KR20220073829A - 배터리 성능 예측 - Google Patents

배터리 성능 예측 Download PDF

Info

Publication number
KR20220073829A
KR20220073829A KR1020227014915A KR20227014915A KR20220073829A KR 20220073829 A KR20220073829 A KR 20220073829A KR 1020227014915 A KR1020227014915 A KR 1020227014915A KR 20227014915 A KR20227014915 A KR 20227014915A KR 20220073829 A KR20220073829 A KR 20220073829A
Authority
KR
South Korea
Prior art keywords
data
test
battery
battery performance
test system
Prior art date
Application number
KR1020227014915A
Other languages
English (en)
Inventor
로버트 매튜 리
요코 도모타
알렉산드르 콘드라코브
Original Assignee
바스프 에스이
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 바스프 에스이 filed Critical 바스프 에스이
Publication of KR20220073829A publication Critical patent/KR20220073829A/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
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/003—Measuring mean values of current or voltage during a given time interval
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/3865—Arrangements for measuring battery or accumulator variables related to manufacture, e.g. testing after manufacture
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • 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)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 테스트 시스템(110)이 제안된다. 테스트 시스템(110)은 적어도 하나의 통신 인터페이스(114) 및 적어도 하나의 처리 장치(122)를 포함한다. 테스트 시스템(110)은 통신 인터페이스(114)를 통해 적어도 하나의 테스트 프로토콜을 나타내는 동작 데이터를 수신하도록 구성된다. 테스트 시스템(110)은 통신 인터페이스(114)를 통해 배터리 성능 입력 데이터를 수신하도록 구성된다. 처리 장치(122)는 적어도 하나의 데이터 구동 모델을 사용하여 배터리 성능 입력 데이터 및 동작 데이터에 기초하여 배터리 성능을 나타내는 적어도 하나의 상태 변수의 적어도 하나의 예측된 시계열을 결정하도록 구성된다. 테스트 시스템(110)은 상태 변수의 예측된 시계열의 적어도 일부를 제공하도록 구성된다.

Description

배터리 성능 예측
본 발명은 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 테스트 시스템, 및 적어도 하나의 테스트 프로토콜에 기초하여 적어도 하나의 배터리에 대해 적어도 하나의 배터리 성능 테스트를 수행하도록 구성된 테스트 장비(test rig)에 관한 것이다. 본 발명은 또한 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 적어도 하나의 데이터 구동 모델을 결정하기 위한 방법, 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터-구현 방법, 및 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터 프로그램에 관한 것이다. 테스트 대상 배터리는 전기 차량과 같은 자동차 산업, 스마트폰, 랩톱 등과 같은 소비자 장치, 및 예컨대 재생가능한 에너지원으로부터 획득되는 에너지를 저장하는 에너지 저장 장치에 사용될 수 있다. 본 발명에 따른 방법, 장치 및 시스템은 특히 테스트 스탠드(test stands)에서 배터리의 수명을 결정하는 데 사용될 수 있다. 다른 응용이 가능하다.
배터리는 가속 차량, 특히 일렉트로모빌리티(electromobility), 소비자 장치, 심지어는 예컨대 재생가능한 에너지원으로부터 획득되는 에너지를 저장하는 에너지 저장 장치와 같은 다양한 기술 분야에 사용될 수 있다. 배터리 성능은 시간의 경과에 따라 변경될 수 있다. 구체적으로, 충전 및 방전 사이클의 횟수에 따라 배터리 성능이 저하될 수 있다. 위에서 언급한 모든 기술 분야에서 신뢰할 수 있고 빠른 배터리 성능 예측이 필요하다.
특정 응용, 특히 캐소드 재료에 유용한 새로운 배터리 재료를 개발하기 위해, 다수의 실험을 수행함으로써 배터리 성능이 테스트된다. 이어서, 실험 결과가 분석되고 테스트 대상 캐소드 재료는 "양호" 또는 "불량" 캐소드 재료로 범주화될 수 있다. 획득된 테스트 결과는 캐소드 재료의 변경이 필요한지 여부를 판정하는 데 사용될 수 있다.
배터리 개발 중 배터리 성능을 결정하기 위해 알려진 테스트 방법을 사용하면 긴 테스트 시간이 필요하다. 특히, 테스트 스탠드에서 배터리 성능을 결정하는 것은 배터리 수명에 걸쳐 다수의 충전-방전 사이클을 요구하는 경우가 많으며 몇 달 동안 지속될 수 있다. 예를 들어, 사용된 캐소드 재료가 "양호" 캐소드 재료로 범주화될 수 있는지 또는 "불량" 캐소드 재료로 범주화될 수 있는지를 판정할 수 있을 때까지 일반적으로 6개월이 걸린다. 이것은 긴 시간이며 긴 리드 타임(lead time)으로 이어진다. 긴 테스트 시간은 테스트 스탠드 용량의 물류 계획에도 문제가 될 수 있다. 종종 100개가 넘는 채널이 관리될 수 있으며, 테스트 스탠드의 안정적인 용량 예측이 필요하다.
Kristen A. Severson et al., "Data-driven prediction of battery cycle life before capacity degradation-", Nature Energy, https://doi.org/10.1038/s41560-019-0356-8은 기술 개발을 가속화하기 위해 리튬 이온 배터리의 수명을 예측하는 것을 설명한다. 용량 저하를 나타내기 위해 조기 사이클의 방전 전압 곡선이 사용되었으며, 사이클 수명별로 셀을 예측하고 분류하기 위한 머신 학습 도구가 설명되어 있다.
US 2019/0115778 A1은 배터리 셀 테스트 프로토콜의 다차원 파라미터 공간을 탐색하는 방법을 설명하는데, 이는 복수의 테스트 대상 배터리 셀에 대한 파라미터 공간을 정의하는 단계와, 파라미터 공간을 이산화하는 단계와, 정책의 다수의 반복을 포함하는, 파라미터 공간 전반에 걸쳐 정책을 샘플링하기 위해 파손될 때까지 사이클링되는 예비 셀 세트를 수집하는 단계와, 리소스 하이퍼파라미터, 파라미터 공간 하이퍼파라미터 및 알고리즘 하이퍼파라미터를 지정하는 단계와, 충전 정책의 무작위 서브세트를 선택하는 단계와, 배터리 수명의 조기 예측에 필요한 사이클 수가 달성될 때까지 충전 정책의 무작위 서브세트를 테스트하는 단계와, 조기 예측 알고리즘에 조기 예측을 위한 사이클 데이터를 입력하여 조기 예측을 획득하는 단계와, 최적 실험 설계(OED) 알고리즘에 조기 예측을 입력하여 적어도 하나의 다음 테스트를 실행하기 위한 추천을 획득하는 단계와, 위의 무작위 세브세트를 테스트하는 단계로부터 반복함으로써 추천 테스트를 실행하는 단계와, 최종 추천 정책을 검증하는 단계를 포함한다.
WO 2019/017991 A1은 충전 상태와 같은 재충전형 배터리의 상태를 실시간으로 추정하는 모듈을 포함하는 차량용 배터리 관리 시스템(BMS)을 설명한다. 모듈은 배터리의 감지된 전압, 전류, 온도 외에도 차량의 용도와 차량에 고유한 관련 요인에 기초하여 배터리의 상태를 예측하는 학습 모델을 포함한다.
US 2019/0115778 A1 WO 2019/017991 A1
Kristen A. Severson et al., "Data-driven prediction of battery cycle life before capacity degradation", Nature Energy, https://doi.org/10.1038/s41560-019-0356-8 "A Practical Guide to Applying Echo State Networks", Mantas Lukosevicius, Published in Neural Networks: Tricks of the Trade 2012. DOI:10.1007/978-3-642-35289-8_36; http://minds.jacobs-university.de/uploads/papers/PracticalESN.pdf
따라서, 전술한 기술적 과제를 해결하는 방법 및 장치를 제공하는 것이 바람직하다. 특히, 테스트 스탠드에서 배터리 재료에 대한 측정 시간의 단축을 보장하는, 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 장치 및 방법이 제공되어야 한다. 또한, 보다 짧은 시간에 특정 응용에 대한 캐소드 재료의 변경을 가속화하기 위해 필요한 실험 횟수의 감소가 보장되어야 한다.
이 문제는 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 테스트 시스템, 적어도 하나의 테스트 프로토콜에 기초하여 적어도 하나의 배터리에 대해 적어도 하나의 배터리 성능 테스트를 수행하도록 구성된 테스트 장비, 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 적어도 하나의 데이터 구동 모델을 결정하기 위한 방법, 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터-구현 방법, 및 독립항의 특징을 갖는, 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터 프로그램에 의해 해결된다. 독립된 방식으로 또는 임의의 조합으로 실현될 수 있는 유리한 실시예는 종속항에 나열되어 있다.
이하에서 사용될 때, "갖는다", "포함한다" 또는 "내포한다"라는 용어 또는 이들의 임의의 문법적 변형은 비배타적인 방식으로 사용된다. 따라서, 이러한 용어는 이러한 용어에 의해 도입된 특징 외에 이 문맥에서 설명된 엔티티에 추가 특징이 존재하지 않는 상황 및 하나 이상의 추가 특징이 존재하는 상황을 모두 지칭할 수 있다. 예로서, "A가 B를 갖는다", "A가 B를 포함한다" 및 "A가 B를 내포한다"라는 표현은 B 외에 다른 요소가 A에 존재하지 않는 상황(즉, A가 오로지 독점적으로 B로 구성된 상황) 및 B 외에 하나 이상의 추가 요소, 예컨대, 요소 C, 요소 C 및 D, 또는 심지어 더 많은 요소가 엔티티 A에 존재하는 상황을 모두 지칭할 수 있다.
또한, 특징 또는 요소가 한 번 또는 두 번 이상 존재할 수 있음을 나타내는 "적어도 하나", "하나 이상" 또는 유사한 표현은 전형적으로 각각의 특징 또는 요소를 도입할 때 한 번만 사용될 것이라는 점에 유의해야 한다. 이하에서는 대부분의 경우, 각각의 특징 또는 요소를 언급할 때, 각각의 특징 또는 요소가 한 번 또는 두 번 이상 존재할 수 있다는 사실에도 불구하고 "적어도 하나" 또는 "하나 이상"이라는 표현은 반복되지 않을 것이다.
또한, 아래에서 사용될 때, "바람직하게는", "더 바람직하게는", "특히", "더 특히", "구체적으로", "보다 구체적으로" 또는 유사한 용어는 대체 가능성을 제한하지 않고 선택적인 특징과 함께 사용된다. 따라서, 이러한 용어에 의해 도입된 특징은 선택적 특징이며 어떠한 방식으로든 특허청구범위의 범위를 제한하려는 것이 아니다. 당업자가 인식하는 바와 같이, 본 발명은 대안적인 특징을 사용하여 수행될 수 있다. 유사하게, "본 발명의 실시예에서" 또는 유사한 표현에 의해 도입된 특징은, 본 발명의 대안적인 실시예에 관한 임의의 제한 없이, 본 발명의 범위에 관한 임의의 제한 없이, 및 이러한 방식으로 도입된 특징을 본 발명의 다른 선택적 또는 비선택적 특징과 결합할 가능성에 관한 임의의 제한 없이, 선택적 특징인 것으로 의도된다.
본 발명의 제1 양태에서는, 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 테스트 시스템이 제안된다. 테스트 시스템은 적어도 하나의 통신 인터페이스 및 적어도 하나의 처리 장치를 포함한다. 테스트 시스템은 통신 인터페이스를 통해 적어도 하나의 테스트 프로토콜을 나타내는 동작 데이터를 수신하도록 구성된다. 테스트 시스템은 통신 인터페이스를 통해 배터리 성능 입력 데이터를 수신하도록 구성된다. 처리 장치는 적어도 하나의 데이터 구동 모델을 사용하여 배터리 성능 입력 데이터 및 동작 데이터에 기초하여 배터리 성능을 나타내는 적어도 하나의 상태 변수의 적어도 하나의 예측된 시계열을 결정하도록 구성된다. 테스트 시스템은 상태 변수의 예측된 시계열의 적어도 일부를 제공하도록 구성된다.
배터리 개발 중에, 시간 경과에 따른 성능 및/또는 속성 및/또는 거동, 특히 충전 및 방전 속성 및/또는 거동의 전개(development)와 관련하여 다양한 재료 및 재료 조성이 사용 및 테스트된다. 이러한 테스트는 온도 조건 등과 같은 미리 정의된 테스트 조건 내의 테스트 환경에서 수행될 수 있다. 구체적으로, 테스트 환경은 배터리, 특히 복수의 배터리에 적어도 하나의 테스트를 적용하도록 구성된 테스트 장비일 수 있다. 이러한 테스트 중에, 테스트 대상 배터리는 적어도 하나의 테스트 프로토콜을 따르는 복수의 충전-방전 사이클을 경험할 수 있다. 용량이 초기 값의 80%로 떨어지기 전에 충전 사이클의 수만 결정되는 배터리의 품질 제어와 달리, 배터리 개발 시의 배터리 테스트는 더 복잡하다. 배터리의 개발 중 배터리 테스트를 위해 배터리 속성의 시간 경과에 따른 전개 및 시간 특성이 결정되어야 한다. 본 발명은 장기간의 테스트 없이 훈련된 데이터 구동 모델을 사용하여 배터리 성능 입력 데이터에 기초하여 배터리 개발 중 배터리 성능을 예측하는 것을 허용하는 테스트 시스템을 제안한다.
본 명세서에 사용되는 "테스트 시스템"이라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 시간 경과에 따른 배터리 성능, 특히 충전 및 방전 속성 및/또는 거동을 결정 및/또는 예측하도록 구성된 하나 이상의 유닛을 포함하는 장치를 제한 없이 지칭할 수 있다.
본 명세서에 사용되는 "배터리"라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 적어도 하나의 애노드, 적어도 하나의 캐소드 및 적어도 하나의 전해질을 포함하는 전기화학 셀를 제한 없이 지칭할 수 있다. 구체적으로, 배터리는 화학 에너지를 전기 에너지로 및 그 반대로 변환하도록 구성된다. 배터리는 에너지 저장 장치일 수 있다. 배터리는 재충전형 배터리일 수 있다. 본 명세서에서 사용될 때, "충전"이라는 용어는 외부 소스로부터 제공되는 전기 에너지를 배터리 내의 화학 에너지로 변환하는 것을 지칭한다. 본 명세서에서 사용될 때, "방전"이라는 용어는 배터리의 화학 에너지를 전기 에너지로 변환하는 것을 지칭한다. 배터리는 리튬 이온 배터리(Li-Ion), 니켈-카드뮴(Ni-Cd), 니켈 금속 수소화물(Ni-MH)로 이루어진 그룹으로부터 선택된다. 예를 들어, 배터리는 LiCoO2(리튬 코발트 산화물), LiNixMnyCozO2(리튬 니켈-망간-코발트-산화물) 및 LiFePO4(리튬 철 인산염)으로 이루어진 그룹으로부터 선택된 적어도 하나의 캐소드 재료를 포함할 수 있다. 예를 들어, 배터리는 흑연, 실리콘으로 이루어진 그룹으로부터 선택된 적어도 하나의 애노드 재료를 포함할 수 있다. 예를 들어, 배터리는 에틸렌 카보네이트(ethylene carbonate), 디메틸 카보네이트(dimethyl carbonate) 및 디에틸 카보네이트(diethyl carbonate)와 같은 유기 용매에 LiPF6, LiBF4 또는 LiClO4로 이루어진 그룹으로부터 선택된 적어도 하나의 전해질을 포함할 수 있다.
본 명세서에서 사용되는 "배터리의 개발 중 배터리 성능"은 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 시간 경과에 따른 배터리 거동의 전개를 제한 없이 지칭할 수 있다. 배터리 성능은 충전 용량, 방전 용량, 방전 전류, 충전-방전 곡선, 평균 전압, 개방 회로 전압, 차동 용량, 쿨롱 효율 또는 내부 저항과 같은 하나 이상의 파라미터의 시간 경과에 따른 전개를 특징으로 할 수 있다. 특히, 배터리 개발 중 배터리 성능은 이러한 파라미터들 중 적어도 하나의 예측된 시계열을 결정함으로써 결정된다. 본 명세서에 사용되는 "시계열"이라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 시간순으로 정렬된 데이터 스트림을 제한 없이 지칭할 수 있다.
본 명세서에서 사용될 때, 배터리의 "용량"이라는 용어는 배터리가 공칭 전압에서 전달하는 전하량을 지칭한다. 본 명세서에 사용되는 "충전 용량"이라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 배터리에 충전될 수 있는 용량을 제한 없이 지칭할 수 있다. 본 명세서에 사용되는 "방전 용량"이라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 배터리에서 방전될 수 있는 용량을 제한 없이 지칭할 수 있다.
본 명세서에 사용되는 "방전 전류"(C-레이트로도 표시됨)라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 배터리의 최대 용량에 대한 배터리가 방전 또는 충전되고 있는 비율의 척도를 제한 없이 나타낼 수 있다.
본 명세서에 사용되는 "충전-방전 곡선"이라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별한 의미 또는 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 배터리 용량의 함수로서 전압에서 충전 및 방전의 전개를 제한 없이 지칭할 수 있다. 충전 및/또는 방전 곡선의 모양은 미리 정의된 전압 간격에 걸친 용량 변화에 의해 파라미터화될 수 있다. 충전 및/또는 방전 곡선의 모양은 전기화학 및 열화 메커니즘(electrochemistry and degradation mechanisms)에 대한 정보를 포함할 수 있다.
본 명세서에 사용되는 "평균 전압"이라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 방전 사이클의 중간 지점에서 공칭 전압을 제한 없이 지칭할 수 있다.
본 명세서에서 사용되는 "개방 회로 전압"이라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 어떠한 부하도 적용되지 않은 배터리의 단자들 사이의 전압을 제한 없이 지칭할 수 있다.
본 명세서에서 사용되는 "차동 용량"이라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 전압 E에 대한 용량 Q의 1차 도함수인 dQ/dE를 제한 없이 지칭할 수 있다.
본 명세서에 사용되는 "쿨롱 효율"이라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 전자가 전달되는 전하 효율을 제한 없이 지칭할 수 있다.
본 명세서에 사용되는 "내부 저항"이라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 배터리의 노화에 따라 증가하는 배터리의 저항을 제한 없이 지칭할 수 있다. 내부 저항은 무엇보다도 재료 표면이 얼마나 노화되었는지에 대한 척도를 제공할 수 있다.
위에 나열된 파라미터들은 배터리 성능을 결정하고 특히 시간 경과에 따른 배터리 성능의 전개를 예측하는 데 사용할 수 있다. 이러한 파라미터와 배터리 성능 간의 관계는 일반적으로 당업자에게 알려져 있다.
본 명세서에 사용되는 "배터리 성능을 결정하는"이라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 적어도 하나의 상태 변수의 시간 경과에 따른 전개 및/또는 미래 값의 시계열의 예측, 추정 및 분류 중 하나 이상을 제한 없이 지칭할 수 있다. 배터리 성능의 결정은 시계열에 대한 배터리 성능의 적어도 하나의 예측을 출력 또는 결과로서 가질 수 있다. 예측된 시계열을 결정하기 위해, 상이한 시점에 대한 상태 변수의 값에 대한 예측은 복수의 미래 시점에 대해 반복적으로 결정될 수 있다. 본 명세서에서 사용될 때, "예측"이라는 용어는 미래의 상태 변수의 기대값을 지칭한다. 배터리 성능 결정의 결과는 시간에 따른 상태 변수의 전개를 보여주는 히스토그램과 같은 상태 변수의 예측된 시계열일 수 있다. 배터리 성능의 결정은 배터리 수명의 예측 및/또는 범주화(categorization)를 포함할 수 있다. 본 명세서에 사용될 때, "범주화"라는 용어는 배터리 및/또는 캐소드 재료의 예컨대 "양호" 또는 "불량"으로서의 분류를 지칭할 수 있다. 예를 들어, 미래 시점의 상태 변수가 미리 결정된 또는 미리 정의된 조건을 충족하고/하거나 결정된 수명이 미리 결정된 또는 미리 정의된 한계를 초과하는 경우, 배터리는 "양호"로 범주화될 수 있다. 예를 들어, 상태 변수의 예측된 시계열이 미리 결정된 또는 미리 정의된 조건을 충족하지 않는 경우, 배터리는 "불량"으로 범주화될 수 있다. 예를 들어, 미래 시점의 상태 변수가 미리 결정된 또는 미리 정의된 조건을 충족하지 않고/하거나 결정된 수명이 미리 결정된 또는 미리 정의된 한계 미만인 경우, 배터리는 "불량"으로 범주화될 수 있다. 테스트 시스템은 상태 변수의 예측된 시계열의 적어도 일부에 대한 정보를 포함하는 적어도 하나의 출력을 출력하도록 구성된 적어도 하나의 출력 인터페이스를 포함할 수 있다.
본 명세서에 사용되는 "처리 장치"라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 컴퓨터 또는 시스템의 기본 동작을 수행하도록 구성된 임의의 논리 회로, 및/또는 일반적으로 계산 또는 논리 동작을 수행하도록 구성된 장치를 제한 없이 지칭할 수 있다. 처리 장치는 적어도 하나의 프로세서 및/또는 처리 유닛을 포함할 수 있다. 특히, 처리 장치는 컴퓨터 또는 시스템을 구동하는 기본 명령을 처리하도록 구성될 수 있다. 예로서, 처리 장치는 적어도 하나의 산술 논리 유닛(ALU), 수학 코프로세서 또는 수치 코프로세서와 같은 적어도 하나의 부동 소수점 유닛(FPU), 캐시 메모리와 같은 복수의 레지스터 및 메모리를 포함할 수 있다. 특히, 처리 장치는 멀티-코어 프로세서일 수 있다. 구체적으로, 처리 장치는 중앙 처리 장치(CPU)이거나 이를 포함할 수 있다. 추가적으로 또는 대안적으로, 처리 장치는 하나 이상의 ASIC(application-specific integrated circuit) 및/또는 하나 이상의 FPGA(field-programmable gate array) 등이거나 이를 포함할 수 있다.
본 명세서에서 사용되는 "통신 인터페이스"라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 정보를 전달하도록 구성된 경계(boundary)를 형성하는 항목 또는 요소를 제한 없이 지칭할 수 있다. 특히, 통신 인터페이스는 예컨대 정보를 송신 또는 출력하는 계산 장치(예컨대, 컴퓨터)로부터 다른 장치 상으로 정보를 전송하도록 구성될 수 있다. 추가적으로 또는 대안적으로, 통신 인터페이스는 예컨대 정보를 수신하는 계산 장치(예컨대, 컴퓨터) 상으로 정보를 전송하도록 구성될 수 있다. 통신 인터페이스는 구체적으로 정보를 전송하거나 교환하는 수단을 제공할 수 있다. 특히, 통신 인터페이스는 데이터 전송 접속, 예컨대, 블루투스, NFC, 유도 결합 등을 제공할 수 있다. 예로서, 통신 인터페이스는 네트워크 또는 인터넷 포트, USB 포트 및 디스크 드라이브 중 하나 이상을 포함하는 적어도 하나의 포트이거나 이를 포함할 수 있다. 통신 인터페이스는 적어도 하나의 웹 인터페이스일 수 있다.
테스트 시스템은 적어도 하나의 데이터베이스를 포함할 수 있다. 본 명세서에 사용되는 "데이터베이스"라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 적어도 하나의 데이터 저장 장치에 저장된 정보와 같은 임의의 정보 모음을 제한 없이 지칭할 수 있다. 데이터베이스는 정보가 저장된 적어도 하나의 데이터 저장 장치를 포함할 수 있다. 특히, 데이터베이스는 임의의 정보 모음을 포함할 수 있다. 데이터베이스는 적어도 하나의 서버, 복수의 서버를 포함하는 적어도 하나의 서버 시스템, 적어도 하나의 클라우드 서버 또는 클라우드 컴퓨팅 인프라스트럭처로 이루어진 그룹으로부터 선택된 적어도 하나의 데이터베이스이거나 이를 포함할 수 있다. 데이터베이스는 통신 인터페이스를 통해 수신된 데이터를 저장하도록 구성된 적어도 하나의 저장 유닛을 포함할 수 있다.
본 명세서에서 사용되는 "동작 데이터"라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 테스트 장비에서 배터리에 대해 수행되는 적어도 하나의 테스트 프로그램에 관련된 데이터, 특히, 동작 조건, 테스트 순서, 프로세스 등 중 하나 이상을 제한 없이 지칭할 수 있다. 적어도 하나의 테스트 프로토콜을 나타내는 동작 데이터는, 예를 들어, 상이한 충전 사이클 및/또는 방전 사이클의 적어도 하나의 시퀀스를 포함한다. 본 명세서에 사용되는 "테스트 프로토콜"이라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 테스트 장비에서 배터리에 대해 복수의 상이한 테스트 프로그램이 수행되는 경우에 의존하는 가이드라인을 제한 없이 지칭할 수 있다. 테스트 프로토콜은 미리 정의될 수 있다. 테스트 프로토콜은 알려질 수 있다. 특히, 방전 전류 및 정전압 동작의 지속기간과 같은 양은 테스트 프로토콜에 의해 제어 및/또는 정의될 수 있다. 테스트 프로토콜은 적어도 하나의 표준에 따라 수행될 수 있다. 테스트 프로토콜은 각 테스트 설정에 대해 특정적일 수 있다. 아래에서 자세히 설명하는 바와 같이, 테스트 프로토콜은 배터리 재료, 특히 캐소드 및/또는 애노드의 성능의 예측을 허용할 수 있다. 테스트 프로토콜은 테스트 프로그램의 순서 및/또는 테스트 프로그램의 시퀀스 및/또는 테스트 프로그램 각각의 지속기간을 정의할 수 있다. 각각의 테스트 프로그램은 적어도 하나의 충전-방전 사이클을 포함할 수 있는데, 여기서 적어도 2개의 테스트 프로그램의 충전-방전 사이클은 상이하다. 테스트 프로토콜은 적어도 하나의 배터리 성능 테스트에 대한 정보를 포함할 수 있다. 배터리 성능 테스트는 상이한 충전 사이클 및/또는 방전 사이클의 적어도 하나의 시퀀스를 포함할 수 있다. 배터리 성능 테스트에서는 각 사이클에 대해 방전-충전 곡선이 결정될 수 있다. 배터리 성능 테스트는 고객에 의해 수행될 수 있다. 고객은 통신 인터페이스를 통해 배터리 성능 입력 데이터를 테스트 시스템에 제공할 수 있다. 테스트 프로그램이라고도 하는 테스트 프로토콜은 상이한 재료 속성을 결정하기 위해 상이한 블록을 포함할 수 있다. 예를 들어, 사이클링 테스트 프로토콜은 각 사이클에 대해 충전 단계 및 이어지는 방전 단계를 가질 수 있는데, 단계들 사이에는 선택적 휴식 기간이 포함될 수 있다. 충전 단계는 셀 전압이 미리 결정된 임계값에 도달할 때까지 셀에 일정한 전류를 가한 다음, 전류가 다른 미리 결정된 임계값 아래로 떨어지거나 시간 임계값에 도달할 때까지 전압을 유지할 수 있다. 방전 단계는 전압이 미리 결정된 임계값 아래로 떨어질 때까지 일정한 전류를 유지할 수 있다. 이러한 많은 사이클은 측정된 셀 노화에 대해 연속적으로 수행될 수 있다.
구체적으로, 데이터 구동 모델은 적어도 하나의 테스트 프로토콜을 나타내는 동작 데이터 및 배터리 성능 입력 데이터에 기초하여 파라미터화된 것이다. 데이터 구동 모델은 미래 배터리 성능을 예측하기 위해 적어도 하나의 테스트 프로토콜을 따르는 과거 및 미래 충전-방전 사이클에 대한 지식을 사용할 수 있다. 특히, 과거 및 미래 충전-방전 사이클에 대한 지식은 데이터 구동 모델에 대한 입력으로 사용될 수 있다. 데이터 구동 모델은, 선행 또는 이전 측정 값, 데이터 구동 모델에 의해 이루어진 선행 또는 이전 예측, 및 적어도 하나의 테스트 프로토콜에 의해 제어된 및/또는 정의된 양의 미래 값을 각 시간 단계에서 고려할 수 있다. 데이터 구동 모델은, 미래, 특히 미래 배터리 성능을 예측하기 위해, 과거 충전-방전 사이클에 대한 지식을 사용할 수 있다. 데이터 구동 모델은 미래 배터리 성능의 예측을 위해 테스트 프로토콜로부터의 미래 충전-방전 사이클에 대한 지식을 사용할 수 있다. 테스트 프로토콜은 방전 전류, 충전 전류, 휴식 단계, 새로운 사이클을 시작하기 위한 임계값 등과 같은 양을 제어 및/또는 정의할 수 있다. 구체적으로, 제어된 및/또는 정의된 양의 미래 값에 대한 지식은 미래 배터리 성능을 예측하는 데 사용된다. 특히, 테스트 프로토콜에 의해 미리 정의되는, 일부 미래 사이클 동안 배터리가 얼마나 스트레스를 받을 것인지에 대한 정보는, 미래 배터리 성능의 예측을 위한 추가적이고 유용한 정보로 사용될 수 있다. 따라서, 본 발명은 특히 미래의 배터리 상태, 즉, 미래 동작의 N 사이클 후에 배터리가 얼마나 많은 양을 전달할 것인지를 평가할 수 있게 하는 문제를 해결하는데, 여기서 동작의 세부사항은 사이클링 절차 및/또는 테스트 프로토콜에 의해 지정된다. 본 발명은 특히 테스트 프로토콜과 이에 의해 계획된 사이클링 절차를 데이터 구동 모델에 대한 입력으로 사용할 것을 제안한다. 프로토콜의 미래 테스트 파라미터에 대한 지식의 정보를 사용하면 성능 예측을 더욱 향상시킬 수 있다. 특히, 정의된, 특히 미리 정의된 및/또는 알려진 테스트 프로토콜의 사용은 과거 및 미래의 충전-방전 사이클에 대한 지식을 갖는 것과 이를 사용하는 것을 허용한다. 이와 대조적으로, 예컨대 배터리 사용이 테스트 프로토콜을 따르지 않는 WO 2019/017991 A1에 설명된 차량용 배터리 관리 시스템에서는, 이전 배터리 사용으로부터의 데이터, 특히 구조화되지 않은 이력 데이터를 고려하는 것만 가능하다. WO 2019/017991 A1에서는 현재 배터리에 몇 번의 사이클이 남아 있는지를 예측할 뿐인 반면, 본 발명은 테스트 프로토콜을 따르는 사전 정의된 방식으로 배터리를 더 처리하면 미래에 몇 번의 사이클이 남을지를 예측하는 것을 제안한다. 본 발명은 테스트 프로토콜을 따르는 사용에 기초하거나 이를 고려하여 배터리의 미래 성능을 예측하는 것을 허용할 수 있다.
구체적으로, 데이터 구동 모델은 시간 메모리를 가질 수 있고/있거나 데이터 구동 모델은 시간 종속 모델일 수 있다. 특정 시점에서 획득된 측정 데이터에 대한 정보를 포함하는 입력 데이터가 데이터 구동 모델에 공급될 수 있다. 데이터 구동 모델은 적어도 하나의 출력, 특히 소위 "잠재(latent)" 변수를 제공할 수 있다. 잠재 변수는 예측된 미래 배터리 거동에 대한 정보를 포함할 수 있고/있거나 예측된 미래 배터리 거동에 대한 정보는 잠재 변수로부터 도출될 수 있다. 후속 시간 단계에 대해, 데이터 구동 모델은 해당 시간까지 획득된 추가 측정 데이터 및/또는 잠재 변수들 중 적어도 하나를 고려할 수 있는데, 특히 이를 입력 데이터로 사용할 수 있다. 데이터 구동 모델은 개별 잠재 변수의 관련성을 결정하고 잠재 변수에 가중치를 할당하도록 구성될 수 있다. 데이터 구동 모델은 추가 예측을 위해 가중된 잠재 변수를 고려할 수 있다. 관련성의 결정 및 가중치의 할당은 반복적으로 수행될 수 있다. 위에서 개략적으로 설명된 바와 같이, 데이터 구동 모델은, 적어도 하나의 테스트 프로토콜에 의해 미리 정의되는 제어된 및/또는 정의된 양의 미래 값에 대한 지식을 추가로 고려할 수 있는데, 특히 이를 입력 데이터로 사용할 수 있다. WO 2019/017991 A1에 설명된 것과 같은 알려진 방법은 '고정 창' 또는 '고정 수평선'이라고 하는 접근 방식을 사용한다. 이들은 특히 시간 종속성을 갖는 데이터 구동 모델을 제안하는 본 발명에 의해 제안된 "시계열" 방법을 사용하지 않는다. 특히, 본 발명은 시간에 따라 진행되고 관련 메모리를 유지하는 데이터 구동 모델을 사용할 것을 제안한다. 이와 대조적으로, '고정 창' 또는 '고정 수평선' 접근 방식은 과거로부터의 정보를 사용하여 이것이 고정된 미래 시간에서의 거동과 어떻게 상관되는지를 아는 것이다.
본 명세서에서 사용되는 "배터리 성능 입력 데이터"라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되서는 안 된다. 이 용어는 구체적으로 테스트 프로토콜에 응답하여 생성된 배터리의 거동 및/또는 성능에 대한 정보를 포함하는 데이터를 제한 없이 지칭할 수 있다. 배터리 성능 입력 데이터는 테스트 프로토콜에 응답하여 생성된 데이터를 포함할 수 있다. 배터리 성능 입력 데이터는 미가공 데이터 및/또는 전처리된 데이터이거나 이를 포함할 수 있다. 배터리 성능 입력 데이터는 적어도 하나의 테스트 프로토콜을 따르는 특히 위에서 약술한 바와 같은 적어도 하나의 테스트 프로그램을 수행함으로써 결정될 수 있다. 테스트 프로그램은 배터리의 적어도 하나의 방전-충전 곡선을 결정하는 것을 포함할 수 있다. 테스트 프로그램은 테스트 장비에서 수행될 수 있다. 배터리 성능 입력 데이터는 통신 인터페이스를 통해 실시간으로 또는 대량 전송에서 지연되어 테스트 시스템으로 전송될 수 있다.
배터리 성능 입력 데이터는 방전-충전 사이클 데이터를 포함할 수 있다. 본 명세서에서 사용될 때, "사이클"이라는 용어는 방전 후 재충전이 이어지는 시퀀스 또는 그 반대의 시퀀스를 지칭한다. 방전-충전 사이클 데이터는 적어도 하나의 충전-방전 곡선을 포함할 수 있다. 배터리 성능 입력 데이터는 방전 용량에 대한 정보, 충전 용량에 대한 정보, 충전-방전 곡선의 모양에 대한 정보, 평균 전압에 대한 정보, 개방 회로 전압에 대한 정보, 차동 용량에 대한 정보, 쿨롱 효율에 대한 정보, 및 내부 저항에 대한 정보 중 하나 이상을 포함할 수 있다.
배터리 성능 입력 데이터는 캐소드 재료 및 셀 설정 중 하나 이상에 관한 메타데이터를 포함할 수 있다. 본 명세서에서 사용될 때, "메타데이터"라는 용어는 방전-충전 사이클 데이터에 대한 정보를 포함하는 데이터를 지칭한다. 메타데이터는 예컨대 캐소드 재료 및/또는 셀 설정을 고려하여 적절한 훈련된 모델을 선택하는 데 사용될 수 있다.
처리 장치는 배터리 성능 입력 데이터를 검증하도록 구성될 수 있다. 검증은 검색된 배터리 성능 입력 데이터가 완전한지 및/또는 배터리 성능의 결정을 위해 충분한 사이클을 포함하는지를 판정하는 것을 포함할 수 있다. 본 명세서에 사용되는 "검증"이라는 용어은 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 배터리 성능 입력 데이터를 검토하는 것, 검사하는 것 또는 테스트하는 것 중 하나 이상의 프로세스를 제한 없이 지칭할 수 있다. 구체적으로, 검증은 검색된 배터리 성능 입력 데이터가 완전한지 및/또는 배터리 성능의 결정을 위한 충분한 사이클을 포함하는지를 판정하는 것을 포함한다. 예를 들어, 검증에서 검색된 배터리 성능 입력 데이터가 완전하지 않고/않거나 배터리 성능의 결정을 위해 충분하지 않은 사이클을 포함하는 것으로 드러나는 경우, 통신 인터페이스를 사용하여 추가 데이터를 제공하라는 요청이 고객에게 발행될 수 있다.
본 명세서에 사용되는 "상태 변수"라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 배터리 성능을 특징지을 수 있는 적어도 하나의 파라미터의 정량화 가능한 변수를 제한 없이 지칭할 수 있다. 상태 변수는 적어도 하나의 충전-방전-곡선으로부터 도출되거나 유도될 수 있다. 상태 변수는 방전 용량, 충전 용량, 충전-방전 곡선의 모양, 평균 전압, 개방 회로 전압, 차동 용량, 쿨롱 효율, 및 내부 저항으로 이루어진 그룹으로부터 선택된 적어도 하나의 변수일 수 있다. 각 사이클에 대해, 모델은 다음 사이클에서 모델 입력으로 사용할 수 있는 모든 이용가능한 특징을 예측할 수 있다.
처리 장치는 미래의 전개가 예측되어야 할 상태 변수에 따라 배터리 성능 입력 데이터로부터 정보를 선택하도록 구성될 수 있다. 처리 장치는 미래의 전개가 예측되어야 할 상태 변수에 따라 배터리 성능 입력 데이터의 순위를 매기도록 구성될 수 있다. 예를 들어, 상태 변수는 방전 용량일 수 있다. 순위 매김은 다음과 같을 수 있다: 이전 사이클로부터의 충전 용량 및/또는 이전 사이클로부터의 방전 용량은 예측되어야 할 상태 변수에 매우 가깝기 때문에 가장 관련성이 높은 것으로 간주될 수 있다. 충전 및/또는 방전 곡선의 모양과 이전 사이클로부터의 내부 저항은 이전 사이클로부터의 충전 용량 및/또는 이전 사이클로부터의 방전 용량보다 관련성이 덜한 것으로 간주될 수 있다. 내부 저항과 같은 다른 상태 변수에 대해서는 순위 매김이 다를 수 있다.
본 명세서에 사용되는 "상태 변수의 예측된 시계열"이라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 적어도 하나의 데이터 구동 모델을 사용하여 결정된 상태 변수의 예상 시계열을 제한 없이 지칭할 수 있다. 배터리의 배터리 성능 입력 데이터는 실험 데이터일 수 있다. 상태 변수의 예측된 시계열은 데이터 구동 모델을 사용하여 결정, 특히 예측될 수 있는데, 배터리 성능 입력 데이터는 데이터 구동 모델에 대한 입력으로 사용된다. 배터리 성능 입력 데이터는 실험 데이터를 포함할 수 있는데, 이에 기초하여 상태 변수의 예측된 시계열이 예측된다. 또한, 예측된 시계열은 동작 데이터에 대해 결정된다. 테스트 시스템은 적어도 하나의 저장 장치를 포함할 수 있는데, 여기에는 복수의 상이한 데이터 구동 모델이 저장될 수 있다. 예를 들어, 저장 장치는 상이한 테스트 프로토콜에 대한 상이한 데이터 구동 모델을 포함할 수 있다. 특히, 처리 장치는 배터리 테스트에 사용된 테스트 프로토콜에 기초하여 데이터 구동 모델을 선택하도록 구성될 수 있다. 추가적으로 또는 대안적으로, 데이터 저장 장치는 예측되어야 할 상태 변수에 따라 상이한 데이터 구동 모델을 포함할 수 있다. 처리 장치는 하나의 상태 변수 또는 복수의 상태 변수에 대한 예측된 시계열을 결정하도록 구성될 수 있다. 상태 변수들의 임의의 조합의 시계열도 동시에 예측될 수 있다.
본 명세서에 사용되는 "데이터 구동 모델"이라는 용어는 광의의 용어로서, 해당 기술 분야의 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 경험적, 예측적 모델을 제한 없이 지칭할 수 있다. 구체적으로, 데이터 구동 모델은 실험 데이터의 분석으로부터 도출된다. 데이터 구동 모델은 머신 학습 도구일 수 있다. 데이터 구동 모델은 적어도 하나의 훈련된 모델을 포함할 수 있다. 본 명세서에 사용되는 "훈련된 모델"이라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 훈련 데이터라고도 하는 적어도 하나의 훈련 데이터 세트에 대해 훈련된 배터리 성능을 예측하기 위한 모델을 제한 없이 지칭할 수 있다. 예를 들어, 데이터 구동 모델은 적어도 하나의 훈련 데이터 세트에 대해 훈련된 것인데, 훈련 데이터 세트는 적어도 하나의 알려진 배터리 구성 및 적어도 하나의 알려진 테스트 프로토콜의 충전 및 방전 사이클의 이력 데이터의 시계열을 포함한다. 잘 정의된 테스트 프로토콜을 따르는 훈련 데이터가 획득될 수 있다. 훈련 데이터 세트는 예컨대 배터리 성능을 특징짓는 하나 이상의 파라미터에 대한 배터리 테스트의 복수의 실험 결과를 포함할 수 있다. 훈련 데이터 세트는 예컨대 상이한 사이클에 대해 적어도 2개의 시점에서 결정된 배터리 테스트의 복수의 실험 결과를 포함할 수 있다. 모델의 훈련을 위해, 예를 들어 상이한 테스트 대상 배터리에 관련된 복수의 훈련 데이터 세트가 사용될 수 있다.
데이터 구동 모델은 특징 기반 모델일 수 있는데, 여기서는 특징 또는 특징의 서브세트가 배터리 성능을 예측하는 데 사용된다. 훈련 데이터는 훈련된 모델의 특징을 선택하는 데 사용될 수 있다. 특징 선택은 모델 구성에 사용하기 위해 관련 특징, 특히 변수 및 예측자의 서브세트를 선택하는 것을 포함할 수 있다. 특징 선택은 충전 또는 방전 곡선, 내부 저항, 개방 회로 전압, 차동 용량의 관련 시점과 같은 특정 시점에서 전기화학적 측면을 도출하는 것을 포함할 수 있다. 특징은 재료 종류에 기인한 불규칙성을 고려하여 선택될 수 있다. 훈련 데이터는 미가공 데이터를 포함할 수 있다. 특징 선택은 예컨대 단계별 내지 사이클별 데이터 집계를 포함할 수 있다. 특징은 전기화학적 지식 및/또는 응답과 높은 상관관계를 갖는 특징을 보유하는 것과 같은 전통적인 특징 선택 방법을 사용하여 선택될 수 있다. 전기화학적 지식은 예를 들어 흥미로운 상전이가 예상되는 전압 간격, 및 그에 따라 특징이 추출되어야 하는 곡선 영역에 대한 정보를 포함할 수 있다.
데이터 구동 모델은 적어도 하나의 에코 상태 네트워크(echo state network)와 같은 적어도 하나의 순환 신경망을 포함할 수 있다. 본 명세서에서 사용되는 "에코 상태 네트워크"라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 누설-통합형 이산-시간 연속-값 유닛(leaky-integrated discrete-time continuous-value units)을 갖는 순환 신경망을 제한 없이 지칭할 수 있다. 데이터 구동 모델의 추가 세부 사항에 대해서는, 아래에 더 자세히 설명되는, 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 적어도 하나의 데이터 구동 모델을 결정하기 위한 방법의 설명을 참조할 수 있다.
처리 장치는 데이터 구동 모델을 사용하여 상태 변수의 예측된 시계열을 결정하기 위한 입력 파라미터로서 배터리 성능 입력 데이터를 사용하도록 구성될 수 있다. 테스트 대상 배터리의 배터리 성능을 결정하기 위해, 배터리 성능 입력 데이터는 처리되어 데이터 구동 모델에 대한 입력으로 적용될 수 있다. 처리는 데이터 집계를 포함할 수 있다. 처리는, 목표 상태 변수로도 표시되는, 데이터 구동 모델에 의해 예측되는 시계열을 갖는 배터리 성능을 특징짓는 파라미터들 중 적어도 하나에 관한 정보를 선택하는 것을 포함할 수 있다. 이 경우 데이터 구동 모델에 의해 생성된 출력은 목표 상태 변수의 예측된 시계열 또는 상태 변수의 행렬일 수 있다.
처리 장치는 데이터 구동 모델을 사용하여 상태 변수의 예측된 시계열을 결정하기 위한 입력 파라미터로서 테스트 프로토콜을 사용하도록 구성될 수 있다. 구체적으로, 처리 장치는, 수신된 배터리 성능 입력 데이터에 기초하여, 예컨대, 테스트 프로토콜 및/또는 상이한 충전 사이클 및/또는 방전 사이클의 시퀀스에 대한 수신된 정보에 기초하여, 적어도 하나의 적절한 데이터 구동 모델을 선택하도록 구성될 수 있다. 처리 장치는 복수의 데이터 구동 모델을 포함할 수 있는데, 처리 장치는 테스트 프로토콜에 따라 상태 변수의 예측된 시계열을 결정하기 위해 데이터 구동 모델들 중 하나를 선택하도록 구성된다. 예를 들어, 복수의 데이터 구동 모델의 각각은 상이한 테스트 프로토콜을 사용하여 도출된 데이터에 대해 훈련될 수 있다. 모델들은 복잡성을 제어하는 상이한 피팅 파라미터 및 상이한 하이퍼파라미터를 가질 수 있다. 그러나, 일반적인 구조는 모든 모델에서 동일할 수 있다. 가장 적합한 데이터 구동 모델을 선택하기 위한 다른 기준도 가능하다. 예를 들어, 처리 장치는 예컨대 재료 특성에 따른 복수의 데이터 구동 모델을 포함할 수 있다. 처리 장치는 배터리 성능 입력 데이터를 분석하도록 구성될 수 있는데, 분석은 적어도 하나의 재료 특성을 결정하는 것을 포함한다. 처리 장치는 재료 특성에 기초하여 데이터 구동 모델 중 적어도 하나를 선택하도록 구성될 수 있다. 재료 특성에 대한 정보는 메타데이터와 같은 배터리 성능 입력 데이터로부터 결정될 수 있다.
처리 장치는 적어도 하나의 신뢰성 테스트를 수행하도록 구성될 수 있는데, 여기서는 결정된 상태 변수가 실험 테스트 결과와 비교된다. 본 명세서에 사용되는 "신뢰성 테스트"라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 하나 이상의 실험적 테스트 결과를 준수하는지에 대해 데이터 구동 모델의 출력을 검토하는 것, 검사하는 것 또는 테스트하는 것 중 하나 이상의 프로세스를 제한 없이 지칭할 수 있다. 신뢰성 테스트에서, 상태 변수의 예측된 시계열은 실험 테스트 결과와 비교될 수 있다. 상이한 배터리 유형 또는 재료에 대한 실험 결과는 적어도 하나의 데이터 저장소에 저장될 수 있으며, 신뢰성 테스트에서의 비교에 사용될 수 있다.
테스트 시스템은 상태 변수의 예측된 시계열의 적어도 일부를 제공하도록 구성된다. 본 명세서에서 사용될 때, "적어도 일부"라는 용어는 상태 변수의 완전한 예측된 시계열이 제공되는 실시예 및/또는 상태 변수의 예측된 시계열의 적어도 하나의 특정 시간 범위 또는 시점이 제공되는 실시예 및/또는 예측된 시계열에 관련된 다른 정보가 제공되는 실시예를 지칭한다. 테스트 시스템은 상태 변수의 예측된 시계열의 적어도 일부에 대한 정보를 포함하는 적어도 하나의 출력을 출력하도록 구성된 적어도 하나의 출력 인터페이스를 포함할 수 있다. 출력은 시간에 따른 상태 변수의 전개를 보여주는 적어도 하나의 히스토그램 중 하나 이상을 포함할 수 있다. 출력은 또한 배터리 수명의 적어도 하나의 예측 및/또는 적어도 하나의 범주화에 대한 정보를 포함할 수 있다. 테스트 시스템은 상태 변수의 예측된 시계열에 따라 적어도 하나의 조치(measure)를 수행하도록 구성될 수 있는데, 조치는 추천을 발행하는 것, 경고를 발행하는 것, 배터리의 캐소드 재료의 변경이 요구된다는 표시를 발행하는 것 중 하나 이상을 포함한다. 본 명세서에서 사용될 때, "조치"라는 용어는 배터리 성능의 결정 결과에 따른 임의의 행위를 지칭한다. 테스트 시스템은 결정된 배터리 성능에 대한 적어도 하나의 정보를 배터리의 고객에게 제공하도록 구성될 수 있다. 예를 들어, 정보는 출력 인터페이스에 의해 고객에게 제공될 수 있다. 정보는 또한 테스트 장비에서의 배터리에 대한 순위 매김, 배터리의 분류, 캐소드 재료의 분류, 또는 적어도 하나의 추천 중 하나 이상을 포함할 수 있다. 출력은 테스트 장비에서의 배터리에 대한 순위 매김 및/또는 배터리 측정이 중단될 수 있는 추천을 포함할 수 있다. 통신 인터페이스는 테스트 장비의 상태를 모니터링하는 것을 허용하도록 구성될 수 있다. 이를 통해 배터리 성능의 결정 결과에 기초하여 다음 실험을 준비하고 설계할 수 있다.
본 발명의 다른 양태에서는, 적어도 하나의 배터리의 배터리 성능을 결정하기 위한 적어도 하나의 테스트 프로토콜에 기초하여 적어도 하나의 배터리에 대해 적어도 하나의 배터리 성능 테스트를 수행하도록 구성된 테스트 장비가 제안된다.
본 명세서에 사용되는 "테스트 장비"라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 적어도 하나의 배터리의 속성을 테스트하기 위한 환경을 제한 없이 지칭할 수 있다. 테스트 장비는 복수의 배터리를 테스트하도록 구성될 수 있다. 테스트 장비는 테스트 또는 테스트 시퀀스 동안 배터리를 저장하기 위한 적어도 하나의 저장 장치를 포함할 수 있다.
배터리 성능 테스트는 상이한 충전 사이클 및/또는 방전 사이클의 적어도 하나의 시퀀스를 포함한다. 배터리 성능 테스트는 각 사이클에 대한 방전-충전 곡선을 결정하는 것을 포함한다. 테스트 장비는 테스트 프로토콜을 나타내는 동작 데이터 및 배터리 성능 입력 데이터를 본 발명에 따른 적어도 하나의 테스트 시스템에 제공하도록 구성된 적어도 하나의 통신 인터페이스를 포함한다. 테스트 장비의 정의 및 실시예에 대해서는 테스트 시스템에 대한 설명을 참조한다.
본 발명의 다른 양태에서는, 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위해 적어도 하나의 데이터 구동 모델을 결정하는 방법이 제안된다. 방법은 적어도 하나의 훈련 데이터 세트를 사용하여 데이터 구동 모델을 훈련시키는 단계를 포함한다. 훈련 데이터 세트는 적어도 하나의 알려진 배터리 구성 및 적어도 하나의 알려진 테스트 프로토콜의 충전 및 방전 사이클의 이력 데이터를 포함한다. 이의 정의 및 실시예에 대해서는 위의 또는 아래에서 더 자세히 설명되는 테스트 시스템의 설명을 참조한다.
방법은,
적어도 하나의 랜덤 동적 저장소를 생성하는 단계와,
적어도 하나의 입력 유닛 및 적어도 하나의 출력 유닛을 결정하는 단계와,
입력-저장소 간 접속 및 출력-저장소 간 접속을 생성하는 단계와,
적어도 하나의 입력 가중치 행렬(Win) 및 적어도 하나의 저장소 가중치 행렬(W)을 선택하는 단계와,
훈련 데이터를 사용하여 데이터 구동 모델을 훈련시킴으로써 출력 가중치를 결정하는 단계를 포함하는데, 출력 가중치는 회귀 분석(regression analysis)을 사용하여 결정된다.
예를 들어, 데이터 구동 모델은 적어도 하나의 에코 상태 네트워크일 수 있다. 랜덤 동적 저장소는 임의의 뉴런 모델을 사용하여 생성될 수 있다. 데이터 구동 모델의 결정은 훈련 테스트 배터리의 배터리 성능을 특징짓는 적어도 하나의 파라미터를 측정함으로써 제1 시점에서 특히 실험적으로 결정된 훈련 데이터를 입력
Figure pct00001
으로서 랜덤 동적 저장소에 적용하는 것을 포함할 수 있다. 따라서, 입력
Figure pct00002
은 입력 상태로서 입력 유닛에 채워질 수 있고, 저장소에 적용되어 저장소 뉴런 활성화의 벡터
Figure pct00003
를 생성할 수 있다. 데이터 구동 모델의 결정은 출력 피드백을 허용하기 위해 출력-저장소 간 접속을 생성하는 것을 포함할 수 있다. 출력 유닛은, 특히, 훈련 테스트 배터리의 배터리 성능을 특징짓는 적어도 하나의 파라미터를 측정함으로써 제1 시점으로부터 지연된 제2 시점에서 실험적으로 결정되는, 훈련 데이터의 소위 교사 출력(teacher output)
Figure pct00004
으로 채워질 수 있다. 출력 가중치
Figure pct00005
는 저장소 상태
Figure pct00006
에 대한 교사 출력
Figure pct00007
의 회귀 분석, 특히 선형 회귀를 사용하여 결정될 수 있다. 출력 가중치
Figure pct00008
는 출력-저장소 간 접속에 사용된다. 훈련은 예를 들어 상이한 캐소드 재료와 같은 것 등에 대해 상이한 훈련 데이터 세트를 사용하는 복수의 훈련 사이클을 포함할 수 있다.
에코 상태 네트워크는 다음과 같은 시스템 방정식을 사용할 수 있다:
Figure pct00009
여기서,
Figure pct00010
은 에코 상태 네트워크의 입력 행렬이고,
Figure pct00011
는 저장소 뉴런 활성화의 벡터이고,
Figure pct00012
는 시간 n에서의 업데이트이고, f는 활성화 함수, 특히 로지스틱 시그모이드 또는 탄 함수(logistic sigmoid or tanh function)와 같은 시그모이드 함수이며 요소별로 적용되고, [;]는 수직 벡터 또는 행렬 연결(concatenation)을 의미하고,
Figure pct00013
및
Figure pct00014
는 각각 입력 및 순환 가중치 행렬이고,
Figure pct00015
은 누설률(leaking rate)이다("A Practical Guide to Applying Echo State Networks", Mantas Lukosevicius, Published in Neural Networks: Tricks of the Trade 2012. DOI:10.1007/978-3-642-35289-8_36 및 http://minds.jacobs-university.de/uploads/papers/PracticalESN.pdf 참조). 교사 출력
Figure pct00016
은 다음 식에 의해 제공될 수 있고,
Figure pct00017
여기서, g는 출력 활성화 함수,
Figure pct00018
은 출력 가중치 행렬,
Figure pct00019
은 확장된 시스템 상태인데,
Figure pct00020
은 시간 n에서 저장소와 입력 상태의 연결이다. 위에서 약술한 바와 같이, 훈련 단계 동안, 에코 상태 네트워크 출력 가중치
Figure pct00021
는 훈련 데이터 세트로부터 도출된 원하는 출력에 대한 회귀 분석을 사용하여 결정될 수 있다. 훈련 후, 에코 상태 네트워크는 테스트 대상 배터리의 배터리 성능을 결정하는 데 사용될 수 있다.
테스트 대상 배터리의 배터리 성능을 결정하기 위해, 배터리 성능 입력 데이터가 처리되어 에코 상태 네트워크에 대한 입력으로 적용될 수 있다. 처리는 목표 상태 변수로도 표시되는 훈련된 에코 상태 네트워크에 의해 결정될 수 있는 배터리 성능을 특징짓는 하나 이상의 파라미터에 관한 정보의 선택 및/또는 데이터 집계를 포함할 수 있다. 이 경우 에코 상태 네트워크의 출력 y(n)은 특정 미래 시점 또는 미래 사이클에 대한 목표 상태 변수 또는 상태 변수의 행렬일 수 있다.
본 발명의 다른 양태에서는, 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터-구현 방법이 제안된다. 방법에서 본 발명에 따른 적어도 하나의 테스트 시스템이 사용된다. 따라서, 방법의 실시예 및 정의와 관련하여 위의 테스트 시스템의 설명 또는 아래에서 더 자세히 설명된 바와 같이 참조가 이루어진다.
본 명세서에 사용되는 "컴퓨터-구현"이라는 용어는 광의의 용어로서, 당업자에게 통상적이고 관례적인 의미를 부여해야 하며, 특별하거나 맞춤화된 의미로 제한되어서는 안 된다. 이 용어는 구체적으로 적어도 하나의 프로세서를 포함하는 데이터 처리 수단과 같은 데이터 처리 수단을 사용하여 완전히 또는 부분적으로 구현되는 프로세스를 제한 없이 지칭할 수 있다. 따라서, "컴퓨터"라는 용어는 일반적으로 적어도 하나의 프로세서와 같은 적어도 하나의 데이터 처리 수단을 갖는 장치 또는 장치들의 조합 또는 네트워크를 지칭할 수 있다. 또한, 컴퓨터는 데이터 저장 장치, 전자 인터페이스 또는 인간-머신 인터페이스 중 적어도 하나와 같은 하나 이상의 추가 구성요소를 포함할 수 있다.
이 방법은 구체적으로 주어진 순서로 수행될 수 있는 다음과 같은 방법 단계를 포함한다. 다른 순서도 역시 가능하다. 두 개 이상의 방법 단계를 완전히 또는 부분적으로 동시에 수행하는 것도 가능하다. 또한, 방법 단계들 중 하나 이상 또는 심지어 모두는 한 번만 수행될 수 있거나, 한 번 또는 여러 번 반복되는 것과 같이 반복적으로 수행될 수 있다. 또한, 방법은 나열되지 않은 추가 방법 단계를 포함할 수 있다.
이 방법은,
a) 적어도 하나의 통신 인터페이스를 통해 적어도 하나의 테스트 프로토콜을 나타내는 동작 데이터를 검색하는 단계와,
b) 통신 인터페이스를 통해 배터리 성능 입력 데이터를 검색하는 단계와,
c) 처리 장치를 사용함으로써, 데이터 구동 모델을 사용하여 배터리 성능 입력 데이터 및 동작 데이터에 기초하여 배터리 성능을 나타내는 상태 변수의 예측된 시계열을 결정하는 단계와,
d) 상태 변수의 예측된 시계열의 적어도 일부를 제공하는 단계를 포함한다.
방법 단계 a) 내지 d)는 완전히 또는 부분적으로 컴퓨터-구현 방식으로 수행될 수 있다. 방법 단계 a) 및 b)에서, 적어도 하나의 테스트 프로토콜을 나타내는 동작 데이터 및 배터리 성능 입력 데이터는 통신 인터페이스를 통해(예컨대 웹 인터페이스에 의해) 테스트 시스템에, 특히, 단계 c)에서의 분석을 위해 처리 장치에 전송될 수 있다.
본 발명의 다른 양태에서는, 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터 프로그램이 제안된다. 컴퓨터 프로그램은, 프로그램이 컴퓨터 또는 컴퓨터 시스템에 의해 실행될 때 컴퓨터 또는 컴퓨터 시스템으로 하여금 위에서 설명되거나 또는 아래에 더 상세히 설명되는 배터리 성능을 결정하는 방법을 수행하게 하는 명령어를 포함한다. 특히, 위에 표시된 방법의 방법 단계 a) 내지 d) 중 하나, 둘 이상 또는 심지어 모두는 컴퓨터 또는 컴퓨터 네트워크를 사용하여, 바람직하게는 컴퓨터 프로그램을 사용하여 수행될 수 있다. 따라서, 본 명세서에 사용된 대부분의 용어의 가능한 정의에 대해서는, 위의 또는 아래에서 더 상세히 설명되는, 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하는 컴퓨터-구현 방법의 설명을 참조할 수 있다.
구체적으로, 컴퓨터 프로그램 중 하나 또는 둘 모두는 컴퓨터 판독가능 데이터 캐리어 및/또는 컴퓨터 판독가능 저장 매체에 저장될 수 있다. 본 명세서에서 사용될 때, "컴퓨터 판독가능 데이터 캐리어" 및 "컴퓨터 판독가능 저장 매체"라는 용어는 구체적으로 컴퓨터 실행가능 명령어가 저장된 하드웨어 저장 매체와 같은 비일시적 데이터 저장 수단을 지칭할 수 있다. 컴퓨터 판독가능 데이터 캐리어 또는 저장 매체는 구체적으로 RAM(random-access memory) 및/또는 ROM(read-only memory)과 같은 저장 매체이거나 이를 포함할 수 있다.
프로그램이 컴퓨터 또는 컴퓨터 네트워크에서 실행될 때, 본 명세서에 포함된 하나 이상의 실시예에서 본 발명에 따라 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하는 방법을 수행하기 위해, 프로그램 코드 수단을 갖는 컴퓨터 프로그램 제품이 본 명세서에 추가로 개시되고 제안된다. 구체적으로, 프로그램 코드 수단은 컴퓨터 판독가능 데이터 캐리어 및/또는 컴퓨터 판독가능 저장 매체에 저장될 수 있다.
컴퓨터 또는 컴퓨터 네트워크(예컨대, 컴퓨터 또는 컴퓨터 네트워크의 작업 메모리 또는 메인 메모리)에 로딩한 후 본 명세서에 개시된 실시예들 중 하나 이상에 따라 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하는 방법을 실행할 수 있는 데이터 구조가 저장되어 있는 데이터 캐리어가 본 명세서에 추가로 개시되고 제안된다.
프로그램이 컴퓨터 또는 컴퓨터 네트워크에서 실행될 때, 본 명세서에 개시된 하나 이상의 실시예에 따라 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하는 방법을 수행하기 위해, 머신 판독가능 캐리어에 저장된 프로그램 코드 수단을 갖는 컴퓨터 프로그램 제품이 본 명세서에 추가로 개시되고 제안된다. 본 명세서에서 사용될 때, 컴퓨터 프로그램 제품은 거래가능한 제품으로서의 프로그램을 지칭한다. 제품은 일반적으로 종이 형식 또는 컴퓨터 판독가능 데이터 캐리어와 같은 임의의 형식으로 존재할 수 있다. 특히, 컴퓨터 프로그램 제품은 데이터 네트워크를 통해 배포될 수 있다.
본 발명의 다른 양태에서는, 배터리 재료 및/또는 배터리 지오메트리(battery geometry)와 같은 합성 및/또는 제조 파라미터를 최적화하기 위한, 본 발명에 따른 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하는 컴퓨터-구현 방법의 사용이 제안된다.
본 발명의 다른 양태에서는, 본 발명에 따른 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하는 컴퓨터-구현 방법에 의해 결정된 상태 변수의 예측된 시계열의 적어도 일부를 배터리 재료 및/또는 배터리 지오메트리를 최적화하기 위한 시스템에 제공하는 방법이 제안된다.
최적화는 적어도 하나의 시뮬레이션을 수행하는 것을 포함할 수 있다.
본 발명의 방법, 시스템 및 프로그램은 당업계에 알려진 방법, 시스템 및 프로그램에 비해 많은 이점을 갖는다. 특히, 본 명세서에 개시된 방법, 시스템 및 프로그램은 배터리 재료의 개발 중 테스트 장비에서의 측정 시간을 수 개월에서 수 주로 줄이는 것을 허용할 수 있다. 또한, 본 발명의 방법, 시스템 및 프로그램은 배터리의 양호 상태뿐만 아니라, 적어도 하나의 테스트 프로토콜에 의해 정의된 바와 같이 추가로 처리될 경우 배터리의 미래 속성을 예측하는 것도 허용할 수 있다.
추가 가능한 실시예를 배제하지 않으면서 요약하면, 다음과 같은 실시예가 구상될 수 있다:
실시예 1: 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 테스트 시스템으로서, 테스트 시스템은 적어도 하나의 통신 인터페이스 및 적어도 하나의 처리 장치를 포함하고, 테스트 시스템은 통신 인터페이스를 통해 적어도 하나의 테스트 프로토콜을 나타내는 동작 데이터를 수신하도록 구성되고, 테스트 시스템은 통신 인터페이스를 통해 배터리 성능 입력 데이터를 수신하도록 구성되고, 처리 장치는 적어도 하나의 데이터 구동 모델을 사용하여 배터리 성능 입력 데이터 및 동작 데이터에 기초하여 배터리 성능을 나타내는 적어도 하나의 상태 변수의 적어도 하나의 예측된 시계열을 결정하도록 구성되고, 테스트 시스템은 상태 변수의 예측된 시계열의 적어도 일부를 제공하도록 구성되는, 테스트 시스템.
실시예 2: 실시예 1에 있어서, 데이터 구동 모델은 적어도 하나의 에코 상태 네트워크와 같은 적어도 하나의 순환 신경망을 포함하는, 테스트 시스템.
실시예 3: 실시예 1 또는 실시예 2에 있어서, 상태 변수는 적어도 하나의 충전-방전-곡선으로부터 유도될 수 있고, 상태 변수는 방전 용량, 충전 용량, 충전-방전 곡선의 모양, 평균 전압, 개방 회로 전압, 차동 용량, 쿨롱 효율, 및 내부 저항으로 이루어진 그룹으로부터 선택된 적어도 하나의 변수인, 테스트 시스템.
실시예 4: 실시예 1 내지 실시예 3 중 어느 한 실시예에 있어서, 적어도 하나의 테스트 프로토콜을 나타내는 동작 데이터는 상이한 충전 사이클 및/또는 방전 사이클의 적어도 하나의 시퀀스를 포함하는, 테스트 시스템.
실시예 5: 실시예 1 내지 실시예 4 중 어느 한 실시예에 있어서, 데이터 구동 모델은 적어도 하나의 훈련 데이터 세트에 대해 훈련된 것이고, 훈련 데이터 세트는 적어도 하나의 알려진 배터리 구성 및 적어도 하나의 알려진 테스트 프로토콜의 충전 및 방전 사이클의 이력 데이터의 시계열을 포함하는, 테스트 시스템.
실시예 6: 실시예 1 내지 실시예 5 중 어느 한 실시예에 있어서, 처리 장치는 데이터 구동 모델을 사용하여 상태 변수의 예측된 시계열을 결정하기 위한 입력 파라미터로서 테스트 프로토콜을 사용하도록 구성되고/되거나, 처리 장치는 복수의 데이터 구동 모델을 포함하고, 처리 장치는 테스트 프로토콜에 따라 상태 변수의 예측된 시계열을 결정하기 위해 복수의 데이터 구동 모델 중 하나를 선택하도록 구성되는, 테스트 시스템.
실시예 7: 실시예 1 내지 실시예 6 중 어느 한 실시예에 있어서, 처리 장치는 데이터 구동 모델을 사용하여 상태 변수의 예측된 시계열을 결정하기 위한 입력 파라미터로서 배터리 성능 입력 데이터를 사용하도록 구성되는, 테스트 시스템.
실시예 8: 실시예 7에 있어서, 처리 장치는 복수의 데이터 구동 모델을 포함하고, 처리 장치는 배터리 성능 입력 데이터를 분석하도록 구성되고, 분석은 적어도 하나의 재료 특성을 결정하는 것을 포함하고, 복수의 데이터 구동 모델 중 적어도 하나는 재료 특성에 기초하여 선택되는, 테스트 시스템.
실시예 9: 실시예 1 내지 실시예 8 중 어느 한 실시예에 있어서, 배터리 성능 입력 데이터는 테스트 프로토콜에 응답하여 생성된 데이터를 포함하는, 테스트 시스템.
실시예 10: 실시예 1 내지 실시예 9 중 어느 한 실시예에 있어서, 테스트 프로토콜은 미리 정의되는, 테스트 시스템.
실시예 11: 실시예 1 내지 실시예 10 중 어느 한 실시예에 있어서, 데이터 구동 모델은 적어도 하나의 테스트 프로토콜을 나타내는 동작 데이터 및 배터리 성능 입력 데이터에 기초하여 파라미터화된 것인, 테스트 시스템.
실시예 12: 실시예 11에 있어서, 데이터 구동 모델은 적어도 하나의 테스트 프로토콜을 따르는 과거 및 미래 충전-방전 사이클의 지식을 사용하여 미래 배터리 성능을 예측하는, 테스트 시스템.
실시예 13: 실시예 1 내지 실시예 12 중 어느 한 실시예에 있어서, 데이터 구동 모델은 시간 메모리를 갖고/갖거나 데이터 구동 모델은 시간 종속 모델인, 테스트 시스템.
실시예 14: 실시예 1 내지 실시예 13 중 어느 한 실시예에 있어서, 테스트 프로토콜은 적어도 하나의 배터리 성능 테스트에 대한 정보를 포함하고, 배터리 성능 테스트는 상이한 충전 사이클 및/또는 방전 사이클의 적어도 하나의 시퀀스를 포함하고, 배터리 성능 테스트에서는 각 사이클에 대해 방전-충전 곡선이 결정되는, 테스트 시스템.
실시예 15: 실시예 14에 있어서, 배터리 성능 테스트는 고객에 의해 수행되고, 고객은 배터리 성능 입력 데이터를 통신 인터페이스를 통해 테스트 시스템에 제공하고, 테스트 시스템은 상태 변수의 예측된 시계열의 적어도 일부를 고객에게 제공하도록 구성되는, 테스트 시스템.
실시예 16: 실시예 1 내지 실시예 15 중 어느 한 실시예에 있어서, 테스트 시스템은 상태 변수의 예측된 시계열의 적어도 일부에 대한 정보를 포함하는 적어도 하나의 출력을 출력하도록 구성된 적어도 하나의 출력 인터페이스를 포함하는, 테스트 시스템.
실시예 17: 실시예 16에 있어서, 출력은 시간에 따른 상태 변수의 전개를 나타내는 적어도 하나의 히스토그램 중 하나 이상을 포함하고, 출력은 배터리 수명의 적어도 하나의 예측 및/또는 적어도 하나의 범주화에 대한 정보를 더 포함하는, 테스트 시스템.
실시예 18: 실시예 1 내지 실시예 17 중 어느 한 실시예에 있어서, 테스트 시스템은 상태 변수의 예측된 시계열에 따라 적어도 하나의 조치(measure)를 수행하도록 구성되고, 조치는 추천을 발행하는 것, 경고를 발행하는 것, 배터리의 캐소드 재료의 변경이 요구된다는 표시를 발행하는 것 중 하나 이상을 포함하는, 테스트 시스템.
실시예 19: 실시예 1 내지 실시예 18 중 어느 한 실시예에 있어서, 배터리 성능 입력 데이터는 방전-충전 사이클 데이터를 포함하고, 방전-충전 사이클 데이터는 적어도 하나의 충전-방전 곡선을 포함하는, 테스트 시스템.
실시예 20: 실시예 1 내지 실시예 19 중 어느 한 실시예에 있어서, 배터리 성능 입력 데이터는 방전 용량에 대한 정보, 충전 용량에 대한 정보, 충전-방전 곡선의 모양에 대한 정보, 평균 전압에 대한 정보, 개방 회로 전압에 대한 정보, 차동 용량에 대한 정보, 쿨롱 효율에 대한 정보, 및 내부 저항에 대한 정보 중 하나 이상을 포함하는, 테스트 시스템.
실시예 21: 실시예 1 내지 실시예 20 중 어느 한 실시예에 있어서, 배터리 성능 입력 데이터는 캐소드 재료와 셀 설정 중 하나 이상에 관한 메타데이터를 포함하는, 테스트 시스템.
실시예 22: 실시예 1 내지 실시예 21 중 어느 한 실시예에 있어서, 처리 장치는 배터리 성능 입력 데이터를 검증하도록 구성되고, 검증은 검색된 배터리 성능 입력 데이터가 완전한지 및/또는 배터리 성능의 결정을 위해 충분한 사이클을 포함하는지를 결정하는 것을 포함하는, 테스트 시스템.
실시예 23: 실시예 1 내지 실시예 22 중 어느 한 실시예에 있어서, 처리 장치는 적어도 하나의 신뢰성 테스트를 수행하도록 구성되고, 신뢰성 테스트에서는 결정된 상태 변수가 실험 테스트 결과와 비교되는, 테스트 시스템.
실시예 24: 적어도 하나의 테스트 프로토콜에 기초하여 적어도 하나의 배터리에 대해 적어도 하나의 배터리 성능 테스트를 수행하도록 구성된 테스트 장비로서, 배터리 성능 테스트는 상이한 충전 사이클 및/또는 방전 사이클의 적어도 하나의 시퀀스를 포함하고, 배터리 성능 테스트는 각 사이클에 대한 방전-충전 곡선의 결정을 포함하고, 테스트 장비는 테스트 프로토콜을 나타내는 동작 데이터 및 배터리 성능 입력 데이터를 실시예 1 내지 실시예 23 중 어느 한 실시예에 따른 적어도 하나의 테스트 시스템에 제공하도록 구성된 적어도 하나의 통신 인터페이스를 포함하는, 테스트 장비.
실시예 25: 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 적어도 하나의 데이터 구동 모델을 결정하기 위한 방법으로서, 적어도 하나의 훈련 데이터 세트를 사용하여 데이터 구동 모델을 훈련시키는 단계를 포함하되, 훈련 데이터 세트는 적어도 하나의 알려진 배터리 구성 및 적어도 하나의 알려진 테스트 프로토콜의 충전 및 방전 사이클의 이력 데이터를 포함하는, 방법.
실시예 26: 실시예 25에 있어서,
적어도 하나의 랜덤 동적 저장소를 생성하는 단계와,
적어도 하나의 입력 유닛 및 적어도 하나의 출력 유닛을 결정하는 단계와,
입력-저장소 간 접속(input-to-reservoir connections) 및 출력-저장소 간 접속(output-to-reservoir connections)을 생성하는 단계와,
적어도 하나의 입력 가중치 행렬과 적어도 하나의 저장소 가중치 행렬을 선택하는 단계와,
훈련 데이터를 사용하여 데이터 구동 모델을 훈련시켜 출력 가중치를 결정하는 단계 ― 출력 가중치는 회귀 분석을 사용하여 결정됨 ― 를 포함하는,
방법.
실시예 27: 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터-구현 방법으로서,
방법에는 실시예 1 내지 실시예 23 중 어느 한 실시예에 따른 적어도 하나의 테스트 시스템이 사용되며, 방법은,
a) 적어도 하나의 통신 인터페이스를 통해 적어도 하나의 테스트 프로토콜을 나타내는 동작 데이터를 검색하는 단계와,
b) 통신 인터페이스를 통해 배터리 성능 입력 데이터를 검색하는 단계와,
c) 처리 장치를 사용함으로써, 데이터 구동 모델을 사용하여 배터리 성능 입력 데이터 및 동작 데이터에 기초하여 배터리 성능을 나타내는 상태 변수의 예측된 시계열을 결정하는 단계와,
d) 상태 변수의 예측된 시계열의 적어도 일부를 제공하는 단계를 포함하는,
컴퓨터-구현 방법.
실시예 28: 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터 프로그램으로서, 컴퓨터 프로그램은 컴퓨터 또는 컴퓨터 네트워크 상에서 실행될 때, 컴퓨터 또는 컴퓨터 네트워크로 하여금, 실시예 27에 따른 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터-구현 방법을 완전히 또는 부분적으로 수행하게 하도록 구성되고, 컴퓨터 프로그램은 실시예 27에 따른 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터-구현 방법의 적어도 단계 a) 내지 d)를 수행하도록 구성되는, 컴퓨터 프로그램.
실시예 29: 배터리 재료 및/또는 배터리 지오메트리(geometry)를 최적화하기 위한, 실시예 27에 따른 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터-구현 방법의 용도.
실시예 30: 실시예 27의 방법에 의해 결정된 상태 변수의 예측된 시계열의 적어도 일부를 배터리 재료 및/또는 배터리 지오메트리를 최적화하기 위한 시스템에 제공하는 방법.
추가의 선택적인 특징 및 실시예는 바람직하게는 종속항과 관련하여 실시예의 후속 설명에서 더욱 상세하게 개시될 것이다. 여기서, 각각의 선택적인 특징은 당업자가 인식하는 바와 같이 분리된 방식으로 및 임의의 실행 가능한 조합으로 실현될 수 있다. 본 발명의 범위는 바람직한 실시예에 의해 제한되지 않는다. 실시예는 도면에 개략적으로 도시되어 있다. 여기서, 이들 도면의 동일한 참조 번호는 동일하거나 기능적으로 유사한 요소를 나타낸다.
도 1은 본 발명에 따른 테스트 시스템 및 테스트 장비의 실시예를 개략적으로 도시한다.
도 2는 본 발명에 따른 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하는 방법의 실시예를 개략적으로 도시한다.
도 3은 본 발명에 따른 방법을 사용한 실험 결과 및 예측의 비교를 도시한다.
도 4a 및 도 4b는 예시적인 충전-방전 곡선 및 배터리 성능 입력 데이터의 추출을 도시한다.
도 1은 테스트에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 테스트 시스템(110)의 실시예를 매우 개략적으로 도시한다. 예시적인 배터리(112)가 도시된다. 배터리(112)는 재충전형 배터리일 수 있다. 배터리(112)는 리튬 이온 배터리(Li-Ion), 니켈-카드뮴(Ni-Cd), 니켈 금속 수소화물(Ni-MH)로 이루어진 그룹으로부터 선택될 수 있다. 예를 들어, 배터리는 LiCoO2(리튬 코발트 산화물), LiNixMnyCozO2(리튬 니켈-망간-코발트-산화물) 및 LiFePO4(리튬 철 인산염)으로 이루어진 그룹으로부터 선택된 적어도 하나의 캐소드 재료를 포함할 수 있다. 예를 들어, 배터리는 흑연, 실리콘으로 이루어진 그룹으로부터 선택된 적어도 하나의 애노드 재료를 포함할 수 있다. 예를 들어, 배터리는 에틸렌 카보네이트(ethylene carbonate), 디메틸 카보네이트(dimethyl carbonate) 및 디에틸 카보네이트(diethyl carbonate)와 같은 유기 용매 내에 LiPF6, LiBF4 또는 LiClO4로 이루어진 그룹으로부터 선택된 적어도 하나의 전해질을 포함할 수 있다.
테스트 시스템(110)은 적어도 하나의 통신 인터페이스(114)를 포함한다. 테스트 시스템(110)은 통신 인터페이스(114)를 통해 배터리(112)의 배터리 성능 입력 데이터를 수신하도록 구성된다. 통신 인터페이스(114)는 배터리 성능 입력 데이터를 저장하도록 구성된 적어도 하나의 데이터 저장 장치를 포함할 수 있다. 통신 인터페이스(114)는 구체적으로 정보를 전송하거나 교환하는 수단을 제공할 수 있다. 특히, 통신 인터페이스(114)는 데이터 전송 접속, 예컨대, 블루투스, NFC, 유도 결합 등을 제공할 수 있다. 예로서, 통신 인터페이스(114)는 네트워크 또는 인터넷 포트, USB 포트 및 디스크 드라이브 중 하나 이상을 포함하는 적어도 하나의 포트일 수 있거나 이를 포함할 수 있다. 통신 인터페이스(114)는 적어도 하나의 웹 인터페이스일 수 있다. 통신 인터페이스(114)는 적어도 하나의 서버, 복수의 서버를 포함하는 적어도 하나의 서버 시스템, 적어도 하나의 클라우드 서버 또는 클라우드 컴퓨팅 인프라스트럭처로 이루어진 그룹으로부터 선택된 적어도 하나의 데이터베이스이거나 이를 포함할 수 있다. 통신 인터페이스(114)는 수신된 배터리 성능 입력 데이터를 저장하도록 구성된 적어도 하나의 저장 유닛을 포함할 수 있다.
배터리 성능 입력 데이터는 테스트 프로토콜에 응답하여 생성된 배터리의 거동 및/또는 성능에 대한 정보를 포함하는 데이터일 수 있다. 배터리 성능 입력 데이터는 적어도 하나의 테스트 프로토콜에 응답하여 생성된 데이터를 포함할 수 있다. 배터리 성능 입력 데이터는 미가공 데이터 및/또는 전처리된 데이터이거나 이를 포함할 수 있다. 배터리 성능 입력 데이터는 적어도 하나의 테스트 프로그램을 수행함으로써 결정될 수 있다. 테스트 프로그램은 배터리(112)의 적어도 하나의 방전-충전 곡선을 결정하는 것을 포함할 수 있다. 테스트 프로그램은 테스트 장비(116)에서 수행될 수 있다. 배터리 성능 입력 데이터는 통신 인터페이스(114)를 통해 실시간으로 또는 대량 전송으로 지연되어 테스트 시스템(110)에 전송될 수 있다.
배터리 성능 입력 데이터는 방전-충전 사이클 데이터를 포함할 수 있다. 방전-충전 사이클 데이터는 적어도 하나의 충전-방전 곡선을 포함할 수 있다. 배터리 성능 입력 데이터는 방전 용량에 대한 정보, 충전 용량에 대한 정보, 충전-방전 곡선의 모양에 대한 정보, 평균 전압에 대한 정보, 개방 회로 전압에 대한 정보, 차동 용량에 대한 정보, 쿨롱 효율에 대한 정보, 및 내부 저항에 대한 정보 중 하나 이상을 포함할 수 있다. 배터리 성능 입력 데이터는 캐소드 재료 및 셀 설정 중 하나 이상에 관련된 메타데이터를 포함할 수 있다. 메타데이터는 예컨대 캐소드 재료 및/또는 셀 설정을 고려하여 적절한 훈련된 모델을 선택하는 데 사용될 수 있다.
테스트 시스템(110)은 통신 인터페이스(114)를 통해 테스트 프로토콜을 나타내는 동작 데이터를 수신하도록 구성된다. 동작 데이터는 테스트 장비(116)에서 배터리(112)에 대해 수행되는 적어도 하나의 테스트 프로그램에 대한 정보, 특히 동작 조건, 테스트 순서, 프로세스 등을 포함할 수 있다. 테스트 장비(116)는 테스트 동안 배터리를 수용하도록 구성된 배터리 저장 장치(118) 및 배터리에 복수의 충전-방전 사이클을 적용하도록 구성된 사이클 머신(120)을 포함할 수 있다. 사이클 머신(120)은 배터리 성능 입력 데이터를 기록하도록 구성될 수 있다. 적어도 하나의 테스트 프로토콜을 나타내는 동작 데이터는, 예를 들어, 상이한 충전 사이클 및/또는 방전 사이클의 적어도 하나의 시퀀스를 포함한다. 테스트 프로토콜은 테스트 프로그램의 순서 및/또는 테스트 프로그램의 시퀀스 및/또는 테스트 프로그램 각각의 지속기간을 정의할 수 있다. 각각의 테스트 프로그램은 적어도 하나의 충전-방전 사이클을 포함할 수 있는데, 여기서 적어도 2개의 테스트 프로그램의 충전-방전 사이클은 상이하다. 테스트 프로토콜은 적어도 하나의 배터리 성능 테스트에 대한 정보를 포함할 수 있다. 배터리 성능 테스트는 상이한 충전 사이클 및/또는 방전 사이클의 적어도 하나의 시퀀스를 포함할 수 있다. 배터리 성능 테스트에서, 각 사이클에 대해 방전-충전 곡선이 결정될 수 있다. 배터리 성능 테스트는 고객에 의해 수행될 수 있다. 고객은 배터리 성능 입력 데이터를 통신 인터페이스(114)를 통해 테스트 시스템(110)에 제공할 수 있다.
테스트 시스템(110)은 적어도 하나의 처리 장치(122)를 포함한다. 처리 장치(122)는 배터리 성능 입력 데이터를 검증하도록 구성될 수 있다. 처리 장치(122)는 적어도 하나의 데이터 구동 모델(도 1에서 참조 번호 124로 표시됨)을 사용하여 배터리 성능 입력 데이터 및 동작 데이터에 기초하여 배터리 성능을 나타내는 적어도 하나의 상태 변수의 적어도 하나의 예측된 시계열을 결정하도록 구성된다. 검증은 검색된 배터리 성능 입력 데이터가 완전한지 및/또는 배터리 성능을 결정하기 위한 충분한 사이클을 포함하는지를 판정하는 것을 포함할 수 있다. 검증은 배터리 성능 입력 데이터를 검토하는 것, 검사하는 것 또는 테스트하는 것 중 하나 이상을 포함할 수 있다. 구체적으로, 검증은 검색된 배터리 성능 입력 데이터가 완전한지 및/또는 배터리 성능의 결정을 위한 충분한 사이클을 포함하는지를 결정하는 것을 포함한다. 예를 들어, 검증에서 검색된 배터리 성능 입력 데이터가 완전하지 않고 및/또는 배터리 성능을 결정하기 위한 불충분한 사이클을 포함하는 것으로 드러나는 경우, 통신 인터페이스(114)를 사용하여 추가 데이터를 제공하라는 요청이 고객에게 발행될 수 있다.
상태 변수는 적어도 하나의 충전-방전-곡선으로부터 유도되거나 도출될 수 있다. 상태 변수는 방전 용량, 충전 용량, 충전-방전 곡선의 모양, 평균 전압, 개방 회로 전압, 차동 용량, 쿨롱 효율, 및 내부 저항으로 이루어진 그룹으로부터 선택된 적어도 하나의 변수일 수 있다. 상태 변수들은 동시에 사용될 수 있다.
처리 장치(122)는 미래의 전개가 예측되어야 할 상태 변수에 따라 배터리 성능 입력 데이터로부터 정보를 선택하도록 구성될 수 있다. 처리 장치(122)는 미래의 전개가 예측되어야 할 상태 변수에 따라 배터리 성능 입력 데이터의 순위를 매기도록 구성될 수 있다. 예를 들어, 상태 변수는 방전 용량일 수 있다. 순위 매김은 다음과 같을 수 있다: 이전 사이클로부터의 충전 용량 및/또는 이전 사이클로부터의 방전 용량은 예측되어야 할 상태 변수에 매우 가깝기 때문에 가장 관련성이 높은 것으로 간주될 수 있다. 충전 및/또는 방전 곡선의 모양 및 이전 사이클로부터의 내부 저항은 이전 사이클로부터의 충전 용량 및/또는 이전 사이클로부터의 방전 용량보다 관련성이 덜한 것으로 간주될 수 있다. 내부 저항과 같은 다른 상태 변수에 대해서는 순위 매김이 상이할 수 있다.
상태 변수의 예측된 시계열은 적어도 하나의 데이터 구동 모델을 사용하여 결정된 상태 변수의 예상 시계열일 수 있다. 배터리의 배터리 성능 입력 데이터는 실험 데이터일 수 있다. 상태 변수의 예측된 시계열은 데이터 구동 모델을 사용하여 결정(특히, 예측)될 수 있는데, 여기서 배터리 성능 입력 데이터는 데이터 구동 모델에 대한 입력으로 사용된다. 배터리 성능 입력 데이터는 실험 데이터를 포함할 수 있는데, 이에 기초하여 상태 변수의 예측된 시계열이 예측된다. 또한 예측된 시계열은 동작 데이터에 대해 결정된다. 테스트 시스템(110)은 적어도 하나의 저장 장치를 포함할 수 있는데, 여기에는 복수의 상이한 데이터 구동 모델이 저장될 수 있다. 예를 들어, 저장 장치는 상이한 테스트 프로토콜에 대한 상이한 데이터 구동 모델을 포함할 수 있다. 특히, 처리 장치(122)는 배터리 테스트에 사용되는 테스트 프로토콜에 기초하여 데이터 구동 모델을 선택하도록 구성될 수 있다. 추가적으로 또는 대안적으로, 데이터 저장 장치는 예측되어야 할 상태 변수에 따른 상이한 데이터 구동 모델을 포함할 수 있다. 처리 장치(122)는 하나의 상태 변수 또는 복수의 상태 변수에 대한 예측된 시계열을 결정하도록 구성될 수 있다. 상태 변수들의 임의의 조합의 시계열도 동시에 예측될 수 있다.
데이터 구동 모델은 실험 데이터 분석으로부터 도출될 수 있다. 데이터 구동 모델은 머신 학습 도구일 수 있다. 데이터 구동 모델은 적어도 하나의 훈련된 모델을 포함할 수 있다. 예를 들어, 데이터 구동 모델은 적어도 하나의 훈련 데이터 세트에 대해 훈련되었으며, 여기서 훈련 데이터 세트는 적어도 하나의 알려진 배터리 구성 및 적어도 하나의 알려진 테스트 프로토콜의 충전 및 방전 사이클의 이력 데이터의 시계열을 포함한다. 훈련 데이터 세트는, 예컨대 배터리 성능을 특징짓는 파라미터들 중 하나 이상에 대한 배터리 테스트의 복수의 실험 결과를 포함할 수 있다. 훈련 데이터 세트는, 예컨대 상이한 사이클에 대해, 적어도 2개의 시점에서 결정된 배터리 테스트의 복수의 실험 결과를 포함할 수 있다. 모델의 훈련을 위해, 예를 들어 상이한 테스트 대상 배터리에 관련된 복수의 훈련 데이터 세트가 사용될 수 있다.
데이터 구동 모델은 특징 기반 모델일 수 있는데, 여기서는 특징 또는 특징의 서브세트가 배터리 성능을 예측하는 데 사용된다. 훈련 데이터는 훈련된 모델의 특징을 선택하는 데 사용될 수 있다. 특징 선택은 모델 구성에 사용하기 위해 관련 특징, 특히 변수 및 예측자의 서브세트를 선택하는 것을 포함할 수 있다. 특징 선택은 충전 또는 방전 곡선, 내부 저항, 개방 회로 전압, 차동 용량의 관련 시점과 같은 특정 시점에서 전기화학적 측면을 도출하는 것을 포함할 수 있다. 특징은 재료 종류에 기인한 불규칙성을 고려하여 선택될 수 있다. 훈련 데이터는 미가공 데이터를 포함할 수 있다. 특징 선택은 예컨대 단계별 내지 사이클별 데이터 집계를 포함할 수 있다. 특징은 전기화학적 지식 및/또는 응답과 높은 상관관계를 갖는 특징을 보유하는 것과 같은 전통적인 특징 선택 방법을 사용하여 선택될 수 있다. 전기화학적 지식은 예를 들어 흥미로운 상전이가 예상되는 전압 간격, 및 그에 따라 특징이 추출되어야 하는 곡선 영역에 대한 정보를 포함할 수 있다.
데이터 구동 모델은 적어도 하나의 에코 상태 네트워크와 같은 적어도 하나의 순환 신경망을 포함할 수 있다.
처리 장치(122)는 데이터 구동 모델을 사용하여 상태 변수의 예측된 시계열을 결정하기 위한 입력 파라미터로서 배터리 성능 입력 데이터를 사용하도록 구성될 수 있다. 테스트 대상 배터리(112)의 배터리 성능을 결정하기 위해, 배터리 성능 입력 데이터가 처리되어 데이터 구동 모델에 대한 입력으로 적용될 수 있다. 처리는 데이터 집계를 포함할 수 있다. 처리는, 목표 상태 변수로도 표시되는, 데이터 구동 모델에 의해 예측되는 시계열을 갖는 배터리 성능을 특징짓는 파라미터들 중 적어도 하나에 관한 정보를 선택하는 것을 포함할 수 있다. 이 경우 데이터 구동 모델에 의해 생성된 출력은 목표 상태 변수의 예측된 시계열 또는 상태 변수의 행렬일 수 있다.
처리 장치(122)는 데이터 구동 모델을 사용하여 상태 변수의 예측된 시계열을 결정하기 위한 입력 파라미터로서 테스트 프로토콜을 사용하도록 구성될 수 있다. 구체적으로, 처리 장치는, 수신된 배터리 성능 입력 데이터에 기초하여, 예컨대, 테스트 프로토콜 및/또는 상이한 충전 사이클 및/또는 방전 사이클의 시퀀스에 대한 수신된 정보에 기초하여, 적어도 하나의 적절한 데이터 구동 모델을 선택하도록 구성될 수 있다. 처리 장치(122)는 복수의 데이터 구동 모델을 포함할 수 있는데, 처리 장치(122)는 테스트 프로토콜에 따라 상태 변수의 예측된 시계열을 결정하기 위해 데이터 구동 모델들 중 하나를 선택하도록 구성된다. 예를 들어, 복수의 데이터 구동 모델의 각각은 상이한 테스트 프로토콜을 사용하여 도출된 데이터에 대해 훈련될 수 있다. 모델들은 복잡성을 제어하는 상이한 피팅 파라미터 및 상이한 하이퍼파라미터를 가질 수 있다. 그러나, 일반적인 구조는 모든 모델에서 동일할 수 있다. 가장 적합한 데이터 구동 모델을 선택하기 위한 다른 기준도 가능하다. 예를 들어, 처리 장치(122)는 예컨대 재료 특성에 따른 복수의 데이터 구동 모델을 포함할 수 있다. 처리 장치(122)는 배터리 성능 입력 데이터를 분석하도록 구성될 수 있는데, 분석은 적어도 하나의 재료 특성을 결정하는 것을 포함한다. 처리 장치(122)는 재료 특성에 기초하여 데이터 구동 모델 중 적어도 하나를 선택하도록 구성될 수 있다. 재료 특성에 대한 정보는 메타데이터와 같은 배터리 성능 입력 데이터로부터 결정될 수 있다.
처리 장치(122)는 적어도 하나의 신뢰성 테스트를 수행하도록 구성될 수 있는데, 여기서는 결정된 상태 변수가 실험 테스트 결과와 비교된다. 신뢰성 테스트에서, 상태 변수의 예측된 시계열은 실험 테스트 결과와 비교될 수 있다. 상이한 배터리 유형 또는 재료에 대한 실험 결과는 적어도 하나의 데이터 저장소에 저장될 수 있으며, 신뢰성 테스트에서의 비교에 사용될 수 있다.
테스트 시스템(110)은 상태 변수의 예측된 시계열의 적어도 일부를 제공하도록 구성된다. 테스트 시스템(110)은 상태 변수의 예측된 시계열의 적어도 일부에 대한 정보를 포함하는 적어도 하나의 출력을 출력하도록 구성된 적어도 하나의 출력 인터페이스를 포함할 수 있다. 도 1에서, 통신 인터페이스(114)와 출력 인터페이스(126)는 동일하다. 출력은 시간에 따른 상태 변수의 전개를 보여주는 적어도 하나의 히스토그램 중 하나 이상을 포함할 수 있다. 출력은 또한 배터리 수명의 적어도 하나의 예측 및/또는 적어도 하나의 범주화에 대한 정보를 포함할 수 있다. 테스트 시스템(110)은 상태 변수의 예측된 시계열에 따라 적어도 하나의 조치(measure)를 수행하도록 구성될 수 있는데, 조치는 추천을 발행하는 것, 경고를 발행하는 것, 배터리의 캐소드 재료의 변경이 요구된다는 표시를 발행하는 것 중 하나 이상을 포함한다. 테스트 시스템(110)은 결정된 배터리 성능에 대한 적어도 하나의 정보를 배터리(112)의 고객에게 제공하도록 구성될 수 있다. 예를 들어, 정보는 출력 인터페이스(126)에 의해 고객에게 제공될 수 있다. 정보는 또한 테스트 장비(116)에서의 배터리에 대한 순위 매김, 배터리의 분류, 캐소드 재료의 분류, 또는 적어도 하나의 추천 중 하나 이상을 포함할 수 있다. 출력은 테스트 장비(116)에서의 배터리에 대한 순위 매김 및/또는 배터리 측정이 중단될 수 있는 추천을 포함할 수 있다. 통신 인터페이스(114)는 테스트 장비(116)의 상태를 모니터링하는 것을 허용하도록 구성될 수 있다. 이를 통해 배터리 성능의 결정 결과에 기초하여 다음 실험을 준비하고 설계할 수 있다.
테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터-구현 방법의 실시예가 도 2에 개략적으로 도시된다.
이 방법은 다음과 같은 단계를 포함한다:
- 적어도 하나의 통신 인터페이스를 통해 적어도 하나의 테스트 프로토콜을 나타내는 동작 데이터를 검색하고 통신 인터페이스를 통해 배터리 성능 입력 데이터를 검색하는 단계(참조 번호 128로 표시됨)와,
- 처리 장치(122)를 사용함으로써 데이터 구동 모델을 사용하여 배터리 성능 입력 데이터 및 동작 데이터에 기초하여 배터리 성능을 나타내는 상태 변수의 예측된 시계열을 결정하는 단계(참조 번호 130으로 표시됨).
이 방법은 또한 테스트 시스템(110)의 출력에 따라 고객이 배터리(112) 및 사용된 캐소드 재료가 "양호"로 간주되는지 또는 "불량"으로 간주되는지를 결정할 수 있는 의사 결정 단계(132)를 포함할 수 있다. 캐소드 재료가 "불량"으로 간주되는 경우, 고객은 캐소드 재료 변경 또는 수정을 진행하고 방법 단계 a)부터 다시 시작할 수 있다. 따라서, 방법 단계 a) 및 b)는 한 번 수행될 수 있거나, 특히 상이한 배터리(112) 및/또는 상이한 캐소드 재료에 대해 한 번 또는 여러 번 반복되는 것과 같이 반복적으로 수행될 수 있다.
도 3은 본 발명에 따른 방법을 사용한 실험 결과 및 예측의 비교를 나타낸다. 특히, 훈련 데이터 세트(134) 및 예측(136)에 대해 일수(days)인 시간 t의 함수로서의 배터리 용량 c가 도시되어 있다. 여기에 도시된 예측을 위해, 조기 데이터(138)가 입력으로 사용되었다. 예측과 측정의 양호한 일치가 관찰할 수 있다. 도 3에서, 모델과 실험 간의 편차는 미래에(약 3주 후에) 200 사이클에서 약 2%이다.
도 4a는 테스트 장비(116)에서 결정된 예시적인 충전-방전-곡선, 특히 용량의 함수로서의 전압을 보여준다. 충전-방전-곡선은, 화살표 a로 표시된 방전 용량과 같은 배터리 성능을 나타내는 수개의 파라미터를 결정하는 데 사용된다. 또한, 내부 저항을 계산하는 데 사용되는 화살표 b로 표시된 전압 강하가 도시된다. 또한, 도 4a에는, c로 표시된 평균 전압, d로 표시된 dQ/dV 곡선, e로 표시된 방전 개방 회로 전압, f로 표시된 충전 개방 회로 전압이 표시된다. 도 4a는 추가로 g로 표시된 충전 용량을 도시하는데, 여기서 가는 점선은 일정 충전 용량을 나타내고 두꺼운 점선은 정전압 충전 용량을 나타낸다.
도 4b는 2130개의 충전 및 방전 테스트로부터 결정된 실험 데이터에서 배터리 성능 입력 데이터의 추출을 도시한다. 구체적으로, 전압과 전류의 시간 경과에 따른 전개가 묘사되어 있다. 각 충전 및 방전 단계의 대부분에서 일정한 전류가 유지됨에 따라 가는 실선의 전류는 단계적으로 변하는 것으로 도시된다. 전압 곡선 중앙에 있는 이중 화살표는 모델 입력으로 사용될 수 있는 일부 특징을 보여준다. 이는 충전 중에 도 4b에서 수평선으로 표시된 미리 정의된 전압 간격에 대한 용량 변화에 대응한다. 전류의 강하는 배터리가 평형 상태로 이완되도록 허용되는 정전압 및 휴지 단계에 대응한다.
110: 테스트 시스템
112: 배터리
114: 통신 인터페이스
116: 테스트 장비
118: 배터리 저장 장치
120: 사이클 머신
122: 처리 장치
124: 데이터 구동 모델
126: 출력 인터페이스
128: 데이터 검색
130: 예측 결정
132: 의사 결정
134: 훈련 데이터 세트
136: 예측
138: 조기 데이터

Claims (24)

  1. 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 테스트 시스템(110)으로서,
    상기 테스트 시스템(110)은 적어도 하나의 통신 인터페이스(114) 및 적어도 하나의 처리 장치(122)를 포함하고, 상기 테스트 시스템(110)은 상기 통신 인터페이스(114)를 통해 적어도 하나의 테스트 프로토콜을 나타내는 동작 데이터를 수신하도록 구성되고, 상기 테스트 시스템(110)은 상기 통신 인터페이스(114)를 통해 배터리 성능 입력 데이터를 수신하도록 구성되고, 상기 처리 장치(122)는 적어도 하나의 데이터 구동 모델을 사용하여 상기 배터리 성능 입력 데이터 및 상기 동작 데이터에 기초하여 배터리 성능을 나타내는 적어도 하나의 상태 변수의 적어도 하나의 예측된 시계열을 결정하도록 구성되고, 상기 테스트 시스템(110)은 상기 상태 변수의 예측된 시계열의 적어도 일부를 제공하도록 구성되는,
    테스트 시스템(110).
  2. 제1항에 있어서,
    상기 데이터 구동 모델은 적어도 하나의 에코 상태 네트워크와 같은 적어도 하나의 순환 신경망을 포함하는,
    테스트 시스템(110).
  3. 제1항 또는 제2항에 있어서,
    상기 상태 변수는 적어도 하나의 충전-방전-곡선으로부터 유도될 수 있고, 상기 상태 변수는 방전 용량, 충전 용량, 충전-방전 곡선의 모양, 평균 전압, 개방 회로 전압, 차동 용량, 쿨롱 효율, 및 내부 저항으로 이루어진 그룹으로부터 선택된 적어도 하나의 변수인,
    테스트 시스템(110).
  4. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 적어도 하나의 테스트 프로토콜을 나타내는 동작 데이터는 상이한 충전 사이클 및/또는 방전 사이클의 적어도 하나의 시퀀스를 포함하는,
    테스트 시스템(110).
  5. 제1항 내지 제4항 중 어느 한 항에 있어서,
    상기 데이터 구동 모델은 적어도 하나의 훈련 데이터 세트에 대해 훈련된 것이고, 상기 훈련 데이터 세트는 적어도 하나의 알려진 배터리 구성 및 적어도 하나의 알려진 테스트 프로토콜의 충전 및 방전 사이클의 이력 데이터의 시계열을 포함하는,
    테스트 시스템(110).
  6. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 처리 장치(122)는 상기 데이터 구동 모델을 사용하여 상기 상태 변수의 예측된 시계열을 결정하기 위한 입력 파라미터로서 상기 테스트 프로토콜을 사용하도록 구성되고/되거나, 상기 처리 장치(122)는 복수의 데이터 구동 모델을 포함하고, 상기 처리 장치(122)는 상기 테스트 프로토콜에 따라 상기 상태 변수의 예측된 시계열을 결정하기 위해 상기 복수의 데이터 구동 모델 중 하나를 선택하도록 구성되는,
    테스트 시스템(110).
  7. 제1항 내지 제6항 중 어느 한 항에 있어서,
    상기 처리 장치(122)는 상기 데이터 구동 모델을 사용하여 상기 상태 변수의 예측된 시계열을 결정하기 위한 입력 파라미터로서 상기 배터리 성능 입력 데이터를 사용하도록 구성되는,
    테스트 시스템(110).
  8. 제7항에 있어서,
    상기 처리 장치(122)는 복수의 데이터 구동 모델을 포함하고, 상기 처리 장치(122)는 상기 배터리 성능 입력 데이터를 분석하도록 구성되고, 상기 분석은 적어도 하나의 재료 특성을 결정하는 것을 포함하고, 상기 복수의 데이터 구동 모델 중 적어도 하나는 상기 재료 특성에 기초하여 선택되는,
    테스트 시스템(110).
  9. 제1항 내지 제8항 중 어느 한 항에 있어서,
    상기 배터리 성능 입력 데이터는 상기 테스트 프로토콜에 응답하여 생성된 데이터를 포함하는,
    테스트 시스템(110).
  10. 제1항 내지 제9항 중 어느 한 항에 있어서,
    상기 테스트 프로토콜은 미리 정의되는,
    테스트 시스템(110).
  11. 제1항 내지 제10항 중 어느 한 항에 있어서,
    상기 데이터 구동 모델은 상기 적어도 하나의 테스트 프로토콜을 나타내는 동작 데이터 및 상기 배터리 성능 입력 데이터에 기초하여 파라미터화된 것인,
    테스트 시스템(110).
  12. 제11항에 있어서,
    상기 데이터 구동 모델은 상기 적어도 하나의 테스트 프로토콜을 따르는 과거 및 미래 충전-방전 사이클의 지식을 사용하여 미래 배터리 성능을 예측하는,
    테스트 시스템(110).
  13. 제1항 내지 제12항 중 어느 한 항에 있어서,
    상기 데이터 구동 모델은 시간 메모리를 갖고/갖거나 상기 데이터 구동 모델은 시간 종속 모델인,
    테스트 시스템(110).
  14. 제1항 내지 제13항 중 어느 한 항에 있어서,
    상기 테스트 프로토콜은 적어도 하나의 배터리 성능 테스트에 대한 정보를 포함하고, 상기 배터리 성능 테스트는 상이한 충전 사이클 및/또는 방전 사이클의 적어도 하나의 시퀀스를 포함하고, 상기 배터리 성능 테스트에서는 각 사이클에 대해 방전-충전 곡선이 결정되는,
    테스트 시스템(110).
  15. 제1항 내지 제14항 중 어느 한 항에 있어서,
    상기 배터리 성능 입력 데이터는 방전-충전 사이클 데이터를 포함하고, 상기 방전-충전 사이클 데이터는 적어도 하나의 충전-방전 곡선을 포함하는,
    테스트 시스템(110).
  16. 제1항 내지 제15항 중 어느 한 항에 있어서,
    상기 배터리 성능 입력 데이터는 방전 용량에 대한 정보, 충전 용량에 대한 정보, 충전-방전 곡선의 모양에 대한 정보, 평균 전압에 대한 정보, 개방 회로 전압에 대한 정보, 차동 용량에 대한 정보, 쿨롱 효율에 대한 정보, 및 내부 저항에 대한 정보 중 하나 이상을 포함하는,
    테스트 시스템(110).
  17. 제1항 내지 제16항 중 어느 한 항에 있어서,
    상기 배터리 성능 입력 데이터는 캐소드 재료와 셀 설정 중 하나 이상에 관한 메타데이터를 포함하는,
    테스트 시스템(110).
  18. 적어도 하나의 테스트 프로토콜에 기초하여 적어도 하나의 배터리(112)에 대해 적어도 하나의 배터리 성능 테스트를 수행하도록 구성된 테스트 장비(116)로서,
    상기 배터리 성능 테스트는 상이한 충전 사이클 및/또는 방전 사이클의 적어도 하나의 시퀀스를 포함하고, 상기 배터리 성능 테스트는 각 사이클에 대한 방전-충전 곡선의 결정을 포함하고, 상기 테스트 장비(116)는 상기 테스트 프로토콜을 나타내는 동작 데이터 및 배터리 성능 입력 데이터를 제1항 내지 제17항 중 어느 한 항에 따른 적어도 하나의 테스트 시스템에 제공하도록 구성된 적어도 하나의 통신 인터페이스를 포함하는,
    테스트 장비(116).
  19. 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 적어도 하나의 데이터 구동 모델을 결정하기 위한 방법으로서,
    적어도 하나의 훈련 데이터 세트를 사용하여 상기 데이터 구동 모델을 훈련시키는 단계를 포함하되, 상기 훈련 데이터 세트는 적어도 하나의 알려진 배터리 구성 및 적어도 하나의 알려진 테스트 프로토콜의 충전 및 방전 사이클의 이력 데이터를 포함하는,
    방법.
  20. 제19항에 있어서,
    적어도 하나의 랜덤 동적 저장소를 생성하는 단계와,
    적어도 하나의 입력 유닛 및 적어도 하나의 출력 유닛을 결정하는 단계와,
    입력-저장소 간 접속(input-to-reservoir connections) 및 출력-저장소 간 접속(output-to-reservoir connections)을 생성하는 단계와,
    적어도 하나의 입력 가중치 행렬과 적어도 하나의 저장소 가중치 행렬을 선택하는 단계와,
    훈련 데이터를 사용하여 상기 데이터 구동 모델을 훈련시켜 출력 가중치를 결정하는 단계 ― 상기 출력 가중치는 회귀 분석을 사용하여 결정됨 ― 를 포함하는,
    방법.
  21. 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터-구현 방법으로서,
    상기 방법에는 제1항 내지 제17항 중 어느 한 항에 따른 적어도 하나의 테스트 시스템(110)이 사용되며, 상기 방법은,
    a) 적어도 하나의 통신 인터페이스(114)를 통해 적어도 하나의 테스트 프로토콜을 나타내는 동작 데이터를 검색하는 단계와,
    b) 상기 통신 인터페이스(114)를 통해 배터리 성능 입력 데이터를 검색하는 단계와,
    c) 처리 장치(122)를 사용함으로써, 데이터 구동 모델을 사용하여 상기 배터리 성능 입력 데이터 및 상기 동작 데이터에 기초하여 배터리 성능을 나타내는 상태 변수의 예측된 시계열을 결정하는 단계와,
    d) 상기 상태 변수의 예측된 시계열의 적어도 일부를 제공하는 단계를 포함하는,
    컴퓨터-구현 방법.
  22. 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은 컴퓨터 또는 컴퓨터 네트워크 상에서 실행될 때, 상기 컴퓨터 또는 상기 컴퓨터 네트워크로 하여금, 제21항에 따른 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터-구현 방법을 수행하게 하도록 구성되고, 상기 컴퓨터 프로그램은 제21항에 따른 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터-구현 방법의 적어도 단계 a) 내지 d)를 수행하도록 구성되는,
    컴퓨터 프로그램.
  23. 배터리 재료 및/또는 배터리 지오메트리(geometry)를 최적화하기 위한, 제21항에 따른 테스트 환경에서 배터리 구성의 개발 중 배터리 성능을 결정하기 위한 컴퓨터-구현 방법의 용도.
  24. 제21항의 방법에 의해 결정된 상태 변수의 예측된 시계열의 적어도 일부를 배터리 재료 및/또는 배터리 지오메트리를 최적화하기 위한 시스템에 제공하는 방법.
KR1020227014915A 2019-11-07 2020-11-06 배터리 성능 예측 KR20220073829A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19207777 2019-11-07
EP19207777.4 2019-11-07
PCT/EP2020/081300 WO2021089786A1 (en) 2019-11-07 2020-11-06 Battery performance prediction

Publications (1)

Publication Number Publication Date
KR20220073829A true KR20220073829A (ko) 2022-06-03

Family

ID=68502957

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227014915A KR20220073829A (ko) 2019-11-07 2020-11-06 배터리 성능 예측

Country Status (6)

Country Link
US (1) US20220373601A1 (ko)
EP (1) EP4055399A1 (ko)
JP (2) JP7497432B2 (ko)
KR (1) KR20220073829A (ko)
CN (1) CN114651183A (ko)
WO (1) WO2021089786A1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023283341A2 (en) * 2021-07-08 2023-01-12 The Regents Of The University Of Michigan Early-life diagnostics for fast battery formation protocols and their impacts to long-term aging
EP4123321A1 (de) * 2021-07-23 2023-01-25 Siemens Aktiengesellschaft Verfahren, vorrichtung und computerprogrammprodukt zur restwertbestimmung von batteriespeichern
EP4123319B1 (de) 2021-07-23 2024-02-14 Siemens Aktiengesellschaft Verfahren, vorrichtung und computerprogrammprodukt zur lebensdauerabschätzung von batteriespeichern
EP4123320B1 (de) * 2021-07-23 2024-03-13 Siemens Aktiengesellschaft Verfahren zum bestimmen eines kapazitätsverlusts eines batteriespeichers, vorrichtung und computerprogrammprodukt
US20230117908A1 (en) * 2021-10-14 2023-04-20 Arm Limited Battery cell monitoring systems, battery packs, and methods of operation of the same
CN114966413B (zh) * 2022-05-27 2023-03-24 深圳先进技术研究院 一种储能电池包的荷电状态预测方法
KR20230167664A (ko) * 2022-06-02 2023-12-11 주식회사 엘지에너지솔루션 배터리 셀 수명 진단 장치 및 그것의 동작 방법
CN116148681A (zh) * 2023-04-24 2023-05-23 北京和瑞储能科技有限公司 一种铁-铬液流电池性能预测方法
CN117725389B (zh) * 2024-02-08 2024-06-21 宁德时代新能源科技股份有限公司 电池出站方法及电池出站***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019017991A1 (en) 2017-07-21 2019-01-24 Quantumscape Corporation PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS
US20190115778A1 (en) 2017-10-17 2019-04-18 The Board Of Trustees Of The Leland Stanford Junior University Autonomous screening and optimization of battery formation and cycling procedures

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100936892B1 (ko) * 2007-09-13 2010-01-14 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
KR102424528B1 (ko) * 2015-06-11 2022-07-25 삼성전자주식회사 배터리의 상태를 추정하는 장치 및 방법
TWI727957B (zh) 2015-06-26 2021-05-21 國立研究開發法人宇宙航空研究開發機構 電池之充電狀態或放電深度之推定方法及系統
US10191116B2 (en) * 2015-10-15 2019-01-29 Johnson Controls Technology Company Battery test system for predicting battery test results
WO2018016531A1 (ja) 2016-07-21 2018-01-25 日立化成株式会社 二次電池システム
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
US11171498B2 (en) * 2017-11-20 2021-11-09 The Trustees Of Columbia University In The City Of New York Neural-network state-of-charge estimation
JP2019190905A (ja) 2018-04-20 2019-10-31 株式会社Ｇｓユアサ 状態推定方法、及び状態推定装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019017991A1 (en) 2017-07-21 2019-01-24 Quantumscape Corporation PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS
US20190115778A1 (en) 2017-10-17 2019-04-18 The Board Of Trustees Of The Leland Stanford Junior University Autonomous screening and optimization of battery formation and cycling procedures

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A Practical Guide to Applying Echo State Networks", Mantas Lukosevicius, Published in Neural Networks: Tricks of the Trade 2012. DOI:10.1007/978-3-642-35289-8_36; http://minds.jacobs-university.de/uploads/papers/PracticalESN.pdf
Kristen A. Severson et al., "Data-driven prediction of battery cycle life before capacity degradation", Nature Energy, https://doi.org/10.1038/s41560-019-0356-8

Also Published As

Publication number Publication date
CN114651183A (zh) 2022-06-21
EP4055399A1 (en) 2022-09-14
JP2023501995A (ja) 2023-01-20
WO2021089786A1 (en) 2021-05-14
JP7497432B2 (ja) 2024-06-10
JP2024059625A (ja) 2024-05-01
US20220373601A1 (en) 2022-11-24

Similar Documents

Publication Publication Date Title
JP7497432B2 (ja) バッテリー性能予測
Li et al. Data-driven health estimation and lifetime prediction of lithium-ion batteries: A review
US12034319B2 (en) Server-side characterization of rechargeable batteries
Chen et al. State of health estimation for lithium-ion batteries based on fusion of autoregressive moving average model and elman neural network
CN107290679B (zh) 用于电动汽车共享充电桩的智能化电池健康状态检测方法
US10992156B2 (en) Autonomous screening and optimization of battery formation and cycling procedures
US11835589B2 (en) Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine
KR20210003596A (ko) 배터리의 노화 상태 추정 장치 및 방법
US20220373609A1 (en) State Value for Rechargeable Batteries
CN116609676B (zh) 一种基于大数据处理的混合储能电池状态监控方法及***
WO2022144542A1 (en) Method for predicting condition parameter degradation of a cell
Manoharan et al. Electric vehicle battery pack state of charge estimation using parallel artificial neural networks
CN115219904A (zh) 用于运行用来提供电化学电池组模型的***的方法和装置
CN117595462B (zh) 一种二次储能电池组的自适应充放电控制***及其控制方法
CN110927584B (zh) 一种基于神经网络的电池寿命延长预测方法
Vatani et al. Cycling lifetime prediction model for lithium-ion batteries based on artificial neural networks
Chen et al. State of health estimation for lithium-ion batteries based on Elman neural network
Geslin et al. Battery lifetime predictions: information leakage from unblinded training
Meis et al. Guide for the Focused Utilization of Aging Models for Lithium-Ion Batteries-An Automotive Perspective
Jafari et al. Accurate remaining useful life estimation of lithium-ion batteries in electric vehicles based on a measurable feature-based approach with explainable AI
Pyne et al. Toward the Use of Operational Cycle Data for Capacity Estimation
US11733313B2 (en) Method and apparatus for operating a system for providing states of health of electrical energy stores for a multiplicity of devices with the aid of machine learning methods
Sheikhani et al. Lithium-Ion Battery SOH Forecasting With Deep Learning Augmented By Explainable Machine Learning
EP4300109A1 (en) Device and method for predicting low voltage failure of secondary battery, and battery control system comprising same device
Seferi Design of a machine learning pipeline for data-driven li-ion degradation modeling