KR20180037760A - 배터리 상태 추정 장치 및 방법 - Google Patents

배터리 상태 추정 장치 및 방법 Download PDF

Info

Publication number
KR20180037760A
KR20180037760A KR1020160128339A KR20160128339A KR20180037760A KR 20180037760 A KR20180037760 A KR 20180037760A KR 1020160128339 A KR1020160128339 A KR 1020160128339A KR 20160128339 A KR20160128339 A KR 20160128339A KR 20180037760 A KR20180037760 A KR 20180037760A
Authority
KR
South Korea
Prior art keywords
battery
model
estimated
state information
battery model
Prior art date
Application number
KR1020160128339A
Other languages
English (en)
Inventor
박상도
유개원
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 KR1020160128339A priority Critical patent/KR20180037760A/ko
Priority to US15/488,588 priority patent/US10310022B2/en
Publication of KR20180037760A publication Critical patent/KR20180037760A/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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • G01R31/3651—
    • 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
    • G01R31/3679—
    • 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
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • 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)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

배터리 상태 추정 장치 및 방법이 제공된다. 일 실시예에 따른 배터리 상태 추정 장치는, 일정 범위에 대해서 추정 가능하도록 트레이닝된 배터리 모델을 이용하여 배터리의 상태 정보를 추정할 수 있고, 추정된 상태 정보가 해당 범위를 벗어나는 경우 지속적으로 배터리 모델에 대한 파라미터가 트레이닝되는 서버에 대해 최신 파라미터의 업데이트를 요청할 수 있다.

Description

배터리 상태 추정 장치 및 방법{DEVICE AND METHOD TO ESTIMATE STATE OF BATTERY}
이하, 배터리 상태를 추정하기 위한 기술이 제공된다.
많은 전자 기기들은 기기의 동작 동안 반복적으로 충전되는 이차 전지와 같은 배터리가 탑재된다. 이차 전지가 방전 및 충전되는 횟수가 증가할 수록, 배터리의 캐퍼시티(capacity)가 점진적으로 감소될 수 있다. 각 충전 사이클과 함께, 전자 기기에 대한 배터리 수명이 짧아진다. 배터리 수명이 줄어듦에 따라 많은 충전 및 방전 사이클 후에 초기 배터리 캐퍼시티(capacity)가 보장될 수 없다. 배터리 캐퍼시티에서 지속적인 감소와 함께, 전자 기기의 파워, 운용 시간, 및 안정성이 절충될 수 있고, 결국 배터리는 교체 배터리로 교체되어야 할 수 있다.
예를 들어, 이러한 배터리를 교체하기 위해 예상되는 시간을 판단하기 위하여, 배터리의 SOH(state of health)를 추정할 수 있다.
일 실시예에 따른 배터리 상태 추정 방법은 배터리 정보로부터 추정된 배터리의 상태 정보에 기초하여 배터리 모델의 유효성을 판단하는 단계; 상기 배터리 모델이 유효하지 않은 것으로 판단된 경우에 응답하여, 서버로 상기 배터리 모델에 대한 업데이트 요청을 송신하는 단계; 및 상기 서버로부터 수신된, 업데이트 요청에 대응하는 파라미터에 기초하여 상기 배터리 모델을 업데이트하는 단계를 포함할 수 있다.
배터리 상태 추정 방법은 상기 업데이트된 배터리 모델에 기초하여, 배터리의 상태 정보를 추정하는 단계를 더 포함할 수 있다.
상기 배터리 정보로부터 추정된 배터리의 상태 정보에 기초하여 배터리 모델의 유효성을 판단하는 단계는, 상기 배터리 모델을 이용하여, 배터리 정보로부터 배터리의 상태 정보를 추정하는 단계; 상기 추정된 상태 정보가, 상기 배터리 모델의 추정 가능 범위를 초과하는지 여부를 판단하는 단계; 상기 추정된 상태 정보가 추정 가능 범위 내인 경우에 응답하여, 상기 배터리 모델이 유효한 것으로 판단하는 단계; 및 상기 추정된 상태 정보가 추정 가능 범위를 초과하는 경우에 응답하여, 상기 배터리 모델이 유효하지 않은 것으로 판단하는 단계를 포함할 수 있다.
상기 추정된 상태 정보가 추정 가능 범위를 초과하는지 여부를 판단하는 단계는, 상기 배터리 모델에 의해 추정 가능한 것으로 설정된 상태 정보의 최소 레벨(minimum level)보다 상기 추정된 상태 정보가 작은 경우에 응답하여, 상기 추정된 상태 정보가 추정 가능 범위를 초과하는 것으로 판단하는 단계를 포함할 수 있다.
상기 배터리 모델이 유효하지 않은 것으로 판단된 경우에 응답하여, 서버로 상기 배터리 모델의 업데이트 요청을 송신하는 단계는, 상기 배터리 모델에 적용되어 있는 파라미터의 추정 가능 범위의 적어도 일부와 중첩되는 범위를 가지는 파라미터를 요청하는 신호를 상기 서버로 송신하는 단계를 포함할 수 있다.
상기 배터리 정보로부터 추정된 배터리의 상태 정보에 기초하여 배터리 모델의 유효성을 판단하는 단계는, 상기 추정된 상태 정보가, 상기 배터리 모델의 추정 가능 범위를 초과하는 경우에 응답하여, 상기 배터리 모델에 적용된 파라미터가 유효하지 않은 것으로 판단하는 단계를 포함하고, 상기 배터리 모델이 유효하지 않은 것으로 판단된 경우에 응답하여, 서버로 상기 배터리 모델에 대한 업데이트 요청을 송신하는 단계는, 상기 추정된 상태 정보가, 상기 배터리 모델에 적용된 파라미터의 추정 가능 범위의 최소 레벨 이하인 경우에 응답하여, 상기 최소 레벨 이하에 대해서도 추정 가능하도록 트레이닝된 파라미터를 요청하는 신호를 상기 서버로 송신하는 단계를 포함할 수 있다.
상기 서버로부터 수신된, 업데이트 요청에 대응하는 파라미터에 기초하여 상기 배터리 모델을 업데이트하는 단계는, 상기 업데이트 요청이 수신된 시점에서 수집된 기준 데이터(reference data)로 추정 가능한 최소 레벨까지 트레이닝된 파라미터를 상기 서버로부터 수신하는 단계를 포함할 수 있다.
상기 배터리 정보로부터 추정된 배터리의 상태 정보에 기초하여 배터리 모델의 유효성을 판단하는 단계는, 상기 배터리가 장착된 장치의 위치 정보를 수신하는 단계; 및 상기 위치 정보에 기초하여 상기 배터리 모델의 유효성을 판단하는 단계를 포함할 수 있다.
상기 위치 정보에 기초하여 상기 배터리 모델의 유효성을 판단하는 단계는, 상기 위치 정보에 기초하여, 상기 배터리가 장착된 장치가 상기 배터리 모델에 의해 지원될 수 있는 지원 가능 영역(supportable area) 내에 위치하는지 판단하는 단계; 상기 장치가 상기 지원 가능 영역 내에 위치하는 것으로 판단된 경우에 응답하여, 상기 배터리 모델이 유효한(valid) 것으로 결정하는 단계; 및 상기 장치가 상기 지원 가능 영역 밖에 위치하는 것으로 판단된 경우에 응답하여, 상기 배터리 모델이 유효하지 않은(invalid) 것으로 결정하는 단계를 포함할 수 있다.
상기 위치 정보에 기초하여 상기 배터리 모델의 유효성을 판단하는 단계는, 상기 위치 정보에 기초하여, 상기 배터리가 장착된 장치의 위치가 임계 거리 이상 변화하였는지 판단하는 단계; 상기 장치가 임계 거리 이상 변화한 것으로 판단되는 경우에 응답하여, 상기 배터리 모델이 유효하지 않은 것으로 결정하는 단계; 및 상기 장치가 임계 거리 미만 변화한 것으로 판단되는 경우에 응답하여, 상기 배터리 모델이 유효한 것으로 결정하는 단계를 포함할 수 있다.
상기 배터리 정보로부터 추정된 배터리의 상태 정보에 기초하여 배터리 모델의 유효성을 판단하는 단계는, 상기 배터리 모델이 마지막으로 업데이트된 시점으로부터 기준 시간(reference time)이 경과한 경우에 응답하여, 상기 배터리 모델에 기초하여 추정된 상태 정보 및 상기 배터리가 장착된 장치의 위치 정보 중 적어도 하나에 기초하여, 상기 배터리 모델의 유효성을 판단하는 단계를 포함할 수 있다.
배터리 상태 추정 방법은 상기 배터리의 변경이 감지된 경우에 응답하여, 메모리에 저장된 파라미터들 중 변경된 배터리에 대응하는 파라미터를 검색하는 단계; 상기 변경된 배터리에 대응하는 파라미터가 검색된 경우에 응답하여, 상기 검색된 파라미터로 상기 배터리 모델을 업데이트하는 단계; 및 상기 업데이트된 배터리 모델에 기초하여 상기 변경된 배터리의 상태 정보를 추정하는 단계를 더 포함할 수 있다.
상기 배터리 정보로부터 추정된 배터리의 상태 정보에 기초하여 배터리 모델의 유효성을 판단하는 단계는, 상기 배터리의 변경이 감지된 경우에 응답하여, 메모리에 저장된 파라미터들 중 변경된 배터리에 대응하는 파라미터를 검색하는 단계; 상기 변경된 배터리에 대응하는 파라미터가 검색되지 않는 경우에 응답하여, 상기 변경된 배터리에 대응하는 파라미터를 요청하는 신호를 상기 서버로 송신하는 단계를 포함할 수 있다.
배터리 상태 추정 방법은 상기 배터리의 상태 정보가 유효한 것으로 판단된 경우에 응답하여, 상기 배터리 모델에 현재 적용된 파라미터 및 상기 배터리 모델에 기초하여 상기 배터리 정보로부터 상기 배터리의 상태 정보를 계속해서 추정하는 단계를 더 포함할 수 있다.
일 실시예에 따른 배터리 상태 추정 장치는 서버와 통신하는 통신부; 배터리 모델을 저장하는 메모리; 및 배터리 정보로부터 추정된 배터리의 상태 정보에 기초하여 배터리 모델의 유효성을 판단하고, 상기 배터리 모델이 유효하지 않은 것으로 판단된 경우에 응답하여, 서버로 상기 배터리 모델에 대한 업데이트 요청을 상기 통신부를 이용하여 송신하며, 상기 서버로부터 수신된, 업데이트 요청에 대응하는 파라미터에 기초하여 상기 배터리 모델을 업데이트하는 프로세서를 포함할 수 있다.
상기 프로세서는, 상기 배터리 모델을 이용하여, 배터리 정보로부터 배터리의 상태 정보를 추정하고, 상기 추정된 상태 정보가, 상기 배터리 모델의 추정 가능 범위를 초과하는지 여부를 판단하며, 상기 추정된 상태 정보가 추정 가능 범위 내인 경우에 응답하여, 상기 배터리 모델이 유효한 것으로 판단하고, 상기 추정된 상태 정보가 추정 가능 범위를 초과하는 경우에 응답하여, 상기 배터리 모델이 유효하지 않은 것으로 판단할 수 있다.
상기 프로세서는, 상기 배터리 모델에 의해 추정 가능한 것으로 설정된 상태 정보의 최소 레벨(minimum level)보다 상기 추정된 상태 정보가 작은 경우에 응답하여, 상기 추정된 상태 정보가 추정 가능 범위를 초과하는 것으로 판단할 수 있다.
상기 프로세서는, 상기 통신부를 이용하여, 상기 배터리 모델에 적용되어 있는 파라미터의 추정 가능 범위의 적어도 일부와 중첩되는 범위를 가지는 파라미터를 요청하는 신호를 상기 서버로 송신할 수 있다.
상기 프로세서는, 상기 추정된 상태 정보가, 상기 배터리 모델의 추정 가능 범위를 초과하는 경우에 응답하여, 상기 배터리 모델에 적용된 파라미터가 유효하지 않은 것으로 판단하고, 상기 배터리 모델이 유효하지 않은 것으로 판단된 경우에 응답하여, 상기 통신부를 이용하여 서버로 상기 배터리 모델에 대한 업데이트 요청을 송신하며, 상기 추정된 상태 정보가, 상기 배터리 모델에 적용된 파라미터의 추정 가능 범위의 최소 레벨 이하인 경우에 응답하여, 상기 최소 레벨 이하에 대해서도 추정 가능하도록 트레이닝된 파라미터를 요청하는 신호를 상기 통신부를 이용하여 상기 서버로 송신할 수 있다.
도 1은 일 실시예에 따른 배터리의 상태를 추정하기 위한 배터리 모델의 예시를 도시한다.
도 2는 일 실시예에 따른 배터리 상태 추정 시스템의 개괄적인 구성을 도시한다.
도 3은 일 실시예에 따른 배터리 상태 추정 장치의 개괄적인 구성을 도시한 도면이다.
도 4는 일 실시예에 따른 배터리 상태 추정 시스템의 세부적인 구성을 도시한 블록도이다.
도 5는 일 실시예에 따른 배터리 상태 추정 과정의 예시를 도시한 도면이다.
도 6 및 도 7은 일 실시예에 따른 배터리 상태 추정 방법을 도시한 흐름도이다.
도 8은 일 실시예에 따른 배터리 상태 추정의 예시적인 동작을 도시한다.
도 9은 일 실시예에 따른 배터리 모델에 적용되는 파라미터의 예시를 도시한 도면이다.
도 10은 일 실시예에 따른 배터리 모델 및 해당 배터리 모델에 적용되는 파라미터를 도시하는 도면이다.
도 11은 일 실시예에 따른 배터리 모델의 초기 모델에서의 추정과 완전 모델에서의 추정을 비교한 도면이다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 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 배터리의 상태를 추정하기 위한 배터리 모델의 예시를 도시한다.
배터리의 상태를 추정하기 위한 기술은 예를 들어, 다음과 같다. 수학적 분석에 기반한 기술은 배터리의 화학적인 반응을 수학적으로 표현하고 해석함으로써 배터리의 상태를 추정할 수 있다. 예를 들어, 수학적 분석에 기반한 기술은 배터리의 화학적인 반응을 수학적으로 표현할 수 있고, 배터리를 구성하는 물질들의 상태를 기초로 배터리의 수명, SOH(state of health), SOC(state of charge), 이상 상태(abnormal state) 등을 추정할 수 있다. 다만, 배터리의 내부 상태를 수학적으로 정확하게 표현하는 것이 현실적으로 어렵기 때문에, 수학적 분석에 기반한 기술은 배터리의 상태를 추정하기 위해 다양한 근사화(approximation)를 적용할 수 있고, 근사화 방식에 따라 배터리 상태 추정에 있어서 오류가 발생할 수 있다.
통계에 기반한 기술은 통계적 수치에 기반하여 배터리의 상태를 추정할 수 있다. 통계에 기반한 기술은 컴퓨터 공학(Computer Science) 또는 통계학을 기초로 개발되었다. 통계에 기반한 추정 기술은, 배터리의 내부 상태가 정확하게 알려지지 않더라도, 배터리 외부에서 관찰 가능한 정보를 기반으로 배터리의 상태를 추정할 수 있다. 예를 들어, 통계에 기반한 추정 기술은 배터리의 온도, 전압, 및 전류에 대한 배터리 정보와 룩업 테이블(Lookup table)을 이용하여 배터리의 상태를 추정할 수 있다. 다만, 통계에 기반한 추정 기술은 사전에 기준 데이터(110)가 준비되어야 할 수 있다. 일 실시예에 따르면 새로운 물질로 제조된 배터리에 대해서 완전한 기준 데이터가 준비될 때까지 긴 개발 시간이 요구될 수 있고, 기준 데이터가 부족한 경우에는, 통계에 기반한 기술은 배터리 상태 추정의 정확도가 낮을 수 있다. 완전한 기준 데이터는, 배터리와 연관된 정보 및 배터리의 상태(예를 들어, 수명) 간의 상관 관계가 배터리의 제조 시점으로부터 수명 종료 시점까지의 수집된 데이터를 나타낼 수 있다. 부족한 기준 데이터는, 배터리의 제조 시점으로부터 수명 종료 시점 이전의 임의의 시점까지 수집된 데이터를 나타낼 수 있다.
이하, 본 명세서에서 배터리 정보는 배터리로부터 수집될 수 있는 모든 정보로서, 예를 들어, 배터리로부터 측정되는 전압 신호, 전류 신호 및 온도 신호 등을 포함할 수 있다.
이하, 본 명세서에서 기준 데이터(110)는 배터리의 상태를 추정 및 트레이닝하기 위한 기준이 되는 상태 정보를 나타내는 데이터로서, 임의의 배터리가 주어진 배터리 정보에서 특정 상태 정보를 가지는 것을 지시하는 데이터로서, 실험 또는 시뮬레이션 등에 의해 획득될 수 있다. 예를 들어, 기준 데이터(110)는 트레이닝 입력 및 해당 트레이닝 입력에 대응하는 트레이닝 출력의 쌍(pair)들의 집합으로 구성될 수 있다. 트레이닝 입력은 임의의 배터리가 가질 수 있는 배터리 정보일 수 있고, 트레이닝 출력은 특정 배터리 정보에 대응하는 실제 수명 또는 미리 저장된 배터리 데이터로부터 추출된 배터리 수명일 수 있다. 예를 들어, 실제 수명은 EIS (Electrochemical Impedance Spectroscopy)기법 등에 의해 배터리로부터 직접적으로 측정된 배터리 수명을 나타낼 수 있다. EIS는 배터리에 소량의 전류를 인가하여 배터리의 내부 저항을 추정할 수 있다. 기준 데이터는 상태 정보와 배터리 정보 간의 상관 관계가 추출된 데이터를 나타낼 수 있다.
이하, 본 명세서에서 배터리의 상태 정보는 배터리의 상태를 나타내는 정보로서, 예를 들어 배터리의 예상 수명(SoH, State of Health), SoC(State of Charge), 및 잔여 주행거리 등을 포함할 수 있다. 다만, 본 명세서에서 배터리의 상태 정보는 배터리의 예상 수명을 예로 들어 설명하고 있으나, 이로 한정하는 것은 아니고 배터리의 다른 상태 정보에 대해서도 적용될 수 있다.
이하, 배터리 모델은 배터리의 상태 정보를 추정하기 위한 모델을 나타낼 수 있다. 일 실시예에 따르면, 배터리 모델은 특정 배터리 정보가 입력되면 그에 대응하는 상태 정보가 출력되도록 구성된 모델일 수 있다. 예를 들어, 배터리 모델은 배터리의 전압 신호, 전류 신호, 및 온도 신호 등으로부터 배터리의 수명이 출력되도록 구성될 수 있다. 배터리 모델은 기계학습(ML, machine learning) 모델일 수 있고, 기준 데이터(110)에 기초하여, 트레이닝 입력으로부터 트레이닝 출력이 산출되도록 트레이닝될 수 있다. 또한, 배터리 모델은 뉴럴 네트워크(Neural Network), 히든 마르코프 모델(Hidden Markov Model), 베이지안 네트워크(Beyesian Network), SVM (Support Vector Machine), 및 DT (Decision Tree), k-NN 등을 포함할 수 있다.
일 실시예에 따른 배터리 상태 추정 장치는 도 1에 도시된 바와 같이 복수의 배터리 모델을 이용하여 배터리의 상태 정보를 추정할 수 있다. 복수의 배터리 모델의 각각은 서로 추정 가능 범위(estimation range)가 다르게 트레이닝된 모델일 수 있다. 예를 들어, 제1 모델(121)은 출시 이후 출시 초기까지 수집된 기준 데이터(110)에 기초하여 트레이닝된 배터리 모델일 수 있고, 제2 모델(122)은 출시 이후 중간 시점까지 수집된 기준 데이터(110)에 기초하여 트레이닝된 배터리 모델일 수 있으며, 제3 모델(123)은 완전히 수집된 기준 데이터(110)에 기초하여 트레이닝된 배터리 모델일 수 있다. 복수의 배터리 모델의 각각은 서로 동일한 타입의 기계학습 구조를 가질 수 있고, 기계학습 구조의 파라미터가 서로 상이한 것일 수 있다. 예를 들어, 복수의 배터리 모델은 모두 뉴럴 네트워크로 구성될 수 있고, 레이어의 갯수 및 노드의 갯수 등이 동일할 수 있고, 복수의 배터리 모델의 각각에서 노드 사이를 연결하는 연결 가중치가 서로 상이할 수 있다.
상술한 기준 데이터(110)를 획득하기 위해서, 배터리 제조업체는 최초로 생산된 이후로 배터리를 열화시키는 실험에 기초하여 획득되는 실험 데이터에 기초하여 기준 데이터를 수집할 수 있다. 해당 배터리에 대한 실험 데이터 등을 수집하기 위해서는 일정 시간이 요구될 수 있다. 일 실시예에 따르면, 기준 데이터(110)를 완전히 획득할 때까지는 수년이 소요될 수 있는 바, 배터리 상태 추정 시스템은 배터리의 전체 수명 중 일부 수명 구간의 특성을 반영하는 로컬 모델들(120)을 해당 일부 수명 구간에 대응하는 시점까지 수집된 기준 데이터에 기초하여 생성할 수 있다.
예를 들어, 배터리 상태 추정 시스템의 서버는 제1 시점까지 수집된 기준 데이터(110)를 이용하여 초기 모델(예를 들어, 제1 모델(121)), 및 제2 시점까지 수집된 기준 데이터(110)를 이용하여 중간 모델(예를 들어, 제2 모델(122)), 제3 시점까지 수집된 기준 데이터(110)를 이용하여 말기 모델(예를 들어, 제3 모델(123)) 등을 생성할 수 있다. 배터리 추정 시스템의 배터리 상태 추정 장치는 서버로부터 상술한 배터리 모델들 중 적어도 일부를 수신할 수 있고, 수신된 배터리 모델을 배터리의 상태 정보를 추정하기 위해 사용할 수 있다.
배터리 상태 추정 시스템의 서버는 임의의 시점까지 수집된 기준 데이터(110)를 이용하여 배터리 모델을 트레이닝시킬 수 있고, 예를 들어 순차적으로 제1 모델(121), 제2 모델(122), 및 제3 모델(123)의 순서로 각 배터리 모델을 트레이닝시킬 수 있다. 다만, 도 1에서 배터리 모델을 3개로 도시하였으나, 개수를 이로 한정하는 것은 아니고, 배터리 모델은 N개(여기서, N은 1이상의 정수)일 수 있다. 서버는 기준 데이터(110)가 특정 주기로 수집될 때마다, 그때까지 수집된 기준 데이터(110)에 대응하는 배터리 모델을 생성할 수 있다. 다만, 이로 한정하는 것은 아니고, 외부(예를 들어, 배터리 상태 추정 장치)로부터 요청되는 때에 배터리 모델을 생성할 수도 있다.
제1 모델(121)은 신규 배터리의 출시 초기에 수집된 기준 데이터(110)를 이용하여 트레이닝된 배터리 모델로서, 초기 시점(예를 들어, 제1 시점)까지 수집된 기준 데이터(110)가 나타내는 상태 정보까지가 추정 가능 범위일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 제1 모델(121)은 배터리가 구동된 이후 초기 시점까지는 해당 배터리의 상태 정보를 추정하기에 적합할 수 있으나, 중간 시점(예를 들어, 제2 시점)에서는 제1 모델(121)에 의한 추정 가능 범위를 초과하였으므로 결과가 부정확할 수 있다. 따라서, 실제 배터리 상태(190)가 현재 선택된 배터리 모델의 추정 가능 범위를 벗어날 경우, 배터리 상태 추정 장치는 현재 선택된 배터리 모델로는 정확한 상태 정보를 추정할 수 없게 되므로, 서버로 배터리 모델의 업데이트를 요청할 수 있다.
일 실시예에 따르면, 서버는 기준 데이터(110)가 완전하게 수집될 때까지 상술한 바와 같이 순차적으로 중간 모델(예를 들어, 제2 모델(122))을 기준 데이터(110)에 기초하여 생성할 수 있다. 기준 데이터(110)가 완전하게 수집되는 경우, 서버는 해당 배터리의 전체적인 특성을 반영하는 글로벌 모델(130)을 생성할 수 있다. 로컬 모델(120)은 트레이닝에 소요되는 시간이 짧고 모델 복잡도가 낮은 대신 추정 가능 범위가 협소할 수 있고, 글로벌 모델(130)은 트레이닝에 소요되는 시간이 길고 모델 복잡도가 높은 대신 추정 가능 범위가 넓을 수 있다.
이하에서는, 기준 데이터(110)의 수집 정도에 따라 생성되는 복수의 배터리 모델을, 배터리 상태 추정 장치가 서버로부터 적절하게 수신하여 업데이트하는 구성을 설명한다.
도 2는 일 실시예에 따른 배터리 상태 추정 시스템의 개괄적인 구성을 도시한다.
배터리 상태 추정 시스템(200)은, 서버(210) 단에서의 동작과 배터리 상태 추정 장치(220) 단에서의 동작이 구분될 수 있다.
서버(210)는 기준 데이터(211)에 기초하여 배터리 모델을 생성(212)할 수 있다. 서버(210)는 배터리에 대한 실험 및 시뮬레이션 등으로부터 획득될 수 있는 기준 데이터(211)를 수신하거나 입력받을 수 있다. 또한, 서버(210)는 강력한 처리 능력을 가질 수 있고, 기준 데이터(211)로부터 배터리 모델을 빠른 처리 속도로 생성할 수 있다.
배터리 상태 추정 장치(220)는 배터리 모델에 기초하여 배터리 정보(221)로부터 배터리의 상태 정보를 추정(222)할 수 있다. 배터리 상태 추정 장치(220)는 추정된 상태 정보에 기초하여 현재 배터리 모델의 유효성을 판단(223)할 수 있다.
도 2에 도시된 바와 같이, 연산 시간, 전력 등이 많이 소요되는 배터리 모델의 생성을 서버(210)가 수행함으로써, 배터리 상태 추정 장치(220)는 트레이닝이 완료된 배터리 모델을 서버(210)로부터 단순히 수신하여 활용할 수 있다. 따라서, 상대적으로 배터리 상태 추정 장치(220)에 요구되는 성능이 크지 않으므로, 배터리 상태 추정 장치(220)의 생산에 소요되는 비용이 절감될 수 있다.
도 3은 일 실시예에 따른 배터리 상태 추정 장치의 개괄적인 구성을 도시한 도면이다.
배터리 상태 추정 장치(300)는 통신부(310), 프로세서(320), 및 메모리(330)를 포함한다.
통신부(310)는 서버와 통신할 수 있다. 예를 들어, 통신부(310)는 서버와 유선 또는 무선으로 통신할 수 있고, 서버로 업데이트 요청을 송신하거나, 서버로부터 해당 업데이트 요청에 대응하는 파라미터를 수신할 수 있다. 또한, 통신부(310)는 다양한 무선 모바일 네트워크(wireless mobile network)(예를 들어, 3G, 4G, Wi-Fi 등)을 이용하거나, 유선 연결을 통해 서버와 통신할 수 있다. 유선 연결은 데이터 통신 뿐 아니라, 충전기를 통해 전력도 같이 공급하도록 구성될 수 있다. 파라미터는 해당 파라미터가 배터리 모델에 적용될 경우의 추정 가능 범위에 대한 정보를 포함하거나, 추정 가능 범위가 파라미터에 매핑될 수도 있다.. 통신부(310)는 추정 가능 범위를 파라미터와 함께 네트워크 프로토콜을 통해 서버로부터 수신할 수 있다. 추정 가능 범위는 추정 가능한 상태 정보의 최소 정도에 대한 임계 및 상태 정보의 최대 정도에 대한 임계 등을 포함할 수 있다.
이하, 본 명세서에서 파라미터는 배터리 모델에 적용되는 정보로서, 기준 데이터에 기초하여 트레이닝 입력으로부터 트레이닝 출력이 산출되도록 배터리 모델을 구성하는 정보를 나타낼 수 있다. 예를 들어, 배터리 모델이 뉴럴 네트워크인 경우, 파라미터는 뉴럴 네트워크의 각 노드를 연결하는 연결 가중치를 나타낼 수 있다. 배터리 상태 추정 장치(300)는 필요에 따라 배터리 모델의 파라미터를 업데이트할 수 있다.
업데이트 요청은, 배터리 모델을 업데이트하기 위한 파라미터를 서버에 대하여 요청하는 신호를 나타낼 수 있다. 예를 들어, 업데이트 요청은 현재 배터리 모델에 적용되어 있는 파라미터의 추정 가능 범위의 적어도 일부와 중첩되는 범위를 가지는 파라미터를 요청하는 신호를 나타낼 수 있다.
본 명세서에서, 추정 가능 범위는, 배터리 모델에 대해 트레이닝된 파라미터를 이용하여 프로세서(320)가 추정할 수 있는 상태 정보의 범위를 나타낼 수 있다. 상태 정보가 SOH인 경우를 예를 들면, 새로 제조된 배터리의 SOH는 100%로 나타낼 수 있고, 기준 데이터는 SOH가 100%로부터 90%까지에 대해서만 수집된 시점에서 배터리가 출시될 수 있다. 상술한 기준 데이터에 기초하여 트레이닝된 배터리 모델 및 파라미터는 SOH가 100%(예를 들어, 최대 정도)부터 90%(예를 들어, 최소 정도)까지인 범위를 추정 가능 범위로 가질 수 있고, 그 미만의 범위 또는 그 이상의 범위에 대해서는 정확성이 보장되지 않을 수 있다. 이후, 기준 데이터가 보다 많이 수집(예를 들어, 90%부터 80%까지의 범위까지 추가 수집)된 경우, 신규 수집된 기준 데이터에 기초하여 생성된 배터리 모델 및 파라미터는 예를 들어, 100% 부터 80%까지의 SOH를 추정 가능 범위로 가질 수 있다. 또는 신규 생성된 배터리 모델은 91%부터 80%까지의 SOH를 추정 가능 범위로 가지도록 구성될 수도 있다.
프로세서(320)는 배터리의 상태 정보를 추정하기 위한 동작들을 실행할 수 있다. 예를 들어 프로세서(320)는, 배터리 정보로부터 추정된 배터리의 상태 정보에 기초하여 배터리 모델의 유효성을 판단하고, 배터리 모델이 유효하지 않은 것으로 판단된 경우에 응답하여, 서버로 배터리 모델에 대한 업데이트 요청을 통신부(310)를 이용하여 송신하며, 서버로부터 수신된, 업데이트 요청에 대응하는 파라미터에 기초하여 배터리 모델을 업데이트할 수 있다.
메모리(330)는 배터리 모델을 저장할 수 있다. 메모리(330)는 적어도 하나의 배터리 모델을 저장할 수 있고, 예를 들어, 추정 가능 범위가 서로 상이한 배터리 모델들을 각각 저장하여 관리할 수 있다. 추정 가능 범위가 서로 상이한 배터리 모델은 서로 다른 버전(version)의 파라미터를 가질 수 있다. 이하, 본 명세서에서 버전은, 복수의 다른 시점들마다 서버에서 수집되었던 기준 데이터를 기초로 생성된 파라미터를 구분하기 위한 정보일 수 있다. 일 실시예에 따르면, 메모리(330)는 배터리 모델을 타입 별로 관리할 수 있고, 개별 타입의 배터리 모델에 대하여 서로 상이한 추정 가능 범위를 가지는 다양한 파라미터를 매핑하여 저장할 수 있다. 배터리 모델의 타입은 기계 학습 구조를 나타낼 수 있다.
일 실시예에 따른 배터리 상태 추정 장치(300)는 다수의 배터리로 구성된 배터리 팩을 제어하는 배터리 관리 시스템(BMS, Battery Manage System)에 적용될 수 있다. 배터리가 장착되는 장치는, 예를 들어, 전기 자동차, 플러그인 하이브리드 카(PHEV, Plug in Hybrid Electrical Vehicle), 하이브리드 카(HEV, Hybrid Electrical Vehicle)을 포함할 수 있다.
일 실시예에 따른 배터리 상태 추정 시스템은 초기 기준 데이터의 데이터 량이 부족한 상태에서 배터리가 출시되더라도, 지속적으로 배터리 모델의 파라미터를 업데이트함으로써 배터리 상태의 추정 정확도를 유지할 수 있다. 따라서, 배터리 상태 추정 시스템은 상용화에 소요되는 시간을 단축시킬 수 있다.
배터리 상태 추정 장치(300)는 원격으로 연결되는 서버로부터 최신의 파라미터를 획득할 수 있고, 서버는 출시 시점에 부족했던 기준 데이터를 출시 이후에 지속적으로 확보함으로써 열화된 배터리에 대한 최신 파라미터를 트레이닝에 기초하여 생성할 수 있다. 임의의 시점까지 수집된 기준 데이터에 기초하여 트레이닝된 배터리 모델의 파라미터가 지원할 수 있는 추정 가능 범위는, 해당 기준 데이터의 데이터 량에 기초하여 결정될 수 있다. 배터리 상태 추정 장치(300)는 배터리가 열화된 정도가 현재 선택된 배터리 모델의 추정 가능 범위를 벗어나는 것으로 판단하면, 서버로 배터리 추정을 위한 최신의 파라미터를 온더플라이(on-the-fly)로 요청할 수 있다.
일 실시예에 따르면 배터리 상태 추정 장치(300)는 서버로 연결되지 않는 경우, 기존 파라미터를 사용하지 못하므로, 서버로 연결될 때까지 배터리의 상태 정보를 추정하는 동작을 임시적으로 중단할 수 있다. 아울러, 배터리 상태 추정 장치(300)는 현재 선택된 배터리 모델 및 파라미터에 관한 정보를 사용자에게 시각적 또는 청각적 사용자 인터페이스(UI, user interface)를 통해 제공할 수 있다.
일 실시예에 따른 배터리 상태 추정 장치(300)는 출시 이후 최단 시간에 배터리의 상태 정보를 추정하기 위한 배터리 모델을 생성할 수 있다. 또한, 시간이 경과할 수록, 배터리 상태 추정 장치(300)는 서버로부터 보다 높은 정확도를 가지는 파라미터를 지속적으로 수신할 수 있다. 아울러, 전기 자동차의 주행 이력 데이터도 기준 데이터로 이용함으로써, 배터리 추정의 정확도가 개선될 수 있다.
도 4는 일 실시예에 따른 배터리 상태 추정 시스템의 세부적인 구성을 도시한 블록도이다.
배터리 상태 추정 시스템(400)은 배터리 팩(401), 배터리 상태 추정 장치(410), 및 서버(420)를 포함한다.
배터리 팩(401)은 복수의 배터리를 포함할 수 있다. 복수의 배터리의 적어도 일부는 병렬 또는 직렬로 연결될 수 있다. 예를 들어, 도 4에 도시된 바와 같이, 복수의 배터리의 적어도 일부는 서로 병렬로 연결되어 배터리 모듈을 형성할 수 있고, 배터리 모듈은 서로 간에 직렬로 연결될 수 있다. 도 4에서는 병렬로 5개의 배터리가 연결되고, 직렬로 3개의 배터리가 연결되는 것으로 도시되었으나, 배터리 팩(401)의 구성을 이로 한정하는 것은 아니고 설계에 따라 변경될 수 있다.
예를 들어, 배터리 팩(401)은 배터리 센서(402)를 포함할 수 있다. 다른 예를 들어, 배터리 센서(402)는 배터리 팩(401)에 부착되거나 연결될 수 있다. 배터리 센서(402)는 배터리 팩(401)의 전압 신호, 전류 신호, 및 온도 신호 등을 측정하여 배터리 정보를 생성할 수 있다. 배터리 센서(402)는 생성된 배터리 정보를 배터리 상태 추정 장치(410)로 전달할 수 있다. 이하, 본 명세서에서 배터리는 배터리 팩(401)을 나타낼 수 있다.
배터리 상태 추정 장치(410)는 배터리 센서(402)로부터 수신된 배터리 정보로부터 배터리의 상태 정보를 추정할 수 있는 장치로서, 데이터 수신부(411), 전처리기(412), 프로세서(413), 메모리(414), 및 통신부(415)를 포함할 수 있다.
데이터 수신부(411)는 배터리 정보를 수신할 수 있다. 예를 들어, 데이터 수신부(411)는 데이터 인터페이스를 통해, 배터리 센서(402)에 의해 측정된 배터리 정보를 배터리로부터 수신할 수 있다.
전처리기(412)는 수신된 배터리 정보를 전처리할 수 있다. 예를 들어, 전처리기(412)는 배터리 정보를 증폭하거나, 노이즈를 제거하는 등, 상태 정보를 추정하기에 적합한 형태로 배터리 정보를 변경할 수 있다.
프로세서(413)는 배터리 모델에 기초하여, 배터리 정보로부터 배터리의 상태 정보를 추정할 수 있다. 또한, 프로세서(413)는 지속적으로 배터리의 상태 정보를 모니터링함으로써, 신규 파라미터가 필요한지 여부를 결정할 수 있다. 여기서, 프로세서(413)는 배터리의 상태 정보를 주기적으로 또는 비주기적으로 추정할 수 있다. 프로세서(413)는 신규 파라미터가 필요한 상태로 판단된 경우에 응답하여, 외부의 서버(420)로 신규 파라미터를 통신부(415)를 통해 요청하고 수신할 수 있다. 더 나아가, 프로세서(413)는 신규 파라미터를 메모리(414)에 저장하고, 배터리 모델을 신규 파라미터를 이용해 업데이트할 수 있다. 프로세서(413)의 세부적인 동작은 하기에서 상세히 설명한다.
메모리(414)는 배터리 모델을 저장할 수 있다. 일 실시예에 따르면, 메모리(414)는 배터리 모델의 구조(예를 들어, 기계 학습 구조)에 적용될 수 있는 파라미터도 저장할 수 있다. 예를 들어, 메모리(414)는 하나의 배터리 모델의 기계 학습 구조에 대하여, 버전 별로 상이한 파라미터들을 저장하여 관리할 수 있다.
통신부(415)는 업데이트 요청을 서버(420)로 송신할 수 있고, 서버(420)로부터 업데이트 요청에 대응하는 파라미터를 수신할 수 있다. 또한, 통신부(415)는 서버(420)로부터 파라미터를 주기적으로 수신하거나, 푸시 방식으로 수신할 수도 있다.
서버(420)는 통신부(421), 제어부(422), 및 메모리(424)를 포함할 수 있다.
통신부(421)는 배터리 상태 추정 장치(410)로부터 업데이트 요청을 수신할 수 있다. 통신부(421)는 업데이트 요청에 대응하는 파라미터를 배터리 상태 추정 장치(410)로 송신할 수 있다. 또한, 통신부(421)는 외부로부터 기준 데이터를 수신할 수도 있다.
제어부(422)는 업데이트 요청에 대응하는 파라미터를 배터리 상태 추정 장치(410)로 송신하도록 상술한 통신부(421)를 제어할 수 있다. 제어부(422)는 수신된 업데이트 요청에 대응하는 파라미터를 메모리(424)로부터 검색할 수 있다. 제어부(422)는 메모리(424)에 기 저장된 파라미터가 검색되는 경우에 응답하여, 검색된 파라미터를 통신부(421)를 통해 배터리 상태 추정 장치(410)로 송신할 수 있다.
또한, 제어부(422)는 기준 데이터에 기초하여, 배터리 모델을 생성할 수 있다. 예를 들어, 제어부(422)는 배터리 모델에 대해 특정 시점까지 수집된 기준 데이터를 트레이닝시킴으로써, 해당 배터리 모델에 대한 파라미터를 생성할 수 있다. 제어부(422)는 배터리 모델 및 해당 배터리 모델에 대해 트레이닝된 파라미터 중 적어도 하나를 메모리(424)에 저장할 수 있다. 제어부(422)는 신규 기준 데이터가 수신된 경우에 응답하여 해당 신규 기준 데이터가 트레이닝된 배터리 모델 및 파라미터를 생성할 수 있다. 다만, 이로 한정하는 것은 아니고, 제어부(422)는 기준 데이터가 미리 정한 데이터 량(data amount)만큼 수집될 때까지 기다리고, 수집된 기준 데이터가 미리 정한 데이터 임계 량을 초과하는 경우에 응답하여 배터리 모델 및 파라미터를 트레이닝시킬 수도 있다. 더 나아가, 제어부(422)는 미리 정한 주기마다 배터리 모델 및 파라미터를 기준 데이터에 기초하여 트레이닝시킬 수도 있다.
또한, 제어부(422)는 기준 데이터가 수집된 시점에 기초하여 배터리 모델 및 파라미터의 버전을 결정할 수 있고, 버전 별로 배터리 모델 및 파라미터를 관리할 수 있다. 예를 들어, a1 시점까지 수집된 기준 데이터에 기초하여 트레이닝된 배터리 모델 및 파라미터는 A1 버전, a2 시점까지 수집된 기준 데이터에 기초하여 트레이닝된 배터리 모델 및 파라미터는 A2 버전으로 관리될 수 있다. a1, a2는 각각 서로 다른 임의의 시점을 나타낼 수 있고, A1, A2는 각각 서로 다른 버전을 지시하는 정보를 나타낼 수 있다.
메모리(424)는 배터리 모델을 저장할 수 있다. 예를 들어, 메모리(424)는 배터리 모델 및 그에 대응하는 파라미터를 저장할 수 있다.
도 5는 일 실시예에 따른 배터리 상태 추정 과정의 예시를 도시한 도면이다.
우선, 프로세서(511)는 실시간으로 배터리 팩(501)으로부터 수신되는 배터리 정보를 수신할 수 있다. 프로세서(511)는 배터리 모델을 이용하여, 배터리 정보로부터 배터리의 상태 정보를 추정(591)할 수 있다. 프로세서(511)는 추정된 상태 정보가, 배터리 모델의 추정 가능 범위를 초과하는지 여부를 판단할 수 있다. 프로세서(511)는 추정된 상태 정보가 추정 가능 범위 내인 경우에 응답하여, 배터리 모델이 유효한 것으로 판단할 수 있다. 배터리 모델이 유효한 것으로 판단되는 동안, 프로세서(511)는 실시간으로 또는 주기적으로 배터리의 상태 정보를 추정(591)하는 동작을 반복할 수 있다.
여기서, 메모리(512)가 배터리 모델을 저장할 수 있고, 배터리 모델에 대한 메타 데이터(518)도 같이 저장할 수 있다. 메타 데이터(518)는 배터리 모델 및 해당 배터리 모델이 현재 트레이닝된 정도를 지시하는 버전 정보, 현재 선택된 배터리 모델 및 파라미터의 추정 가능 범위, 현재 선택된 배터리 모델에 대한 최신 파라미터를 가지고 있는 서버(520)의 인터넷 주소(예를 들어, URL 등) 등을 포함할 수 있다.
프로세서(511)는 추정된 상태 정보가 추정 가능 범위를 초과하는 경우에 응답하여, 배터리 모델이 유효하지 않은 것으로 판단할 수 있다. 도 5에 도시된 배터리 수명 그래프(519)와 같이, 현재 선택된 배터리 모델 및 파라미터의 추정 가능 범위는 배터리의 최대 용량(maximum capacity)이 3.0Ah로부터 3.3Ah인 범위일 수 있다. 추정 가능 범위에 대응하는 구간은 현재 선택된 배터리 모델 및 파라미터에 기초한 상태 추정이 유효한 구간을 나타낼 수 있다. 여기서, 구간은 배터리의 충방전 사이클 단위로 나타낼 수 있고, 하나의 충방전 사이클은 배터리를 완전 충전 후 완전 방전한 하나의 사이클을 나타낼 수 있다. 프로세서(511)에 의해 추정된 상태 정보가 추정 가능 범위를 초과하는 경우, 현재 선택된 배터리 모델 및 파라미터에 기초한 상태 추정은 이후의 사이클에서 유효하지 않을 수 있다.
프로세서(511)는 메모리(512)에서 현재 선택된 배터리 모델 및 파라미터가 유효하지 않은 것으로 판단된 경우에 응답하여, 서버(520)로 업데이트 요청을 송신(592)할 수 있다. 서버(520)는 업데이트 요청의 수신에 응답하여, 업데이트 요청이 수신된 시점까지 수집된 기준 데이터에 기초하여 트레이닝된 파라미터를 배터리 상태 추정 장치(510)로 송신할 수 있다. 배터리 상태 추정 장치(510)는 업데이트된 파라미터에 의해 변경되거나 확장된 추정 가능 범위 내에서 배터리의 상태 정보를 유효하게 추정할 수 있다.
다만, 이로 한정하는 것은 아니고, 프로세서(511)는 메모리(512)에서 현재 선택된 배터리 모델 및 파라미터가 유효하지 않은 것으로 판단된 경우에 응답하여, 업데이트 요청에 대응하는 배터리 모델 파라미터를 메모리(512)에서 검색할 수 있다. 업데이트 요청에 대응하는 배터리 모델 및 파라미터가 메모리(512)에서 검색되는 경우, 프로세서(511)는 검색된 배터리 모델 및 파라미터를 선택할 수 있고, 선택된 배터리 모델에 파라미터를 적용하여 상태 추정을 수행할 수 있다. 검색되지 않는 경우, 프로세서(5110는 서버(520)로 업데이트 요청을 송신(592)할 수 있다.
도 6 및 도 7은 일 실시예에 따른 배터리 상태 추정 방법을 도시한 흐름도이다.
우선, 단계(610)에서 배터리 상태 추정 장치의 프로세서는 배터리 정보로부터 추정된 배터리의 상태 정보 에 기초하여 배터리 모델의 유효성을 판단할 수 있다. 일 실시예에 따르면, 프로세서는 단계(711)에서 배터리의 상태 정보를 추정할 수 있다. 프로세서는 단계(712)에서 추정된 상태 정보가 추정 가능 범위를 초과하는 지 여부를 결정할 수 있다. 추정된 상태 정보가 추정 가능 범위를 초과하지 않는 경우에 응답하여, 프로세서는 단계(711)의 상태 추정 동작을 수행할 수 있다. 예를 들어, 프로세서는 배터리의 상태 정보가 유효한 것으로 판단된 경우에 응답하여, 배터리 모델에 현재 적용된 파라미터 및 배터리 모델에 기초하여 배터리 정보로부터 배터리의 상태 정보를 계속해서 추정할 수 있다.
또한, 프로세서는 추정된 상태 정보가, 배터리 모델의 추정 가능 범위를 초과하는 경우에 응답하여, 배터리 모델에 적용된 파라미터가 유효하지 않은 것으로 판단할 수 있다. 예를 들어, 프로세서는 배터리 모델에 의해 추정 가능한 것으로 설정된 상태 정보의 최소 레벨(minimum level)보다 추정된 상태 정보가 작은 경우에 응답하여, 추정된 상태 정보가 추정 가능 범위를 초과하는 것으로 판단할 수 있다.
그리고 단계(620)에서 프로세서는 배터리 모델이 유효하지 않은 것으로 판단된 경우에 응답하여, 서버로 배터리 모델에 대한 업데이트 요청을 통신부를 이용하여 송신할 수 있다. 일 실시예에 따르면, 프로세서는 배터리 모델에 적용되어 있는 파라미터의 추정 가능 범위의 적어도 일부와 중첩되는 범위를 가지는 파라미터를 요청하는 신호를 서버로 송신할 수 있다. 프로세서는 추정된 상태 정보가, 배터리 모델에 적용된 파라미터의 추정 가능 범위의 최소 레벨 이하인 경우에 응답하여, 최소 레벨 이하에 대해서도 추정 가능하도록 트레이닝된 파라미터를 요청하는 신호를 서버로 송신할 수 있다.
이어서 단계(630)에서 프로세서는 서버로부터 수신된, 업데이트 요청에 대응하는 파라미터에 기초하여 배터리 모델을 업데이트할 수 있다. 일 실시예에 따르면, 프로세서는 단계(731)에서 통신부를 통해 업데이트 요청에 대응하는 파라미터를 수신할 수 있다. 예를 들어, 프로세서는, 업데이트 요청이 수신된 시점에서 수집된 기준 데이터(reference data)로 추정 가능한 최소 레벨까지 트레이닝된, 파라미터를 서버로부터 통신부를 통해 수신할 수 있다. 또한, 프로세서는 단계(732)에서 수신된 파라미터에 기초하여 배터리 모델을 업데이트할 수 있다. 예를 들어, 프로세서는, 배터리 모델이 복수의 노드로 구성되는 뉴럴 네트워크인 경우, 노드 간을 연결하는 연결 가중치를 수신한 파라미터에 기초하여 업데이트할 수 있다. 프로세서는 연결 가중치를 수신한 파라미터로 대체할 수 있다.
그리고 단계(740)에서 프로세서는 업데이트된 배터리 모델에 기초하여, 배터리의 상태 정보를 추정할 수 있다. 예를 들어, 프로세서는 업데이트된 배터리 모델에 기초하여 추정된 상태 정보가 단계(712)에서 추정 가능 범위를 초과하기 전까지, 업데이트된 배터리 모델을 이용하여 배터리의 상태 정보를 추정할 수 있다.
도 8은 일 실시예에 따른 배터리 상태 추정의 예시적인 동작을 도시한다.
도 8에서는 배터리 상태 추정 장치가 전기 자동차(EV, electrical vehicle)에 탑재된 경우를 예로 들어 설명한다. 다만, 이로 한정하는 것은 아니고, 일 실시예에 따른 배터리 상태 추정 장치는 배터리를 전력원으로 이용하는 모든 전자 장치에 적용될 수 있다. 제1 시점의 배터리 상태 추정 장치(811), 제2 시점의 배터리 상태 추정 장치(812), 및 제3 시점의 배터리 상태 추정 장치(813)는 동일한 배터리 상태 추정 장치를 나타낼 수 있는데, 제3 시점의 배터리 상태 추정 장치(813)는 제1 시점 및 제2 시점과 달리 업데이트된 파라미터를 가질 수 있다. 제1 시점 및 제2 시점의 배터리 상태 추정 장치(811, 812)는 동일한 파라미터를 가질 수 있다.
우선, 제1 시점의 배터리 상태 추정 장치(811)는 서버(820)로부터 초기 배터리 모델을 수신(801)할 수 있다. 일 실시예에 따르면, 제1 시점의 배터리 상태 추정 장치(811)의 배터리 모델에 적용된 파라미터는 제1 추정 가능 범위 내에서만 상태 정보 추정의 정확성을 보장할 수 있다. 도 8은 예를 들어, 제1 추정 가능 범위로서, SOH가 100%로부터 90%까지의 범위인 경우를 나타낼 수 있다. 제1 시점의 배터리 상태 추정 장치(811)는 제1 시점에서 배터리의 상태 정보를 추정(802)할 수 있다. 추정된 상태 정보(예를 들어, SOH가 98%)가 제1 추정 가능 범위의 최소 레벨(예를 들어, 90%)보다 크고, 최대 레벨(도시되진 않았으나, 100% 가정)보다 작은 경우에 응답하여, 배터리 상태 추정 장치(811)는 현재 선택된 배터리 모델 및 파라미터를 이용하여 배터리의 상태 정보를 추정할 수 있다.
제2 시점의 배터리 상태 추정 장치(812)도 제1 추정 가능 범위를 가지는 배터리 모델 및 파라미터를 이용하여, 배터리 정보로부터 배터리의 상태 정보를 계속해서 추정(803)할 수 있다. 제2 시점에서 추정된 상태 정보(예를 들어, SOH가 90%)는 제1 추정 가능 범위의 최소 레벨(예를 들어, 90%)인 경우를 가정할 수 있다. 제2 시점의 배터리 상태 추정 장치(812)는 배터리가 열화된 정도가 현재 선택된 배터리 모델 및 파라미터에 의한 제1 추정 가능 범위의 한계(limit)에 도달한 것으로 판단할 수 있다. 제2 시점의 배터리 상태 추정 장치(812)는 제1 추정 가능 범위의 최소 레벨 이하에 대해서도 추정 가능한 범위를 가지는 파라미터를 요청하는 신호(예를 들어, 업데이트 요청)를 서버(820)로 송신(804)할 수 있다.
서버(820)는 제2 시점의 배터리 상태 추정 장치(812)로 업데이트 요청에 대한 파라미터를 송신(805)할 수 있다. 제2 시점의 배터리 상태 추정 장치(812)는 수신된 파라미터에 기초하여 배터리 모델을 업데이트할 수 있다. 수신된 파라미터는 제2 추정 가능 범위를 가질 수 있다. 제2 추정 가능 범위는 제1 추정 가능 범위의 최소 레벨보다 낮은 상태 정보 레벨에 대해서도 추정 가능한 범위로서, 예를 들어, 제2 추정 가능 범위의 최대 레벨은 100%, 최소 레벨은 80%일 수 있다. 다만, 이로 한정하는 것은 아니고, 제2 추정 가능 범위는 제1 추정 가능 범위의 일부와 중첩되는 범위를 가질 수 있으며, 예를 들어, 제2 추정 가능 범위의 최대 레벨은 91%, 최소 레벨은 80%와 같이 설정될 수도 있다. 제2 추정 가능 범위의 최소 레벨은 제2 시점까지 수집된 기준 데이터에 기초하여 트레이닝된 배터리 모델 및 파라미터에 의해 추정될 수 있는 최소 레벨을 나타낼 수 있다.
제3 시점의 배터리 상태 추정 장치(813)는 제2 추정 가능 범위를 가지는 배터리 모델 및 파라미터를 이용하여 배터리의 상태 정보를 계속 추정(806)할 수 있다. 도 8에 도시된 바와 같이, 제3 시점에서 추정된 상태 정보(예를 들어, SOH가 80%)가 제2 추정 가능 범위의 최소 레벨(예를 들어, 80%)인 경우, 제3 시점의 배터리 상태 추정 장치(813)는 배터리가 열화된 정도가 제2 추정 가능 범위의 한계에 도달한 것으로 판단할 수 있다. 제3 시점의 배터리 상태 추정 장치(813)는 제2 추정 가능 범위의 최소 레벨 이하에 대해서도 추정 가능한 범위를 가지는 파라미터를 요청하는 신호를 서버(820)로 송신(807)할 수 있다. 서버(820)는 해당 업데이트 요청에 응답하여, 제2 추정 가능 범위의 적어도 일부와 중첩되는 범위의, 제3 추정 가능 범위를 가지는 파라미터를 송신(808)할 수 있다.
일 실시예에 따르면 서버(820)는 다양한 배터리 모델 및 각 배터리 모델에 대응하는 다양한 파라미터를 저장할 수 있다. 서버(820)는 배터리 상태 추정 장치로부터 수신되는 업데이트 요청에 해당하는 파라미터를 전달할 수 있다. 배터리 상태 추정 장치에 의해 수신된, 파라미터는 상태 정보의 일부 범위에서만 사용 가능한 것이거나, 모든 범위에서 사용 가능한 것일 수 있다. 예를 들어, 신규 배터리가 출시된 초창기에는, 서버(820)가 초기 범위(예를 들어, 상술한 제1 추정 가능 범위)에서만 사용 가능한 파라미터만 저장할 수 있다. 출시 이후 시간이 충분히 경과한 뒤에는 열화된 배터리에 대한 기준 데이터가 충분히 수집될 수 있고, 서버(820) 및 배터리 상태 추정 장치는 수집된 기준 데이터에 기초하여 하나의 단일 배터리 모델 및 단일 파라미터를 생성하여 유지할 수도 있다.
도 9은 일 실시예에 따른 배터리 모델에 적용되는 파라미터의 예시를 도시한 도면이다.
배터리 열화에 따른 배터리의 용량 변화 및 내부 저항 값 변화는 비선형(Non linear) 특성을 나타낼 수 있다. 예를 들어, 새로 개발된 배터리는, 양극, 음극 및 전해질 등을 구성하는 물질의 성분 비율 등에 따라 상태 정보가 예상하지 못한 형태를 나타낼 수 있다. 이 경우, 실험실 내에서 배터리의 수명 실험을 제품 출시 이전에 완료하려면 많은 시간이 소요될 수 있다.
일 실시예에 따른 서버는 제품 출시 초기에는 프레쉬 배터리의 기준 데이터만으로 배터리 모델 및 해당 배터리 모델에 적용되는 제1 파라미터(921, 931)를 트레이닝시킬 수 있다. 제1 파라미터(921, 931)는 초기(911)의 상태 정보 범위(예를 들어, 임의의 배터리 용량 및 내부저항 구간)에서는 높은 정확도를 보장할 수 있다. 다만, 배터리의 사용 시간이 누적되면서, 배터리의 열화 정도가 초기(911)를 벗어날수록, 초기 기준 데이터 기반하여 트레이닝된 파라미터에 기초하여 추정된 상태 정보는 실제 상태에 대해 큰 오차를 나타낼 수 있다.
일 실시예에 따른 서버는 배터리가 출시된 이후에도 지속적으로 연구소에서 실험을 실시하거나, 실제 전기 자동차의 주행에 따른 프로파일을 확보함으로써 기준 데이터를 추가적으로 수집할 수 있다. 서버는 추가적으로 수집된 기준 데이터에 기초하여, 초기(911)를 벗어나 중기(912)에서도 열화된 배터리의 상태 정보를 추정 할 수 있도록 배터리 모델을 트레이닝시켜서, 해당 배터리 모델에 대한 제2 파라미터(922, 932)를 생성할 수 있다. 더 나아가, 서버는 중기(912)를 벗어나, 후기(913)에서도 열화된 배터리의 상태 정보를 추정할 수 있도록 배터리 모델을 트레이닝시켜서 제3 파라미터(923, 933)를 생성할 수 있다. 서버는 생성된 파라미터들 중 적어도 하나를, 배터리 상태 추정 장치의 업데이트 요청에 응답하여 송신할 수 있다.
예를 들어, 서버는 제2 파라미터(922)에 의한 제2 추정 가능 범위가 제1 파라미터(921)에 의한 제1 추정 가능 범위를 모두 포함하고, 제3 파라미터(923)에 의한 제3 추정 가능 범위가 제2 파라미터(922)에 의한 제2 추정 가능 범위를 모두 포함하도록 배터리 모델을 순차적으로 트레이닝시킬 수 있다. 이 경우, 서버는 최근까지 트레이닝된 모든 범위에 대해 추정 가능한 배터리 모델 및 파라미터를 확보할 수 있다.
다른 예를 들어, 서버는 제2 파라미터(922)에 의한 제2 추정 가능 범위가 제1 파라미터(921)에 의한 제1 추정 가능 범위의 일부를 포함하고, 제3 파라미터(923)에 의한 제3 추정 가능 범위가 제2 파라미터(922)에 의한 제2 추정 가능 범위의 일부를 포함하도록 배터리 모델을 순차적으로 트레이닝시킬 수 있다. 이 경우, 서버는 배터리가 열화된 정도의 일정 범위 별로 최적의 상태 추정을 보장할 수 있는 로컬 배터리 모델 및 파라미터를 확보할 수 있다.
도 10은 일 실시예에 따른 배터리 모델 및 해당 배터리 모델에 적용되는 파라미터를 도시하는 도면이다.
일 실시예에 따르면, 배터리 모델은 뉴럴 네트워크(1000)를 포함할 수 있다. 뉴럴 네트워크(1000)는 복수의 레이어들을 포함할 수 있다. 예를 들어, 뉴럴 네트워크(1000)는 입력 레이어(input layer), 히든 레이어(hidden layer), 출력 레이어(output layer)을 포함할 수 있다. 입력 레이어는 트레이닝을 수행하기 위한 입력을 수신하여 히든 레이어에 전달할 수 있고, 출력 레이어는 히든 레이어의 노드들로부터 수신한 신호에 기초하여 뉴럴 네트워크(1000)의 출력을 생성할 수 있다. 히든 레이어는 입력 레이어와 출력 레이어 사이에 위치하고, 입력 레이어를 통해 전달된 기준 데이터의 트레이닝 입력을 예측하기 쉬운 값으로 변화시킬 수 있다. 입력 레이어와 히든 레이어에 포함된 노드들은 연결 가중치(1020)를 가지는 연결선을 통해 서로 연결되고, 히든 레이어와 출력 레이어에 포함된 노드들에서도 연결 가중치(1020)를 가지는 연결선을 통해 서로 연결될 수 있다. 입력 레이어, 히든 레이어 및 출력 레이어는 복수 개의 노드들(1010)을 포함할 수 있다. 아울러, 트레이닝이 완료된 파라미터가 적용된 배터리 모델의 입력 레이어는 배터리로부터 측정된 배터리 정보를 수신할 수 있고, 출력 레이어는 배터리 정보로부터 추정된 상태 정보를 출력할 수 있다.
도 10에 도시된 뉴럴 네트워크(1000)는 배터리 정보(I1 내지 In, 여기서 n은 1이상의 정수)를 입력 레이어를 통해 수신할 수 있다. 히든 레이어는 연결 가중치(1020)(wij, 여기서, i 및 j는 1이상의 정수)로 연결될 수 있다. 히든 레이어의 노드는 활성화 함수(activation function)(예를 들어, Sigmoid, tanh, softmax, 및 linear 등)으로서 비선형 함수(non-linear function) Fxy(여기서, x 및 y는 1이상의 정수)를 포함할 수 있다. 아울러, 도 10의 뉴럴 네트워크(1000)는 바이어스(Bias)도 포함할 수 있다. 출력 레이어(Fo)는 상태 정보를 출력할 수 있다.
일 실시예에 따른 서버는 추정 가능 범위에 따라 별도의 버전으로 분류된 파라미터들을, 임의의 구조의 배터리 모델에 대한 데이터베이스(1030)로서 관리할 수 있다. 예를 들어, 도 10에 도시된 바와 같이, 서버는 97%에서 100% 사이의 범위인 추정 가능 범위를 가지는 파라미터를 2.0 버전으로, 90%에서 98% 사이의 범위인 추정 가능 범위를 가지는 파라미터를 2.1 버전으로 저장할 수 있다. 배터리 상태 추정 장치는 현재 선택된 배터리 모델 및 파라미터에 기초하여 산출된 상태 정보에 따라, 서버에 저장된 복수의 파라미터 중 적어도 하나를 요청할 수 있다. 각각의 배터리 모델 및 파라미터는 추정 가능 범위 내에서 추정의 일정 정확도를 보장할 수 있다.
도 11은 일 실시예에 따른 배터리 모델의 초기 모델에서의 추정과 완전 모델에서의 추정을 비교한 도면이다.
초기 모델은 출시 초기까지 수집된 기준 데이터에 기초하여 트레이닝된 배터리 모델을 나타낼 수 있다. 초기 모델에 적용된 파라미터는 초기 추정 가능 범위(1150)를 가질 수 있다. 초기 모델은 배터리의 상태 정보가 초기 추정 가능 범위(1150) 내에서는 높은 정확도를 나타낼 수 있지만, 초기 추정 가능 범위(1150)를 초과하는 경우에는 배터리의 사이클이 증가하여 열화될 수록 오차(1121)가 증가할 수 있다. 오차(1121)는 배터리의 실제 상태 정보(1110)(예를 들어, 실제 수명) 및 초기 모델에 기초하여 추정된 상태 정보(1120)(예를 들어, 추정된 수명) 간의 차이를 나타낼 수 있다.
출시 이후 충분한 시간이 경과한 경우, 서버는 완전히 수집된 기준 데이터에 기초하여 트레이닝된 배터리 모델인 완전 모델을 생성할 수 있다. 완전 모델에 적용된 파라미터는 모든 추정 가능 범위(full estimation range)에서 높은 정확도를 나타낼 수 있다. 따라서, 도 11에 도시된 바와 같이, 완전 모델에 기초하여 추정된 상태 정보(1130)는 실제 상태 정보(1110)와 오차가 크지 않을 수 있다.
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 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. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 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 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다.　 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.
300: 배터리 상태 추정 장치
310: 통신부
320: 프로세서
330: 메모리

Claims (16)

  1. 배터리 상태 추정 방법에 있어서,
    배터리 정보로부터 추정된 배터리의 상태 정보에 기초하여 배터리 모델의 유효성을 판단하는 단계;
    상기 배터리 모델이 유효하지 않은 것으로 판단된 경우에 응답하여, 서버로 상기 배터리 모델에 대한 업데이트 요청을 송신하는 단계; 및
    상기 서버로부터 수신된, 업데이트 요청에 대응하는 파라미터에 기초하여 상기 배터리 모델을 업데이트하는 단계
    를 포함하는 배터리 상태 추정 방법.
  2. 제1항에 있어서,
    상기 업데이트된 배터리 모델에 기초하여, 배터리의 상태 정보를 추정하는 단계
    를 더 포함하는 배터리 상태 추정 방법.
  3. 제1항에 있어서,
    상기 배터리 정보로부터 추정된 배터리의 상태 정보에 기초하여 배터리 모델의 유효성을 판단하는 단계는,
    상기 배터리 모델을 이용하여, 배터리 정보로부터 배터리의 상태 정보를 추정하는 단계;
    상기 추정된 상태 정보가, 상기 배터리 모델의 추정 가능 범위를 초과하는지 여부를 판단하는 단계;
    상기 추정된 상태 정보가 추정 가능 범위 내인 경우에 응답하여, 상기 배터리 모델이 유효한 것으로 판단하는 단계; 및
    상기 추정된 상태 정보가 추정 가능 범위를 초과하는 경우에 응답하여, 상기 배터리 모델이 유효하지 않은 것으로 판단하는 단계
    를 포함하는 배터리 상태 추정 방법.
  4. 제3항에 있어서,
    상기 추정된 상태 정보가 추정 가능 범위를 초과하는지 여부를 판단하는 단계는,
    상기 배터리 모델에 의해 추정 가능한 것으로 설정된 상태 정보의 최소 레벨(minimum level)보다 상기 추정된 상태 정보가 작은 경우에 응답하여, 상기 추정된 상태 정보가 추정 가능 범위를 초과하는 것으로 판단하는 단계
    를 포함하는 배터리 상태 추정 방법.
  5. 제1항에 있어서,
    상기 배터리 모델이 유효하지 않은 것으로 판단된 경우에 응답하여, 서버로 상기 배터리 모델의 업데이트 요청을 송신하는 단계는,
    상기 배터리 모델에 적용되어 있는 파라미터의 추정 가능 범위의 적어도 일부와 중첩되는 범위를 가지는 파라미터를 요청하는 신호를 상기 서버로 송신하는 단계
    를 포함하는 배터리 상태 추정 방법.
  6. 제1항에 있어서,
    상기 배터리 정보로부터 추정된 배터리의 상태 정보에 기초하여 배터리 모델의 유효성을 판단하는 단계는,
    상기 추정된 상태 정보가, 상기 배터리 모델의 추정 가능 범위를 초과하는 경우에 응답하여, 상기 배터리 모델에 적용된 파라미터가 유효하지 않은 것으로 판단하는 단계
    를 포함하고,
    상기 배터리 모델이 유효하지 않은 것으로 판단된 경우에 응답하여, 서버로 상기 배터리 모델에 대한 업데이트 요청을 송신하는 단계는,
    상기 추정된 상태 정보가, 상기 배터리 모델에 적용된 파라미터의 추정 가능 범위의 최소 레벨 이하인 경우에 응답하여, 상기 최소 레벨 이하에 대해서도 추정 가능하도록 트레이닝된 파라미터를 요청하는 신호를 상기 서버로 송신하는 단계
    를 포함하는 배터리 상태 추정 방법.
  7. 제6항에 있어서,
    상기 서버로부터 수신된, 업데이트 요청에 대응하는 파라미터에 기초하여 상기 배터리 모델을 업데이트하는 단계는,
    상기 업데이트 요청이 수신된 시점에서 수집된 기준 데이터(reference data)로 추정 가능한 최소 레벨까지 트레이닝된 파라미터를 상기 서버로부터 수신하는 단계
    를 포함하는 배터리 상태 추정 방법.
  8. 제1항에 있어서,
    상기 배터리의 변경이 감지된 경우에 응답하여, 메모리에 저장된 파라미터들 중 변경된 배터리에 대응하는 파라미터를 검색하는 단계;
    상기 변경된 배터리에 대응하는 파라미터가 검색된 경우에 응답하여, 상기 검색된 파라미터로 상기 배터리 모델을 업데이트하는 단계; 및
    상기 업데이트된 배터리 모델에 기초하여 상기 변경된 배터리의 상태 정보를 추정하는 단계;
    를 더 포함하는 배터리 상태 추정 방법.
  9. 제1항에 있어서,
    상기 배터리 정보로부터 추정된 배터리의 상태 정보에 기초하여 배터리 모델의 유효성을 판단하는 단계는,
    상기 배터리의 변경이 감지된 경우에 응답하여, 메모리에 저장된 파라미터들 중 변경된 배터리에 대응하는 파라미터를 검색하는 단계; 및
    상기 변경된 배터리에 대응하는 파라미터가 검색되지 않는 경우에 응답하여, 상기 변경된 배터리에 대응하는 파라미터를 요청하는 신호를 상기 서버로 송신하는 단계
    를 포함하는 배터리 상태 추정 방법.
  10. 제1항에 있어서,
    상기 배터리의 상태 정보가 유효한 것으로 판단된 경우에 응답하여, 상기 배터리 모델에 현재 적용된 파라미터 및 상기 배터리 모델에 기초하여 상기 배터리 정보로부터 상기 배터리의 상태 정보를 계속해서 추정하는 단계
    를 더 포함하는 배터리 상태 추정 방법.
  11. 하드웨어와 결합되어 제1항 내지 제10항 중 어느 한 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
  12. 서버와 통신하는 통신부;
    배터리 모델을 저장하는 메모리; 및
    배터리 정보로부터 추정된 배터리의 상태 정보에 기초하여 배터리 모델의 유효성을 판단하고, 상기 배터리 모델이 유효하지 않은 것으로 판단된 경우에 응답하여, 서버로 상기 배터리 모델에 대한 업데이트 요청을 상기 통신부를 이용하여 송신하며, 상기 서버로부터 수신된, 업데이트 요청에 대응하는 파라미터에 기초하여 상기 배터리 모델을 업데이트하는 프로세서
    를 포함하는 배터리 상태 추정 장치.
  13. 제12항에 있어서,
    상기 프로세서는,
    상기 배터리 모델을 이용하여, 배터리 정보로부터 배터리의 상태 정보를 추정하고, 상기 추정된 상태 정보가, 상기 배터리 모델의 추정 가능 범위를 초과하는지 여부를 판단하며, 상기 추정된 상태 정보가 추정 가능 범위 내인 경우에 응답하여, 상기 배터리 모델이 유효한 것으로 판단하고, 상기 추정된 상태 정보가 추정 가능 범위를 초과하는 경우에 응답하여, 상기 배터리 모델이 유효하지 않은 것으로 판단하는,
    를 포함하는 배터리 상태 추정 장치.
  14. 제13항에 있어서,
    상기 프로세서는,
    상기 배터리 모델에 의해 추정 가능한 것으로 설정된 상태 정보의 최소 레벨(minimum level)보다 상기 추정된 상태 정보가 작은 경우에 응답하여, 상기 추정된 상태 정보가 추정 가능 범위를 초과하는 것으로 판단하는,
    를 포함하는 배터리 상태 추정 장치.
  15. 제12항에 있어서,
    상기 프로세서는,
    상기 통신부를 이용하여, 상기 배터리 모델에 적용되어 있는 파라미터의 추정 가능 범위의 적어도 일부와 중첩되는 범위를 가지는 파라미터를 요청하는 신호를 상기 서버로 송신하는
    를 포함하는 배터리 상태 추정 장치.
  16. 제12항에 있어서,
    상기 프로세서는,
    상기 추정된 상태 정보가, 상기 배터리 모델의 추정 가능 범위를 초과하는 경우에 응답하여, 상기 배터리 모델에 적용된 파라미터가 유효하지 않은 것으로 판단하고, 상기 배터리 모델이 유효하지 않은 것으로 판단된 경우에 응답하여, 상기 통신부를 이용하여 서버로 상기 배터리 모델에 대한 업데이트 요청을 송신하며, 상기 추정된 상태 정보가, 상기 배터리 모델에 적용된 파라미터의 추정 가능 범위의 최소 레벨 이하인 경우에 응답하여, 상기 최소 레벨 이하에 대해서도 추정 가능하도록 트레이닝된 파라미터를 요청하는 신호를 상기 통신부를 이용하여 상기 서버로 송신하는,
    를 포함하는 배터리 상태 추정 장치.
KR1020160128339A 2016-10-05 2016-10-05 배터리 상태 추정 장치 및 방법 KR20180037760A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160128339A KR20180037760A (ko) 2016-10-05 2016-10-05 배터리 상태 추정 장치 및 방법
US15/488,588 US10310022B2 (en) 2016-10-05 2017-04-17 Battery state estimation apparatus and method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160128339A KR20180037760A (ko) 2016-10-05 2016-10-05 배터리 상태 추정 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20180037760A true KR20180037760A (ko) 2018-04-13

Family

ID=61758062

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160128339A KR20180037760A (ko) 2016-10-05 2016-10-05 배터리 상태 추정 장치 및 방법

Country Status (2)

Country Link
US (1) US10310022B2 (ko)
KR (1) KR20180037760A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020209693A1 (ko) * 2019-04-12 2020-10-15 삼성전자 주식회사 인공지능 모델을 갱신하는 전자 장치, 서버 및 그 동작 방법
KR20210042961A (ko) * 2018-08-14 2021-04-20 지멘스 악티엔게젤샤프트 기계의 남아있는 사용 수명을 예측하기 위한 어셈블리 및 방법
KR20210045830A (ko) * 2019-10-17 2021-04-27 경북대학교 산학협력단 배터리의 상태 모니터링 방법 및 장치
US11531912B2 (en) 2019-04-12 2022-12-20 Samsung Electronics Co., Ltd. Electronic apparatus and server for refining artificial intelligence model, and method of refining artificial intelligence model
KR20230026072A (ko) * 2021-08-17 2023-02-24 한국에너지기술연구원 배터리 건전성 예측장치 및 예측방법

Families Citing this family (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10769236B2 (en) * 2015-07-20 2020-09-08 University Of Washington Battery models, systems, and methods using robust fail-safe iteration free approach for solving differential algebraic equations
US11144616B2 (en) * 2017-02-22 2021-10-12 Cisco Technology, Inc. Training distributed machine learning with selective data transfers
US10992156B2 (en) * 2017-10-17 2021-04-27 The Board Of Trustees Of The Leland Stanford Junior University Autonomous screening and optimization of battery formation and cycling procedures
US11226374B2 (en) * 2017-10-17 2022-01-18 The Board Of Trustees Of The Leland Stanford Junior University Data-driven model for lithium-ion battery capacity fade and lifetime prediction
CN111201444A (zh) * 2017-11-02 2020-05-26 株式会社半导体能源研究所 蓄电装置的电容推测方法及电容推测***
CN109001631A (zh) * 2018-04-27 2018-12-14 张家港莫特普数据科技有限公司 电池性能在线评估***和方法
WO2019235645A1 (ja) * 2018-06-08 2019-12-12 パナソニックＩｐマネジメント株式会社 バッテリ管理システム及びバッテリ管理方法
WO2020086417A1 (en) * 2018-10-22 2020-04-30 Btech Inc. Detecting battery changeout
JP7028146B2 (ja) * 2018-12-03 2022-03-02 株式会社デンソー 電池システム
US20220063444A1 (en) * 2018-12-20 2022-03-03 Volvo Truck Corporation Improved method for controlling an energy storage system
JP6881428B2 (ja) * 2018-12-28 2021-06-02 横河電機株式会社 学習装置、推定装置、学習方法、推定方法、学習プログラム、および推定プログラム
WO2020137914A1 (ja) * 2018-12-28 2020-07-02 株式会社Ｇｓユアサ データ処理装置、データ処理方法、及びコンピュータプログラム
EP3696744A1 (en) * 2019-02-13 2020-08-19 Robert Bosch GmbH Safeguarding resources of physical entites in a shared environment
US11065978B2 (en) * 2019-02-25 2021-07-20 Toyota Research Institute, Inc. Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack
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
KR20200120469A (ko) * 2019-04-12 2020-10-21 삼성전자주식회사 인공지능 모델을 갱신하는 전자 장치, 서버 및 그 동작 방법
DE102019111956A1 (de) * 2019-05-08 2020-11-12 TWAICE Technologies GmbH Präzisionsmessungen und Alterungsmodell für wiederaufladbare Batterien
JPWO2020240324A1 (ko) 2019-05-24 2020-12-03
JPWO2020250807A1 (ko) * 2019-06-10 2020-12-17
KR20210028476A (ko) * 2019-09-04 2021-03-12 삼성전자주식회사 배터리 충전 장치 및 방법
JP2021099726A (ja) * 2019-12-23 2021-07-01 本田技研工業株式会社 情報提供サーバ、情報提供システム、及びプログラム
KR20210081059A (ko) * 2019-12-23 2021-07-01 삼성전자주식회사 배터리 상태 추정 방법 및 장치
CN113514771A (zh) * 2020-04-10 2021-10-19 广州汽车集团股份有限公司 一种电池阻抗寿命估算方法及***
JP2021170511A (ja) * 2020-04-17 2021-10-28 株式会社エンビジョンＡｅｓｃジャパン 残容量推定装置、モデル生成装置、残容量推定方法、モデル生成方法、及びプログラム
EP4130766A4 (en) * 2020-04-24 2023-06-07 Huawei Technologies Co., Ltd. BATTERY DETECTION METHOD AND APPARATUS
EP4147060A4 (en) * 2020-05-07 2024-05-08 Zitara Technologies, Inc. BATTERY ANALYSIS SYSTEM AND PROCEDURE
CN111579993B (zh) * 2020-05-21 2021-05-28 北京航空航天大学 一种基于卷积神经网络的锂电池容量在线估计方法
JP7457575B2 (ja) * 2020-05-25 2024-03-28 株式会社Ａｅｓｃジャパン 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム
US11333712B2 (en) * 2020-08-28 2022-05-17 Sparkcognttion, Inc. Battery failure prediction
WO2022080763A1 (ko) * 2020-10-14 2022-04-21 주식회사 엘지에너지솔루션 모듈 변형도 추정 장치 및 방법
TWI757161B (zh) * 2021-04-23 2022-03-01 國立中山大學 電池健康狀態估測方法
US20220373600A1 (en) * 2021-05-24 2022-11-24 Btech Inc. Neural network for estimating battery health
KR102556671B1 (ko) * 2021-08-13 2023-07-19 한국에너지기술연구원 배터리 잔여유효수명 예측장치 및 예측방법
WO2023059652A1 (en) 2021-10-04 2023-04-13 Zitara Technologies, Inc. System and method for battery management
US20230132798A1 (en) * 2021-10-28 2023-05-04 Ford Global Technologies, Llc System and method for managing vehicle battery health
EP4177619A1 (de) * 2021-11-04 2023-05-10 Siemens Aktiengesellschaft Vorrichtung und verfahren zum konfigurieren einer steuereinrichtung für einen batteriespeicher
GB2618505A (en) * 2021-11-08 2023-11-08 Eatron Tech Limited Test method performed with design of experiment created by an artificial intelligence
US11577625B1 (en) 2021-11-11 2023-02-14 Beta Air, Llc Systems and methods for predicting degradation of a battery for use in an electric vehicle
CN115993549A (zh) * 2021-11-17 2023-04-21 江苏天合储能有限公司 一种储能电池管理***的修正方法、装置、***及介质
WO2023107710A2 (en) 2021-12-09 2023-06-15 Zitara Technologies, Inc. System and method for determining a battery condition

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5596260A (en) 1994-05-13 1997-01-21 Apple Computer, Inc. Apparatus and method for determining a charge of a battery
MXPA05003245A (es) 2002-09-24 2005-07-05 Research In Motion Ltd Sistema y metodo de estimacion de capacidad de bateria.
JP4134877B2 (ja) 2003-10-20 2008-08-20 トヨタ自動車株式会社 蓄電機構の制御装置
US7576517B1 (en) 2004-11-29 2009-08-18 Data Power Monitoring Corporation System and method for remote monitoring of battery condition
JP2008151526A (ja) 2006-12-14 2008-07-03 Matsushita Electric Ind Co Ltd 二次電池の劣化判定装置及びバックアップ電源
JP6246539B2 (ja) 2012-09-20 2017-12-13 積水化学工業株式会社 蓄電池管理装置、蓄電池管理方法及びプログラム
US20140266059A1 (en) 2013-03-14 2014-09-18 Ford Global Technologies, Llc Selective updating of battery parameter estimations
JP2014013245A (ja) 2013-08-12 2014-01-23 Panasonic Corp 電池劣化度モデルの生成及び更新方法
FR3010532B1 (fr) * 2013-09-11 2017-06-09 Commissariat Energie Atomique Procede, dispositif et systeme d'estimation de l'etat de charge d'une batterie
JP6901231B2 (ja) 2014-05-21 2021-07-14 森村Ｓｏｆｃテクノロジー株式会社 燃料電池の制御装置及び燃料電池の制御方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210042961A (ko) * 2018-08-14 2021-04-20 지멘스 악티엔게젤샤프트 기계의 남아있는 사용 수명을 예측하기 위한 어셈블리 및 방법
JP2022505008A (ja) * 2018-08-14 2022-01-14 シーメンス アクチエンゲゼルシヤフト 機械の残存耐用寿命を予測するための装置および方法
WO2020209693A1 (ko) * 2019-04-12 2020-10-15 삼성전자 주식회사 인공지능 모델을 갱신하는 전자 장치, 서버 및 그 동작 방법
US11531912B2 (en) 2019-04-12 2022-12-20 Samsung Electronics Co., Ltd. Electronic apparatus and server for refining artificial intelligence model, and method of refining artificial intelligence model
KR20210045830A (ko) * 2019-10-17 2021-04-27 경북대학교 산학협력단 배터리의 상태 모니터링 방법 및 장치
KR20230026072A (ko) * 2021-08-17 2023-02-24 한국에너지기술연구원 배터리 건전성 예측장치 및 예측방법

Also Published As

Publication number Publication date
US10310022B2 (en) 2019-06-04
US20180095140A1 (en) 2018-04-05

Similar Documents

Publication Publication Date Title
KR20180037760A (ko) 배터리 상태 추정 장치 및 방법
JP7069025B2 (ja) 電熱電池モデルの生成及び使用のためのシステム及び方法
Hu et al. State estimation for advanced battery management: Key challenges and future trends
KR102357351B1 (ko) 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법
KR102424528B1 (ko) 배터리의 상태를 추정하는 장치 및 방법
KR102215450B1 (ko) 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
US10101406B2 (en) Method and apparatus for estimating state of battery
KR20160014940A (ko) 배터리의 상태를 추정하는 방법 및 장치
US20180143257A1 (en) Systems and methods for estimation and prediction of battery health and performance
TW201702623A (zh) 用於測定鋰硫電池之健康狀態及充電狀態的方法及裝置
KR20180056238A (ko) 배터리 충전 방법, 배터리 충전 정보 생성 방법 및 배터리 충전 장치
JP6234946B2 (ja) 電池状態推定装置
JP2019510215A (ja) バッテリーの充電状態を推定する方法及びセンサーシステム
KR102633335B1 (ko) 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법
KR102377027B1 (ko) 배터리의 충전 상태를 추정하는 방법 및 그 방법을 실행하는 배터리 관리 시스템
KR20180115124A (ko) 노이즈를 반영한 배터리 잔존 용량 산출 장치 및 방법
KR20160090140A (ko) 배터리의 상태를 추정하는 방법 및 장치
KR102090476B1 (ko) 클라우드 및 빅데이터를 활용한 bms 최적화 시스템
KR102534849B1 (ko) 배터리의 이온 농도 및 쿨롱 카운팅 soc를 실시간으로 조정하는 방법
KR20210047682A (ko) 배터리 상태 추정 방법 및 장치
KR102577581B1 (ko) 배터리의 성능 상태를 추정하는 방법 및 장치
US20220373609A1 (en) State Value for Rechargeable Batteries
KR102458017B1 (ko) 배터리 수명 평가 방법 및 장치
US20220260641A1 (en) Apparatus and Method for Predicting State of Battery
KR20220059153A (ko) 인공 신경망을 이용한 배터리의 잔존 수명 예측 방법 및 장치

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal