 기반 추론모델에 입력하여, 임피던스정보를 산출하는 임피던스정보산출부;를 포함하고,
    상기 입력정보는 차량의 실제 주행 중에 획득되는 일정 슬라이딩윈도우 구간에서의 시간에 따른 전압정보, 전류정보, 및 온도의 시계열데이터를 포함하고,
    상기 추론모델은, 가상의 배터리모델에서 배터리특성에 영향을 주는 복수의 요인을 고려하여 생성되는 복수의 학습데이터에 의해 학습되고, 상기 학습데이터는 특정 임피던스정보를 갖는 배터리에 대한 전압, 전류, 온도 정보를 포함하고, 학습된 추론모델은 상기 입력정보를 입력받아 상기 임피던스정보를 산출하고,
    상기 임피던스정보는, 해당 셀에 대하여 복수의 주파수 각각에 대한 임피던스값을 포함하는, 배터리특성 도출시스템.
  2. 삭제
  3. 청구항 1에 있어서,
    배터리관리시스템은 하나의 마스터BMS 및 복수의 슬레이브BMS로 구성되며, 상기 마스터BMS는 복수의 슬레이브BMS와 연결되고,
    상기 슬레이브BMS는 상기 배터리를 구성하는 복수의 배터리모듈 각각과 연결되어 상기 배터리모듈에 포함되는 1 이상의 셀에서 출력되는 출력신호를 측정하는 출력신호측정부; 해당 셀에서의 온도를 측정하는 온도측정부; 및 해당 셀에서의 임피던스정보를 산출하는 임피던스정보산출부;를 포함하고,
    상기 마스터BMS는 상기 복수의 슬레이브BMS 각각으로부터 복수의 임피던스정보를 전달받아 해당 배터리의 상태를 분석하는 배터리분석부;를 포함하는, 배터리특성 도출시스템.
  4. 청구항 1에 있어서,
    상기 추론모델은, CNN기반의 인공신경망 모듈을 포함하고, 상기 인공신경망 모듈을 통해, 상기 출력신호측정부 및 상기 온도측정부로부터 입력받은 일정 슬라이딩윈도우 구간에서의 입력정보를 머신러닝하여, 상기 슬라이딩윈도우 구간에서 상기 셀에 출력되는 출력신호의 주파수에 따른 임피던스정보를 산출하는, 배터리특성 도출시스템.
  5. 청구항 1에 있어서,
    상기 추론모델은, LSTM기반의 인공신경망 모듈을 포함하고, 상기 인공신경망 모듈을 통해, 상기 출력신호측정부 및 상기 온도측정부로부터 입력받은 일정 슬라이딩윈도우 구간에서의 입력정보를 머신러닝하여, 상기 슬라이딩윈도우 구간에서 상기 셀에 출력되는 출력신호의 주파수에 따른 임피던스정보를 산출하는, 배터리특성 도출시스템.
  6. 전기를 동력으로 사용하는 파워트레인이 장착된 차량에 설치된 배터리에서 동작하는 학습된 추론모델 기반 배터리특성 도출방법으로서,
    상기 배터리에 포함되는 셀에서 출력되는 전압정보 및 전류정보를 포함하는 출력신호를 측정하는 출력신호측정단계;
    상기 셀에서의 온도를 측정하는 온도측정단계; 및
    상기 셀에서의 출력신호 및 온도를 포함하는 입력정보를 학습된 인공신경망 기반 추론모델에 입력하여, 임피던스정보를 산출하는 임피던스정보산출단계;를 포함하고,
    상기 입력정보는 차량의 실제 주행 중에 획득되는 일정 슬라이딩윈도우 구간에서의 시간에 따른 전압정보, 전류정보, 및 온도의 시계열데이터를 포함하고,
    상기 추론모델은, 가상의 배터리모델에서 배터리특성에 영향을 주는 복수의 요인을 고려하여 생성되는 복수의 학습데이터에 의해 학습되고, 상기 학습데이터는 특정 임피던스정보를 갖는 배터리에 대한 전압, 전류, 온도 정보를 포함하고, 학습된 추론모델은 상기 입력정보를 입력받아 상기 임피던스정보를 산출하고,
    상기 임피던스정보는, 해당 셀에 대하여 복수의 주파수 각각에 대한 임피던스값을 포함하는, 배터리특성 도출방법.

KR1020220076719A 2022-06-23 2022-06-23 학습된 추론모델 기반 배터리특성 도출시스템 및 그 방법 KR102472040B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220076719A KR102472040B1 (ko) 2022-06-23 2022-06-23 학습된 추론모델 기반 배터리특성 도출시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220076719A KR102472040B1 (ko) 2022-06-23 2022-06-23 학습된 추론모델 기반 배터리특성 도출시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR102472040B1 true KR102472040B1 (ko) 2022-11-29

Family

ID=84235374

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220076719A KR102472040B1 (ko) 2022-06-23 2022-06-23 학습된 추론모델 기반 배터리특성 도출시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102472040B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116933986A (zh) * 2023-09-19 2023-10-24 国网湖北省电力有限公司信息通信公司 一种基于深度学习的电力数据安全管理***
CN117233629A (zh) * 2023-11-13 2023-12-15 深圳市普裕时代新能源科技有限公司 一种锂离子电池电性能测试方法、***、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080012079A (ko) * 2006-08-02 2008-02-11 주식회사 엘지화학 슬라이딩 모드 관측기를 이용한 ２차 전지 ｓｏｃ 예측방법 및 장치
US20150197164A1 (en) * 2014-01-14 2015-07-16 Ford Global Technologies, Llc Receding horizon regression analysis for battery impedance parameter estimation
KR20170035229A (ko) 2015-09-22 2017-03-30 중소기업은행 배터리 진단 장치 및 방법
JP2019039700A (ja) * 2017-08-23 2019-03-14 トヨタ自動車株式会社 二次電池の劣化状態推定方法および二次電池システム
JP2019528032A (ja) * 2016-07-22 2019-10-03 エオス エナジー ストレージ， エルエルシー バッテリ管理システム
KR20210119329A (ko) 2020-03-24 2021-10-05 주식회사 엘지에너지솔루션 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080012079A (ko) * 2006-08-02 2008-02-11 주식회사 엘지화학 슬라이딩 모드 관측기를 이용한 ２차 전지 ｓｏｃ 예측방법 및 장치
US20150197164A1 (en) * 2014-01-14 2015-07-16 Ford Global Technologies, Llc Receding horizon regression analysis for battery impedance parameter estimation
KR20170035229A (ko) 2015-09-22 2017-03-30 중소기업은행 배터리 진단 장치 및 방법
JP2019528032A (ja) * 2016-07-22 2019-10-03 エオス エナジー ストレージ， エルエルシー バッテリ管理システム
JP2019039700A (ja) * 2017-08-23 2019-03-14 トヨタ自動車株式会社 二次電池の劣化状態推定方法および二次電池システム
KR20210119329A (ko) 2020-03-24 2021-10-05 주식회사 엘지에너지솔루션 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116933986A (zh) * 2023-09-19 2023-10-24 国网湖北省电力有限公司信息通信公司 一种基于深度学习的电力数据安全管理***
CN116933986B (zh) * 2023-09-19 2024-01-23 国网湖北省电力有限公司信息通信公司 一种基于深度学习的电力数据安全管理***
CN117233629A (zh) * 2023-11-13 2023-12-15 深圳市普裕时代新能源科技有限公司 一种锂离子电池电性能测试方法、***、设备及介质
CN117233629B (zh) * 2023-11-13 2024-01-30 深圳市普裕时代新能源科技有限公司 一种锂离子电池电性能测试方法、***、设备及介质

Similar Documents

Publication Publication Date Title
CN111542759B (zh) 二次电池的异常检测装置、异常检测方法以及程序
KR102472040B1 (ko) 학습된 추론모델 기반 배터리특성 도출시스템 및 그 방법
US11313910B2 (en) Anomaly detection system and anomaly detection method for a secondary battery
CN104512265B (zh) 车辆电池充电设定点控制
Affanni et al. Battery choice and management for new-generation electric vehicles
US6653817B2 (en) State-of-charge detection device for a battery
US6812670B2 (en) Battery control device
Ramkumar et al. Review on Li‐Ion Battery with Battery Management System in Electrical Vehicle
US10059222B2 (en) Battery temperature estimation system
US9203255B2 (en) Control method for electric vehicle
WO2010109956A1 (ja) 蓄電装置
CN104044482A (zh) 用于电动车辆的双锂离子电池***
US9834112B2 (en) Battery state of charge estimation based on reduced order electrochemical models
JP7115439B2 (ja) 二次電池システムおよび二次電池の内部状態推定方法
US11146078B2 (en) Method and arrangement for balancing a battery pack
US11422197B2 (en) Battery system
JP2021082426A (ja) 電池の充電方法および充電システム
JP6958392B2 (ja) 二次電池システムおよび二次電池の劣化状態推定方法
Altun et al. Design and optimization of electric cars. a review of technological advances
D'Arpino et al. A simulation tool for battery life prediction of a Turbo-Hybrid-Electric Regional Jet for the NASA ULI Program
JP2021082425A (ja) 電池の充電方法および充電システム
US11545704B2 (en) Module detection in battery pack
JP7100151B2 (ja) 電池制御装置
Ekici et al. Investigation of charging and discharging characteristics of different type batteries using Trambus accelerator pedal data on hybrid electric vehicle model
US20230194619A1 (en) Battery system, vehicle including the same, and method for monitoring secondary battery

Legal Events

Date Code Title Description
GRNT Written decision to grant