KR20230046044A

KR20230046044A - 배터리 모델의 최적화를 수행하는 장치 및 방법

Info

Publication number: KR20230046044A
Application number: KR1020210129038A
Authority: KR
Inventors: 정대봉; 성영훈
Original assignee: 삼성전자주식회사
Priority date: 2021-09-29
Filing date: 2021-09-29
Publication date: 2023-04-05
Also published as: CN115877214A; EP4160235A1; US20230100216A1; EP4160235B1

Abstract

배터리 모델의 최적화를 수행하는 장치 및 방법이 개시된다. 배터리 모델의 최적화를 수행하는 장치는 프로세서, 및 프로세서에서 실행가능한 명령어들을 포함하는 메모리를 포함하고, 프로세서는 배터리 모델의 파라미터들의 최적화된 파라미터 값을 결정하는 최적화 과정을 수행하고, 프로세서에 의해 해당 최적화 과정이 수행될 때, 배터리 모델의 파라미터들로부터 타겟 파라미터들을 선택하는 동작, 타겟 파라미터들 각각에 대한 현재 경계 조건을 설정하는 동작, 설정된 현재 경계 조건에 기초하여 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작, 해당 탐색 결과에 기초하여 현재 경계 조건보다 축소된 다음 경계 조건을 설정하는 동작, 및 다음 경계 조건에 기초하여 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작을 수행할 수 있다.

Description

배터리 모델의 최적화를 수행하는 장치 및 방법{METHOD AND APPARATUS FOR OPTIMIZING BATTERY MODEL}

아래의 개시는 배터리 모델의 파라미터들을 결정하고, 배터리 모델을 이용하여 배터리의 상태를 추정하는 기술에 관한 것이다.

배터리의 최적 운용을 위해 배터리의 상태가 추정될 수 있으며, 이러한 배터리의 상태를 추정하는 방법은 다양하다. 일례로, 배터리의 상태는 해당 배터리의 전류를 적산하여 추정되거나 배터리 모델(예: 전기 회로 모델, 또는 전기화학 모델)을 이용하여 추정될 수 있다. 전류 적산법은 배터리 셀, 모듈, 혹은 팩의 종단에 전류 센서를 부착하여 충전, 방전되는 전하량을 합산하여 배터리 잔량을 계산하는 방법이다. 전기 회로 모델은 배터리가 충전 또는 방전됨에 달라지는 전압 값을 표현할 수 있는 저항과 커패시터로 구성된 회로 모델이고, 전기화학 모델은 배터리 이온 농도, 전위 등 배터리 내부 물리 현상을 모델링한 모델이다.

일 실시예에 따른 배터리의 상태를 추정하는 배터리 모델의 최적화를 수행하는 장치는, 프로세서; 및 상기 프로세서에서 실행가능한 명령어들을 포함하는 메모리를 포함하고, 상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는 상기 배터리 모델의 파라미터들의 최적화된 파라미터 값을 결정하는 최적화 과정을 수행하고, 상기 프로세서에 의해 상기 최적화 과정이 수행될 때, 상기 배터리 모델의 파라미터들로부터 타겟 파라미터들을 선택하는 동작; 상기 타겟 파라미터들 각각에 대한 현재 경계 조건을 설정하는 동작; 상기 설정된 현재 경계 조건에 기초하여 상기 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작; 상기 탐색 결과에 기초하여 상기 현재 경계 조건보다 축소된 다음 경계 조건을 설정하는 동작; 및 상기 다음 경계 조건에 기초하여 상기 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작을 수행할 수 있다.

상기 프로세서는, 상기 배터리의 충전의 진행 정도에 대응하는 미리 정의된 서로 다른 충전 상태 구간별로 상기 최적화 과정을 수행할 수 있다.

상기 프로세서는, 상기 배터리의 방전의 진행 정도에 대응하는 미리 정의된 서로 다른 충전 상태 구간들에 기초하여 상기 최적화 과정을 수행할 수 있다.

상기 프로세서는, 상기 배터리 모델을 통해 추정된 배터리의 전압과 상기 배터리에 대한 프로파일 데이터에 따른 전압 간의 전압 오차에 기초하여 확산 파라미터에 대한 타겟 변화 방향을 결정하고, 상기 결정된 타겟 변화 방향에 기초하여 상기 다음 경계 조건을 설정할 수 있다.

상기 프로세서는, 미리 정의된 온도 구간별로 상기 최적화 과정을 수행할 수 있다.

상기 프로세서는, 상기 배터리 모델의 파라미터들 중에서 상기 배터리의 확산 특성과 관련된 특정 포인트들을 선정하고, 상기 선정된 특정 포인트들에 기초하여 상기 타겟 파라미터들을 결정할 수 있다.

일 실시예에 따른 배터리의 상태를 추정하는 배터리 모델을 최적화하는 방법에 있어서, 상기 배터리 모델의 파라미터들로부터 타겟 파라미터들을 선택하는 동작; 및 상기 타겟 파라미터들에 대한 최적화 과정을 수행하는 동작을 포함하고, 상기 파라미터 최적화를 수행하는 동작은, 상기 타겟 파라미터들 각각에 대한 현재 경계 조건을 설정하는 동작; 상기 설정된 현재 경계 조건에 기초하여 상기 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작; 상기 탐색 결과에 기초하여 상기 현재 경계 조건보다 축소된 다음 경계 조건을 설정하는 동작; 및 상기 다음 경계 조건에 기초하여 상기 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작을 포함할 수 있다.

일 실시예에 따른 배터리 전원 장치는, 전자 장치에 전력을 공급하는 배터리; 및 상기 배터리에 대응하는 배터리 모델을 최적화시키는 배터리 모델 최적화 장치를 포함하고, 상기 배터리 모델 최적화 장치는 상기 배터리 모델을 최적화시킬 때, 상기 배터리 모델의 파라미터들로부터 타겟 파라미터들을 선택하는 동작; 상기 타겟 파라미터들 각각에 대한 현재 경계 조건을 설정하는 동작; 상기 설정된 현재 경계 조건에 기초하여 상기 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작; 상기 탐색 결과에 기초하여 상기 현재 경계 조건보다 축소된 다음 경계 조건을 설정하는 동작; 및 상기 다음 경계 조건에 기초하여 상기 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작을 수행할 수 있다.

도 1은 일 실시예에 따른 배터리 모델 최적화 장치의 개요(overview)를 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 배터리 모델의 파라미터의 분류를 설명하기 위한 도면이다.
도 3 및 도 4는 일 실시예에 따른 배터리 모델을 최적화하는 방법을 설명하기 위한 흐름도들이다.
도 5는 일 실시예에 따른 배터리 모델의 파라미터 최적화 과정을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 타겟 파라미터를 선택하는 것을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 축소된 경계 조건을 도시하는 도면이다.
도 8은 다른 실시예에 따른 확산 계수에 대한 타겟 변화 방향에 기초하여 배터리 모델의 파라미터를 최적화하는 방법을 설명하기 위한 흐름도이다.
도 9는 일 실시예에 따른 확산 계수에 대한 타겟 변화 방향에 기초하여 경계 조건을 설정하는 것을 설명하기 위한 도면이다.
도 10은 또 다른 실시예에 따른 온도 구간별로 배터리 모델의 파라미터를 최적화하는 방법을 설명하기 위한 흐름도이다.
도 11은 일 실시예에 따른 배터리 모델 최적화 장치의 구성을 도시하는 도면이다.
도 12는 일 실시예에 따른 배터리 모델 최적화 장치를 포함하는 배터리 관리 서버를 도시하는 도면이다.
도 13은 일 실시예에 따른 배터리 모델 최적화 장치를 포함하는 배터리 전원 장치를 도시하는 도면이다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 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 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 일 실시예에 따른 배터리 모델 최적화 장치의 개요를 설명하기 위한 도면이다.

도 1을 참조하면, 배터리 모델(111)은 다양한 파라미터들 및 지배 방정식(governing equation)들을 이용하여 배터리(120)의 상태(예: 배터리(120)의 충전 상태(state of charge; SOC), 전압)를 추정할 수 있다. 배터리 모델(111)은 배터리 물성(battery physics) 정보에 기초하는 전기화학(electrochemical thermal, ECT) 모델일 수 있다. 배터리 모델(111)의 파라미터들은 예를 들어 형상(예: 두께, 반경 등), OCP(open circuit potential), 물성치(예: 전기 전도도, 이온 전도도, 확산 계수 등) 등을 나타낼 수 있고, 지배 방정식들은 이러한 파라미터들에 기초한 전극 및 전해질의 계면에서 발생하는 전기화학 반응, 전극 및 전해질의 농도 및 전하 보존과 관련된 물리 보존식을 포함할 수 있다. 배터리 모델(111)의 파라미터들은 배터리(120)의 SOC 레벨에 독립적인 상수 파라미터 및 SOC 레벨에 의존적인 확산 파라미터를 포함할 수 있다. 예를 들어, 배터리(120)의 작동으로 인해 SOC 레벨이 차츰 감소하는 경우, 상수 파라미터는 일정하게 유지될 수 있고 확산 파라미터는 변할 수 있다.

배터리 모델 최적화 장치(100)는 배터리 모델(111)의 최적화를 수행하는 장치로서, 배터리 모델(111)의 작동에 이용되는 파라미터들의 값들을 여러 차례 업데이트하여 파라미터들의 최적화된 값을 탐색할 수 있다. 배터리 모델 최적화 장치(100)는 아래에서 설명되는 다단계의 최적화 과정을 통해 배터리 모델(111)의 파라미터들의 최적화된 값을 자동으로 추정할 수 있다. 배터리 모델 최적화 장치(100)는 각 단계별로 최적화하는 파라미터와 각 파라미터의 경계 조건을 변화시켜 계산 시간을 줄이고, 계산 결과의 신뢰성을 확보할 수 있다. 배터리 모델 최적화 장치(100)는 제한된 소수의 데이터를 이용하여 배터리 모델(111)에서 이용되는 다수의 파라미터들의 최적화된 값을 도출할 수 있다.

배터리 모델 최적화 장치(100)는 배터리 모델(111)의 최적화를 위한 프로파일 데이터에 기초하여 배터리 모델(111)의 최적화를 수행할 수 있다. 프로파일 데이터는 임의의 전류, 온도 및 전압에 대하여 측정된 배터리(120)의 상태에 관한 실험 데이터를 포함할 수 있다. 배터리 모델(111)의 최적화를 위해 다양한 전류, 온도 및 전압의 프로파일 데이터가 이용될 수 있다. 배터리 모델 최적화 장치(100)는 프로파일 데이터에 대응하는 배터리(120)의 실제 상태 값과 배터리 모델(111)을 이용하여 획득한 추정 값 간의 차이에 기초하여 최적화 손실을 계산하고, 최적화 손실이 줄어들도록 배터리 모델(111)의 파라미터들을 업데이트할 수 있다.

배터리 모델 최적화 장치(100)는 이차 전지(예: 리튬 이온 배터리)의 배터리가 탑재되는 전자 장치(예: 스마트폰, 태블릿 PC, 노트북, 로봇 청소기, 무선 청소기, 드론, 보행 보조 장치, 전기 자동차 등)의 배터리를 관리하는 전력 관리 집적 회로(power management integrated circuit; PMIC)나 배터리 관리 시스템(battery management system; BMS)에 적용되는 배터리 모델의 여러 파라미터들을 빠르고 정확하게 예측하는데 사용될 수 있다. 전력 관리 집적 회로의 경우, 배터리의 전압, 전류 및 온도를 기반으로 배터리의 상태를 추정하는데, 배터리의 상태 추정을 위해 배터리 모델로서 전기화학 모델이 이용된다. 전기화학 모델의 경우 많은 수의 파라미터들을 포함하고, 각 파라미터들에 대한 최적화를 필요로 한다.

배터리 모델 최적화 장치(100)는 파라미터들에 대한 최적화를 수행할 때, 배터리 모델(111)의 파라미터 특성에 따라 단계를 나누어 이전 최적화 과정의 결과를 기반으로 현재 최적화 과정의 경계 조건을 재구성하여 최적화를 수행할 수 있다. 또한, 배터리 모델 최적화 장치(100)는 배터리(120)의 충전 또는 방전의 진행 정도에 대응하는 SOC 구간을 나누어 SOC 구간별로 순차적으로 최적화를 수행할 수 있다. 배터리 모델의 최적화 과정은 아래에서 보다 자세히 설명된다. 본 명세서에서 설명되는 배터리 모델의 최적화 처리는 다양한 종류의 배터리에 적용 가능하며, 해당 배터리 모델의 최적화 처리를 통해 전문가 없이도 짧은 시간 내에 배터리 모델의 최적화를 수행할 수 있고, 높은 정확도의 최적화 결과를 얻을 수 있다.

도 2는 일 실시예에 따른 배터리 모델의 파라미터의 분류를 설명하기 위한 도면이다.

도 2를 참조하면, 배터리 모델(200)은 배터리 모델 파라미터 세트(210)를 포함한다. 배터리 모델 파라미터 세트(210)의 각 파라미터는 상수 파라미터(211) 및 확산 파라미터(212)로 분류될 수 있다. 예를 들어, 상수 파라미터(211)는 배터리의 SOC 레벨에 독립적인 셀 형상(두께, 반경 등), 저항, OCP 등을 포함할 수 있고, 확산 파라미터(212)는 SOC 레벨에 의존적인 확산 파라미터들(확산 계수)를 포함할 수 있다. 확산 파라미터(212)는 배터리의 충전과 관련된 충전 파라미터 및 배터리의 방전과 관련된 방전 파라미터를 포함할 수 있다.

파라미터들(213)은 애노드(anode) 방전 파라미터를 나타내고, 파라미터들(214)은 캐소드(cathode) 방전 파라미터를 나타낸다. 파라미터들(215)은 애노드 충전 파라미터를 나타내고, 파라미터들(216)은 캐소드 충전 파라미터를 나타낸다. 파라미터들(213 내지 216)은 각 그래프 상에 점으로 표현되어 있다. 그래프에서 가로 축은 SOC 레벨을 나타내고, 세로 축은 확산 계수의 크기를 나타낸다. 확산 파라미터(212)는 필요한 간격으로 정의될 수 있다. 예를 들어, 도 2에서 파라미터들(213)은 0.0 내지 1.0의 SOC 레벨을 따라 약 20개 전후의 점들로 표시되어 있으나, 파라미터들(213)은 정의에 따라 더 촘촘한 간격으로 더 많이 존재할 수도 있고, 더 성긴 간격으로 더 적게 존재할 수도 있다.

도 3 및 도 4는 일 실시예에 따른 배터리 모델을 최적화하는 방법을 설명하기 위한 흐름도들이다. 해당 방법의 동작들은 본 명세서에서 설명되는 배터리 모델 최적화 장치(예: 도 1의 배터리 모델 최적화 장치(100), 도 11의 배터리 모델 최적화 장치(1100), 도 12의 배터리 모델 최적화 장치(1211), 도 13의 배터리 모델 최적화 장치(1320))에 의해 수행될 수 있다.

도 3을 참고하면, 단계(310)에서 배터리 모델 최적화 장치는 배터리 모델의 파라미터들에 대한 초기 경계 조건을 설정할 수 있다. 초기 경계 조건은 미리 정해진 경계 조건에 해당할 수 있고, 예를 들어 실험이나 전문가 튜닝을 통해 결정될 수 있다. 경계 조건(boundary condition)은 파라미터들의 파라미터 값을 결정하는데 있어 파라미터 값이 가질 수 있는 하한 값과 상한 값을 정의한 것으로, 최적화 과정에서 파라미터의 파라미터 값은 경계 조건에서 정의된 하한 값과 상한 값 사이의 값으로 결정되게 된다.

단계(320)에서, 배터리 모델 최적화 장치는 현재의 경계 조건에 기초하여 배터리 모델에 대한 최적화 과정을 수행할 수 있다. 처음에는 단계(310)에서 설정된 초기 경계 조건이 이용된다. 배터리 모델 최적화 장치는 각각의 파라미터에 대해 배터리 모델을 이용하여 배터리 상태에 대한 추정 값을 획득하고, 획득한 추정 값과 배터리의 프로파일 데이터에 기반한 실제 상태 값 간의 차이에 기초하여 최적화 손실을 계산할 수 있다. 배터리 모델 최적화 장치는 해당 최적화 손실이 줄어들도록 파라미터 값을 업데이트할 수 있다. 최적화 과정은 파라미터 특성에 따라 배터리의 충전 및 방전에 모두 영향을 주는 파라미터와 충전 및 방전 각각에 영향을 주는 파라미터에 대해 분리되어 수행될 수 있다.

이하에서는, 배터리 모델이 배터리의 전류 및 온도를 기초로 배터리의 전압을 추정하는 경우를 예로 들어 최적화 과정을 설명한다. 배터리 모델이 배터리의 전류 및 온도를 기초로 배터리의 전압을 추정하는 경우, 주어진 전류 I, 온도 T에 대하여 임의의 파라미터 θ에 대하여 배터리 모델을 통한 배터리의 상태의 추정 결과는 ECT(I, T; θ)로 나타낼 수 있고, ECT(I, T; θ)의 값은 배터리 모델에 의해 추적된 배터리의 전압 값에 해당한다. 배터리 모델 최적화 장치는 추정된 배터리의 상태인 ECT(I, T; θ)와 배터리의 실제 상태 간의 오차를 계산할 수 있다. 오차는 최적화 손실에 대응할 수 있다. 오차는 ECT(I, T; θ)와 배터리의 실제 상태 간의 오차의 제곱의 합(Squared Sum of Error(SSE))를 포함할 수 있다. 오차의 계산은 실시예에 따라, RMSE(Root Mean Square Error) 또는 MAE(Max Absolute Error)와 같은 다양한 계산 방식이 사용될 수 있다.

배터리 모델 최적화 장치는 한 번 이상의 횟수로 임의의 파라미터에 대하여 배터리 모델을 이용하여 배터리의 상태를 추정할 수 있다. 배터리 모델 최적화 장치는 배터리 모델에 사용된 파라미터들의 집합인 파라미터 세트를 생성할 수 있다. 파라미터 세트는 배터리 모델에 적용된 파라미터와 그 파라미터를 이용하여 추정된 배터리의 상태와 배터리의 실제 상태 간의 오차를 포함할 수 있다. 예를 들어, 배터리 모델을 이용하여 n회에 걸쳐 배터리의 상태를 추정한 경우, 파라미터 세트는 S={(θ1, E1), (θ2, E2), … (θn, En)}와 같이 나타낼 수 있다. 여기서, θ는 배터리 모델에 적용된 파라미터를 나타내고, E는 해당 파라미터에 대한 오차를 나타낸다.

배터리 모델 최적화 장치는 최적화 알고리즘을 이용하여 배터리 모델로부터 획득한 배터리의 상태와 배터리의 실제 상태 간의 오차가 개선될 가능성이 가장 높은 후보 파라미터 θn+1를 결정할 수 있다. 최적화 알고리즘으로 예를 들어 베이지안 최적화(Bayesian optimization) 알고리즘이 이용될 수 있다. 베이지안 최적화 알고리즘은 최소의 평가(evaluation)를 이용하여 전역 최적해(global optimum)을 탐색할 수 있다. 베이지안 최적화 알고리즘은 손실 함수를 최소화할 수 있는 파라미터 조합을 확률에 기반하여 계산하고, 이를 반복 적용함으로써 최적의 조합을 탐색할 수 있다. 확률에 기반하여 최적화가 진행되므로 국부적인 최적 해에 구속될 가능성이 낮다는 장점이 있다.

배터리 모델 최적화 장치는 후보 파라미터 θn+1를 결정하는데 있어 현재의 경계 조건에 기초하여 후보 파라미터 θn+1를 탐색하게 된다. 배터리 모델 최적화 장치는 획득 함수(acquisition function)에 대하여 기울기(gradient) 기반 최적화를 수행함으로써 후보 파라미터를 선정할 수 있다. 배터리 모델 최적화 장치는 선정된 후보 파라미터를 적용한 배터리 모델을 이용하여 배터리의 상태를 추정할 수 있다. 배터리 모델 최적화 장치는 후보 파라미터 θn+1를 이용하여 배터리의 상태 ECT(I, T; θn+1)를 추정할 수 있다. 그 후, 배터리 모델 최적화 장치는 ECT(I, T; θn+1)와 배터리의 실제 상태 간의 오차(예를 들어, SSE)를 계산할 수 있다. 배터리 모델 최적화 장치는 오차가 줄어들도록 파라미터를 업데이트할 수 있다.

단계(330)에서, 배터리 모델 최적화 장치는 단계(320)에서 수행된 최적화 과정의 결과를 저장하고 분석할 수 있다. 단계(340)에서, 배터리 모델 최적화 장치는 최적화 과정의 수행 횟수가 설정된 수행 횟수에 도달하였는지 여부를 판단한다. 최적화 과정의 수행 횟수가 설정된 수행 횟수에 도달한 경우 배터리 모델에 대한 최적화 과정은 종료된다. 이와 다르게, 최적화 과정의 수행 횟수가 설정된 수행 횟수에 도달하지 않은 경우, 단계(350)에서 배터리 모델 최적화 장치는 이전 최적화 과정에 이용된 이전 경계 조건보다 축소된 경계 조건을 설정할 수 있다. 배터리 모델 최적화 장치는 이전 최적화 과정의 결과를 기초로 축소된 경계 조건을 설정할 수 있다. 축소된 경계 조건은 이전 경계 조건의 상한 및 하한에 의해 정의되는 구간보다 축소된 구간을 가지는 경계 조건이다. 이후에, 배터리 모델 최적화 장치는 축소된 경계 조건에 기초하여 최적화 과정을 다시 수행할 수 있다. 배터리 모델 최적화 장치는 파라미터의 세트에 후보 파라미터 θn+1을 추가하고 새로운 후보 파라미터를 선정할 수 있다. 배터리 모델 최적화 장치는 배터리 모델로부터 획득된 배터리의 상태와 배터리의 실제 상태 간의 오차를 계산하고, 오차가 최소화하도록 파라미터 세트를 업데이트하는 과정을 반복할 수 있다. 이와 같이, 배터리 모델 최적화 장치는 한 단계의 최적화 과정이 종료되면, 해당 최적화 과정의 결과를 기반으로 다음 단계의 경계 조건을 재설정하여 최적화 과정을 다시 수행할 수 있다.

배터리 모델 최적화 장치는 최적화 과정의 수행 횟수가 설정된 수행 횟수에 도달할 때까지 단계들(350, 320, 330)을 반복적으로 수행할 수 있다.

도 4는 일 실시예에 따른 최적화 과정을 보다 구체적으로 설명하기 위한 흐름도이다.

도 4를 참조하면, 단계(410)에서 배터리 모델 최적화 장치는 배터리 모델의 파라미터들로부터 타겟 파라미터들을 선택할 수 있다. 배터리 모델 최적화 장치는 배터리 모델의 파라미터들 중에서 배터리의 확산 특성과 관련된 특정 포인트(또는 앵커 포인트(anchor point))들을 선정하고, 선정된 특정 포인트들에 기초하여 타겟 파라미터들을 결정할 수 있다. 타겟 파라미터들은 배터리 모델의 전체 파라미터들로부터 선택된 일부의 파라미터들에 해당한다. 배터리 모델의 물리적 확산 특성이 유지되면서 배터리 모델의 파라미터의 차원이 축소되도록 타겟 파라미터들이 결정될 수 있다. 예를 들어, 배터리 모델 최적화 장치는 배터리 모델의 파라미터들에 대해 한 번 이상 미분한 값에 기초하여 타겟 파라미터들을 선택할 수 있다. 배터리 모델 최적화 장치는 한 번 이상 미분한 값이 0이 되는 지점(도함수 값이 0이 되는 지점)의 특정 포인트에 기초하여 타겟 파라미터로 결정할 수 있다. 배터리 모델 최적화 장치는 해당 특정 포인트에서 확산 계수가 크게 변하는 파라미터를 타겟 파라미터로 결정할 수 있다. 타겟 파라미터들에 기초하여 최적화 과정이 수행되며, 타겟 파라미터들을 통해 파라미터의 차원(dimension)이 축소되어 계산 량과 최적화 과정에 걸리는 시간이 줄어들 수 있다.

배터리 모델 최적화 장치는 이하 단계(420) 내지 단계(460)을 통해 타겟 파라미터들에 대한 최적화 과정을 수행할 수 있다. 단계(420)에서, 배터리 모델 최적화 장치는 타겟 파라미터들 각각에 대한 현재 경계 조건을 설정할 수 있다. 처음에는 미리 설정된 초기 경계 조건이 현재 경계 조건으로 이용될 수 있다. 단계(430)에서, 배터리 모델 최적화 장치는 설정된 현재 경계 조건에 기초하여 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색할 수 있다. 배터리 모델 최적화 장치는 타겟 파라미터들에 기초하여 배터리 모델의 상태 추정 값(배터리 상태에 대한 추정 값)을 결정하고, 상태 추정 값과 배터리에 대한 프로파일 데이터로부터 획득된 실제 상태 값 간의 차이에 기초하여 최적화 손실을 결정할 수 있다. 배터리 모델 최적화 장치는 해당 최적화 손실이 감소하도록 상기 타겟 파라미터들 중 적어도 하나의 타겟 파라미터를 조절할 수 있다. 최적화된 파라미터 값을 탐색하는 과정에 대해서는 도 3의 단계(320)과 관련하여 설명된 최적화 과정의 내용이 적용될 수 있다.

일 실시예에서, 배터리 모델 최적화 장치는 최적화 과정을 수행할 때, 배터리의 충전 또는 방전의 진행 정도에 대응하는 미리 정의된 서로 다른 충전 상태(SOC) 구간별로 최적화 과정을 수행할 수도 있다. 배터리 모델 최적화 장치는 SOC를 구간별(예: 0-30% 구간, 30-70% 구간, 70-100% 구간)로 나누고, 충전이나 방전의 거동에 따라 SOC 구간별로 배터리 모델의 확산 특성을 순차적으로 최적화하는 과정을 수행할 수 있다. 이러한 최적화 과정을 통해 다른 SOC 구간에 대비하여 중요도가 낮아 최적화가 잘 진행되지 않았던 SOC 구간에 대해서도 최적화가 수행되어 SOC 구간의 최적화 민감도를 향상시킬 수 있다.

다른 실시예에서, 배터리 모델 최적화 장치는 최적화 과정을 수행할 때, 온도 구간별로 최적화 과정을 수행할 수도 있다. 예를 들어, 배터리 모델 최적화 장치는 저온, 상온 및 고온 각각에 대응하는 미리 정의된 온도 구간들을 설정하고, 각 온도 구간별로 최적화 과정을 수행할 수 있다. 배터리 모델 최적화 장치는 각 온도 구간에 대해 배터리 모델의 상태 추정 값을 계산하고, 계산된 상태 추정 값과 해당 온도 구간에서의 프로파일 데이터에 기초하여 최적화 손실을 결정할 수 있다. 배터리 모델 최적화 장치는 해당 최적화 손실이 줄어들도록 파라미터를 조절할 수 있다.

단계(440)에서, 배터리 모델 최적화 장치는 최적화된 파라미터 값에 대한 이전 탐색 결과에 기초하여 현재 경계 조건보다 축소된 다음 경계 조건을 설정할 수 있다. 배터리 모델 최적화 장치는 현재 경계 조건에 기초하여 탐색된 최적화된 파라미터 값에 기초하여 모든 타겟 파라미터들에 대한 경계 조건을 변경할 수 있다.

일 실시예에서, 배터리 모델 최적화 장치는 이전 최적화 과정에서 배터리 모델을 통해 추정된 배터리의 전압과 배터리에 대한 프로파일 데이터에 따른 전압 간의 전압 오차를 계산하고, 계산된 전압 오차에 기초하여 확산 파라미터(또는 확산 계수)에 대한 타겟 변화 방향을 결정할 수 있다. 배터리 모델 최적화 장치는 결정된 타겟 변화 방향에 기초하여 다음 경계 조건을 설정할 수 있다. 확산 파라미터의 경우 전압 오차에 따라 변화해야 할 방향을 알 수 있고, 해당 방향에 따라 다음 최적화 과정에서 이용될 경계 조건이 설정될 수 있다.

단계(450)에서, 배터리 모델 최적화 장치는 설정된 다음 경계 조건에 기초하여 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색할 수 있다. 단계(450)의 과정은 경계 조건이 달라진 것 이외에 단계(430)에서 수행된 과정과 동일하며, 중복되는 설명은 생략한다.

단계(460)에서, 배터리 모델 최적화 장치는 최적화 과정의 수행 횟수가 설정된 수행 횟수에 도달하였는지 여부를 판단한다. 최적화 과정의 수행 횟수가 설정된 수행 횟수에 도달한 경우 배터리 모델에 대한 최적화 과정은 종료된다. 최적화 과정의 수행 횟수가 설정된 수행 횟수에 도달하지 않은 경우, 단계(350)에서 배터리 모델 최적화 장치는 이전 탐색 결과에 기초하여 다음 경계 조건을 설정한 후 다시 최적화 과정을 수행한다. 배터리 모델 최적화 장치는 최적화 과정의 수행 횟수가 설정된 수행 횟수에 도달할 때까지, 현재 경계 조건보다 축소된 다음 경계 조건을 설정하는 동작 및 다음 경계 조건에 기초하여 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작을 반복적으로 수행한다.

위와 같이 배터리 모델 최적화 장치는 최적화 과정의 다음 단계로 넘어갈 때, 이전 단계의 최적화 결과를 기초로 경계 조건을 변경해 가면서 최적화를 수행할 수 있다. 배터리 모델 최적화 장치는 파라미터 특성에 따라 이전 단계의 최적화 결과를 기초로 경계 조건을 가변시킴으로써 최적화 효율을 향상시킬 수 있다. 위에 설명된 최적화 과정을 통해 다양한 종류의 배터리와 다양한 배터리 동작 상황(온도, 운전 조건)에 대하여 안정적인 성능을 제공하는 배터리 모델을 생성할 수 있다.

도 5는 일 실시예에 따른 배터리 모델의 파라미터 최적화 과정을 설명하기 위한 도면이다.

도 5를 참조하면, 단계(510)에서 배터리 모델 최적화 장치는 초기 설정을 수행한다. 배터리 모델 최적화 장치는 초기 설정 과정에서 배터리 모델의 다양한 파라미터들을 식별하고, 최적화를 위한 초기 경계 조건을 설정할 수 있다. 초기 경계 조건은 미리 정의되어 있거나 실험적으로 결정될 수 있다. 이후에, 단계(520)에서 배터리 모델 최적화 장치는 배터리 모델의 파라미터들에 대한 최적화 과정을 수행할 수 있다.

단계(522)에서, 배터리 모델 최적화 장치는 배터리 모델의 파라미터들로부터 타겟 파라미터들을 선택할 수 있다. 이를 통해, 배터리 모델 최적화 장치는 최적화에 이용되는 파라미터의 개수를 줄일 수 있다. 예를 들어, 배터리 모델 최적화 장치는 확산 계수에서 도함수가 0이 되는 지점에서의 특정 포인트들을 추출해서 최적화를 수행할 수 있다.

단계(524)에서, 배터리 모델 최적화 장치는 배터리 모델 처리를 수행하여 배터리의 상태 추정 값(예, SOC, 전압)을 획득할 수 있다. 예를 들어, 배터리 모델 최적화 장치는 배터리의 전류 및 온도, 배터리 모델의 파라미터 세트에 따른 배터리 모델의 연산에 기초하여 배터리의 전압에 대한 추정 값을 획득할 수 있다.

단계(526)에서, 배터리 모델 최적화 장치는 최적화 손실을 결정할 수 있다. 배터리 모델 최적화 장치는 배터리에 대해 미리 정의된 프로파일 데이터와 배터리 모델을 이용하여 추정한 상태 추정 값 간의 차이에 기초하여 최적화 손실을 결정할 수 있다. 프로파일 데이터는 배터리에 대해 실제 측정된 상태 값이나 기준 값을 포함할 수 있다. 배터리 모델 최적화 장치는 베이지안 최적화 알고리즘의 확률 기반으로 최적화 손실을 결정할 수 있다.

단계(528)에서, 배터리 모델 최적화 장치는 최적화 손실에 기초하여 파라미터 값을 조절할 수 있다. 배터리 모델 최적화 장치는 파라미터 값을 조절하여 새로운 파라미터를 결정할 수 있다. 배터리 모델 최적화 장치는 최적화 손실이 감소하는 방향, 예를 들어 최적화 손실이 최소화하는 방향으로 파라미터 값을 조절할 수 있다.

단계(529)에서, 배터리 모델 최적화 장치는 단계(528)의 결과를 기초로 이전의 경계 조건보다 축소된 범위를 가지는 신규 경계 조건을 설정할 수 있다. 배터리 모델 최적화 장치는 예를 들어 단계(528)에서 결정된 파라미터 값의 크기를 기준으로 이보다 작은 크기의 범위를 가지는 경계 조건을 설정할 수 있다. 이후에, 배터리 모델 최적화 장치는 신규 경계 조건에 기초하여 단계(522)의 타겟 파라미터 선택, 단계(524)의 배터리 모델 처리, 단계(526)의 최적화 손실 결정, 단계(528)의 파라미터 값 조절 및 단계(529)의 신규 경계 조건 설정을 여러 번 반복적으로 수행할 수 있다. 이러한 최적화 과정은 미리 설정된 반복 횟수에 도달할 때까지 또는 최적화 손실이 정의된 조건을 만족시킬 때까지 계속적으로 수행될 수 있다. 또한, 배터리 모델 최적화 장치는 실시예에 따라 SOC 구간별로 또는 온도 구간별로 최적화 과정을 수행할 수 있으며, 이에 대해서는 도 4에서 설명된 내용이 적용될 수 있다.

단계(520)의 최적화 과정이 종료된 경우, 단계(530)에서 배터리 모델 최적화 장치는 여러 번의 최적화 과정들로부터 도출된 최적화된 파라미터 값들에 기초하여 배터리 모델의 파라미터들을 업데이트할 수 있다. 파라미터들이 업데이트된 배터리 모델은 배터리의 상태를 추정하는데 이용될 수 있다.

배터리 모델의 최적화를 위해서는 반복적인 최적화 과정이 요구되는데, 고정된 경계 조건을 이용하는 경우 최적화 손실(또는 비용 함수)를 최소화하기 위하여 많은 반복 계산을 필요로 하였다. 반복 계산 횟수가 증가할수록 계산 량과 계산 시간이 늘어나는 문제가 있었으나, 위에 설명한 것과 같이 일부의 타겟 파라미터들에 기초하여 최적화를 수행하고, 최적화 과정이 진행될수록 경계 조건을 점차 축소시키는 것에 의해 최적화를 위한 반복 횟수와 계산 시간을 줄일 수 있다.

도 6은 일 실시예에 따른 타겟 파라미터를 선택하는 것을 설명하기 위한 도면이다.

도 6을 참조하면, 배터리 모델에 포함된 화학양론(stoichiometry)에 따른 파라미터(610)와 배터리 모델 최적화 장치에 의해 파라미터의 차원이 축소되어 선택된 타겟 파라미터(620)가 도시되어 있다. 배터리 모델 최적화 장치는 파라미터(610)의 초기 값으로부터 특정 포인트를 추출하고, 추출된 특정 포인트를 타겟 파라미터(620)로 선정할 수 있다. 예를 들어, 배터리 모델 최적화 장치는 파라미터(610)에 대해 한 번 이상 미분한 값이 0이 되는 지점의 특정 포인트를 타겟 파라미터(620)를 선정할 수 있다. 도시된 타겟 파라미터(620)들은 1차 미분 값이 0인 지점의 특정 포인트들에 대응하고, 실시예에 따라 2차 이상의 고차 미분 값이 0인 지점의 특정 포인트들도 타겟 파라미터로 선정될 수 있다. 배터리 모델 최적화 장치는 축소된 차원을 갖는 타겟 파라미터(620)에 대해서만 최적화를 수행할 수 있다. 배터리 모델 최적화 장치는 특정 포인트에 대응하는 최적화된 타겟 파라미터(620)들의 파라미터 값을 기초로 보간(interpolation)을 수행하는 것에 의해 타겟 파라미터(620)들을 제외한 다른 지점의 파라미터 값을 결정할 수 있다. 예를 들어, 배터리 모델 최적화 장치는 는 넌-파라매트릭(non-parametric) 모델로 GPR(Gaussian Process Regression) 방식을 이용하여 보간을 수행할 수 있다. 도 6에 도시된 실시예의 경우, 배터리 모델 최적화 장치가 7개의 특정 포인트들에 대응하는 타겟 파라미터(620)들을 추출하고, 추출된 타겟 파라미터들(620)들에 대해서만 최적화를 수행한 후에 보간을 통해 타겟 파라미터(620)들을 제외한 다른 파라미터 값을 결정할 수 있다. 배터리 모델 최적화 장치는 파라미터(610)의 초기 값에 기초하여 최적화된 파라미터 값의 탐색을 위한 경계 조건을 설정할 수 있다. 그래프에서 점선으로 표시된 경계가 경계 조건에 대응될 수 있다.

도 7은 일 실시예에 따른 축소된 경계 조건을 도시하는 도면이다.

도 7을 참조하면, 확산 특성을 나타내는 배터리 모델의 파라미터(702)에 대해 축소된 경계 조건이 적용되는 일례가 도시되어 있다. 그래프에서 세로 축은 파라미터 값의 크기를 나타내고, 가로 축은 SOC 레벨을 나타낸다. 파라미터(702)에 대해 이전 경계 조건(710)이 결정된 후 다음 최적화 과정을 위한 경계 조건이 경계 조건(710)에서 경계 조건(720)으로 결정되었다고 가정하면, 해당 다음 최적화 과정은 경계 조건(720)에 기초하여 수행된다. 파라미터(702)의 최적화된 파라미터 값은 경계 조건(720)에 구속되어 경계 조건(720)에 대응하는 구간 사이의 값으로 결정될 수 있다.

도 8은 다른 실시예에 따른 확산 계수에 대한 타겟 변화 방향에 기초하여 배터리 모델의 파라미터를 최적화하는 방법을 설명하기 위한 흐름도이다.

도 8을 참조하면, 단계(810), 단계(820), 단계(830) 및 단계(840)는 각각 도 3에서 설명된 단계(310), 단계(320), 단계(330) 및 단계(340)에 대응하며, 중복되는 설명은 생략한다. 단계(850)에서, 배터리 모델 최적화 장치는 확산 파라미터에 대응하는 확산 계수에 대해서는 확산 계수에 대한 타겟 변화 방향에 기초하여 이전보다 축소된 경계 조건을 설정할 수 있다. 배터리 모델 최적화 장치는 이전 최적화 과정에서 배터리 모델을 통해 추정된 배터리의 전압과 배터리에 대한 프로파일 데이터에 따른 전압 간의 전압 오차를 계산하고, 계산된 전압 오차에 기초하여 확산 계수가 바람직하게 변해야 하는 방향을 나타내는 타겟 변화 방향을 결정할 수 있다. 배터리 모델 최적화 장치는 타겟 변화 방향의 방향성을 갖는 확산 계수의 경계 조건을 기초로 다음 경계 조건을 설정할 수 있다. 배터리 모델 최적화 장치는 설정된 다음 경계 조건을 기초로 최적화 과정을 계속적으로 수행할 수 있다. 이러한 최적화 과정은 최적화 과정의 수행 횟수가 설정된 수행 횟수에 도달할 때까지 수행될 수 있다.

도 9는 일 실시예에 따른 확산 계수에 대한 타겟 변화 방향에 기초하여 경계 조건을 설정하는 것을 설명하기 위한 도면이다.

도 9를 참고하면, 배터리 모델을 통해 추정된 배터리의 전압과 배터리에 대한 프로파일 데이터에 따른 전압 간의 전압 오차가 0이 아닌 경우, 확산 계수가 바람직한 값을 가지기 위해 이동해야 할 방향이 결정될 수 있다. 확산 계수에 대해 적용될 새로운 경계 조건은 SOC 레벨 별로 전압 오차에 기초하여 설정될 수 있다. 전압 오차가 가지는 부호에 따라 물리적으로 확산 계수가 변화해야 하는 방향이 설정될 수 있다. 전압 오차의 변화에 따른 (a), (b), (c) 구간에서의 전압 오차 값의 변화(910)가 도시되어 있다.

예를 들어, 배터리의 충전 상태에서 전압 오차가 양수인 경우에는 애노드의 확산 계수에 대한 경계 조건(920)과 캐소드의 확산 계수에 대한 경계 조건(930)은 위쪽으로 이동해야 전압 오차를 줄일 수 있고, 전압 오차가 음수인 경우에는 애노드의 확산 계수에 대한 경계 조건(920)과 캐소드의 확산 계수에 대한 경계 조건(930)은 아래쪽으로 이동해야 전압 오차를 줄일 수 있다. 전압 오차의 부호를 고려한, 애노드의 확산 계수에 대한 새로운 경계 조건(925)과 캐소드의 확산 계수에 대한 새로운 경계 조건(935)이 도시되어 있다. 이와 같이 배터리 특성에 대한 물리적 의미를 고려하여 최적화에 이용되는 확산 계수의 경계 조건을 설정함으로써 최적화 과정의 효율을 개선하고 배터리 모델의 정확도를 개선시킬 수 있다.

도 10은 또 다른 실시예에 따른 온도 구간별로 배터리 모델의 파라미터를 최적화하는 방법을 설명하기 위한 흐름도이다.

배터리 모델 최적화 장치는 배터리 모델의 파라미터들에 대한 최적화 과정을 미리 정의된 온도 구간별로 각각 수행할 수 있다. 도 10을 참조하면, 단계(1010), 단계(1015), 단계(1020), 단계(1025) 및 단계(1030)의 최적화 과정은 제1 온도 구간에 대해 수행될 수 있다. 단계(1025)에서 제1 온도 구간에 대한 최적화 과정의 수행 횟수가 설정된 수행 횟수에 도달한 경우, 단계(1035)에서 제1 온도 구간에 대한 최적화 과정은 종료된다. 이후에, 단계(1040)에서 제2 온도 구간에 대한 경계 조건이 설정되고, 제2 온도 구간에 대해 단계(1040), 단계(1045), 단계(1050), 단계(1055) 및 단계(1060)를 포함하는 최적화 과정이 수행될 수 있다. 단계(1055)에서 제2 온도 구간에 대한 최적화 과정의 수행 횟수가 설정된 수행 횟수에 도달한 경우, 단계(1065)에서 제2 온도 구간에 대한 최적화 과정은 종료된다. 각각의 온도 구간에 대한 최적화 과정은 온도 구간의 특성에 맞게 최적화가 수행되며, 최적화 과정에서 각 온도 구간에 대응하는 프로파일 데이터 또는 파라미터가 이용될 수 있다. 여기서 설명되는 최적화 과정에는 도 3 및 도 4에서 설명된 최적화 과정이 적용될 수 있다.

본 실시예에서는, 온도 구간을 제1 온도 구간과 제2 온도 구간으로 나누어 최적화를 수행하는 것으로 설명하였지만, 온도 구간은 3개 이상으로 구분될 수 있고 각각의 온도 구간에 대해 최적화가 수행될 수 있다. 예를 들어, 온도 구간은 저온에 대응하는 제1 온도 구간, 상온에 대응하는 제2 온도 구간 및 고온에 대응하는 제3 온도 구간이 정의될 수 있고, 각각의 제1, 제2 및 제3 온도 구간에 대해 위와 같은 최적화 과정이 수행될 수 있다. 온도 구간별로 최적화를 수행함으로써, 각 온도 구간에 특화된 파라미터의 최적화를 효과적으로 수행할 수 있고, 또한 온도 구간별로 다른 파라미터 세트를 가지는 배터리 모델에 대한 최적화를 효과적으로 수행할 수 있다.

도 11은 일 실시예에 따른 배터리 모델 최적화 장치의 구성을 도시하는 도면이다.

도 11을 참조하면, 배터리 모델 최적화 장치(1100)는 프로세서(1110) 및 메모리(1120)를 포함할 수 있다. 메모리(1120)는 프로세서(1110)에 연결되고, 프로세서(1110)에 의해 실행가능한 명령어들, 프로세서(1110)가 연산할 데이터 또는 프로세서(1110)에 의해 처리된 데이터를 저장할 수 있다. 메모리(1120)는 비일시적인 컴퓨터 판독가능 매체, 예컨대 고속 랜덤 액세스 메모리 및/또는 비휘발성 컴퓨터 판독가능 저장 매체(예컨대, 하나 이상의 디스크 저장 장치, 플래쉬 메모리 장치, 또는 기타 비휘발성 솔리드 스테이트 메모리 장치)를 포함할 수 있다.

프로세서(1110)는 배터리 모델 최적화 장치(1100)의 전체적인 동작을 제어하며, 배터리 모델 최적화 장치(1100) 내에서 실행하기 위한 기능 및 명령어들을 실행한다. 프로세서(1110)는 도 1 내지 도 10을 통하여 전술한 하나 이상의 동작을 수행하기 위한 명령어들을 실행할 수 있다. 명령어들이 프로세서(1110)에서 실행되면 프로세서(1110)는 배터리 모델의 파라미터들의 최적화된 파라미터 값을 결정하는 최적화 과정을 수행할 수 있다. 최적화 과정에서 프로세서(1110)는 배터리 모델의 파라미터들로부터 타겟 파라미터들을 선택할 수 있다. 프로세서(1110)는 배터리 모델의 파라미터들 중에서 배터리의 확산 특성과 관련된 특정 포인트들을 선정하고, 선정된 특정 포인트들에 기초하여 타겟 파라미터들을 결정할 수 있다. 예를 들어, 프로세서(1110)는 배터리 모델의 파라미터들에 대해 적어도 한 번 이상 미분한 값에 기초하여 타겟 파라미터들을 선택할 수 있다. 프로세서(1110)는 타겟 파라미터들 각각에 대한 현재 경계 조건을 설정하고, 설정된 현재 경계 조건에 기초하여 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색할 수 있다. 프로세서(1110)는 타겟 파라미터들에 기초하여 배터리 모델의 상태 추정 값을 결정하고, 상태 추정 값과 배터리에 대한 프로파일 데이터로부터 획득된 실제 상태 값 간의 차이에 기초하여 최적화 손실을 결정할 수 있다. 프로세서(1110)는 최적화 손실이 감소하도록 타겟 파라미터들 중 적어도 하나의 타겟 파라미터를 조절할 수 있다.

프로세서(1110)는 최적화된 파라미터 값을 탐색한 탐색 결과에 기초하여 현재 경계 조건보다 축소된 다음 경계 조건을 설정할 수 있다. 프로세서(1110)는 현재 경계 조건에 기초하여 탐색된 최적화된 파라미터 값에 기초하여 모든 타겟 파라미터들에 대한 경계 조건을 변경할 수 있고, 변경된 경계 조건이 해당 다음 경계 조건으로 설정된다. 프로세서(1110)는 배터리 모델을 통해 추정된 배터리의 전압과 배터리에 대한 프로파일 데이터에 따른 전압 간의 전압 오차에 기초하여 확산 파라미터에 대한 타겟 변화 방향을 결정하고, 결정된 타겟 변화 방향에 기초하여 다음 경계 조건을 설정할 수 있다. 프로세서(1110)는 설정된 다음 경계 조건에 기초하여 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작을 다시 수행할 수 있다. 프로세서(1110)는 최적화 과정의 수행 횟수가 설정된 수행 횟수에 도달할 때까지, 현재 경계 조건보다 축소된 다음 경계 조건을 설정하는 동작 및 다음 경계 조건에 기초하여 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작을 반복적으로 수행할 수 있다.

일 실시예에서, 프로세서(1110)는 배터리의 충전의 진행 정도에 대응하는 미리 정의된 서로 다른 충전 상태(SOC) 구간별로 위에 설명한 최적화 과정을 수행할 수 있다. 또한, 프로세서(1110)는 배터리의 방전의 진행 정도에 대응하는 미리 정의된 서로 다른 충전 상태 구간들에 기초하여 위 최적화 과정을 수행할 수도 있다. 프로세서(1110)는 충전 상태 구간 뿐만 아니라 미리 정의된 온도 구간별로도 위 최적화 과정을 수행할 수 있다. 그 밖에, 프로세서(1110)는 본 명세서에서 설명된 최적화 과정을 수행할 수 있다.

도 12는 일 실시예에 따른 배터리 모델 최적화 장치를 포함하는 배터리 관리 서버를 도시하는 도면이다.

도 12를 참조하면, 배터리 모델 최적화 장치(1211)는 배터리 관리 서버(1210)에 포함될 수 있다. 배터리 모델 최적화 장치(1211)는 본 명세서에서 설명된 배터리 모델 최적화 장치(예: 도 1의 배터리 모델 최적화 장치(100), 도 11의 배터리 모델 최적화 장치(1100))에 대응할 수 있다. 배터리 모델 최적화 장치(1211)는 배터리 전원 장치(1220)로부터 배터리(1221)의 작동 데이터를 수신하여 저장할 수 있고, 배터리(1221)에 대응하는 배터리 모델의 최적화가 필요할 경우 작동 데이터에 기초하여 배터리 모델의 파라미터 최적화를 수행하고, 그 수행 결과로서 업데이트된 파라미터들을 배터리 전원 장치(1020)에 제공할 수 있다. 배터리 모델 최적화 장치(1211)는 본 명세서에서 설명된 최적화 과정에 기초하여 파라미터 최적화를 수행할 수 있다. 배터리 전원 장치(1220)는 배터리(1221)로부터 공급되는 전력을 외부 장치에 제공할 수 있으며, 배터리 모델 최적화 장치(1211)에 의해 최적화된 파라미터 기반의 배터리 모델을 이용하여 배터리(1221)의 충전 상태를 추정할 수 있다.

도 13은 일 실시예에 따른 배터리 모델 최적화 장치를 포함하는 배터리 전원 장치를 도시하는 도면이다.

도 13을 참조하면, 배터리 전원 장치(1300)는 배터리(1310) 및 배터리 모델 최적화 장치(1320)를 포함한다. 배터리 모델 최적화 장치(1320)는 본 명세서에서 설명된 배터리 모델 최적화 장치(예: 도 1의 배터리 모델 최적화 장치(100), 도 11의 배터리 모델 최적화 장치(1100))에 대응할 수 있다. 배터리 전원 장치(1300)는 배터리(1130)로부터 공급되는 전력을 외부 장치에 제공하는 장치로서, 배터리 관리 시스템(battery management system, BMS)의 일부로 구현될 수 있다. 배터리(1310)는 배터리 전원 장치(1300)에 연결된 전자 장치에 전력을 공급할 수 있고, 배터리 모델 최적화 장치(1330)는 배터리(1310)에 대응하는 배터리 모델을 최적화시킬 수 있다.

배터리 모델을 최적화시킬 때, 배터리 모델 최적화 장치(1330)는 배터리 모델의 파라미터들로부터 타겟 파라미터들을 선택하는 동작, 타겟 파라미터들 각각에 대한 현재 경계 조건을 설정하는 동작, 설정된 현재 경계 조건에 기초하여 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작, 탐색 결과에 기초하여 상기 현재 경계 조건보다 축소된 다음 경계 조건을 설정하는 동작, 및 다음 경계 조건에 기초하여 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작을 수행할 수 있다. 배터리 모델 최적화 장치(1330)는 배터리 모델을 통해 추정된 배터리(130)의 전압과 배터리(130)에 대한 프로파일 데이터에 따른 전압 간의 전압 오차에 기초하여 확산 파라미터에 대한 타겟 변화 방향을 결정하고, 결정된 타겟 변화 방향에 기초하여 다음 경계 조건을 설정할 수 있다. 배터리 모델 최적화 장치(1330)는 배터리(1310)의 충전 또는 방전의 진행 정도에 대응하는 미리 정의된 서로 다른 충전 상태 구간별로 최적화 과정을 수행할 수 있다. 또한, 배터리 모델 최적화 장치(1330)는 미리 정의된 온도 구간별로 최적화 과정을 수행할 수도 있다. 그 밖에, 배터리 모델 최적화 장치(1330)는 본 명세서에서 설명된 최적화 과정을 수행할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 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 컨트롤러를 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 장치에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 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 저장할 수 있으며 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.

위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 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.

Claims

배터리의 상태를 추정하는 배터리 모델의 최적화를 수행하는 장치에 있어서,
프로세서; 및
상기 프로세서에서 실행가능한 명령어들을 포함하는 메모리
를 포함하고,
상기 명령어들이 상기 프로세서에서 실행되면, 상기 프로세서는 상기 배터리 모델의 파라미터들의 최적화된 파라미터 값을 결정하는 최적화 과정을 수행하고,
상기 프로세서에 의해 상기 최적화 과정이 수행될 때,
상기 배터리 모델의 파라미터들로부터 타겟 파라미터들을 선택하는 동작;
상기 타겟 파라미터들 각각에 대한 현재 경계 조건(boundary condition)을 설정하는 동작;
상기 설정된 현재 경계 조건에 기초하여 상기 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작;
상기 탐색 결과에 기초하여 상기 현재 경계 조건보다 축소된 다음 경계 조건을 설정하는 동작; 및
상기 다음 경계 조건에 기초하여 상기 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작을 수행하는,
장치.
제1항에 있어서,
상기 프로세서는,
상기 배터리의 충전의 진행 정도에 대응하는 미리 정의된 서로 다른 충전 상태(state of charge; SOC) 구간별로 상기 최적화 과정을 수행하는,
장치.
제1항에 있어서,
상기 프로세서는,
상기 배터리의 방전의 진행 정도에 대응하는 미리 정의된 서로 다른 충전 상태 구간들에 기초하여 상기 최적화 과정을 수행하는,
장치.
제1항에 있어서,
상기 프로세서는,
상기 배터리 모델을 통해 추정된 배터리의 전압과 상기 배터리에 대한 프로파일 데이터에 따른 전압 간의 전압 오차에 기초하여 확산 파라미터에 대한 타겟 변화 방향을 결정하고, 상기 결정된 타겟 변화 방향에 기초하여 상기 다음 경계 조건을 설정하는,
장치.
제1항에 있어서,
상기 프로세서는,
미리 정의된 온도 구간별로 상기 최적화 과정을 수행하는,
장치.
제1항에 있어서,
상기 프로세서는,
상기 배터리 모델의 파라미터들에 대해 한 번 이상 미분한 값에 기초하여 상기 타겟 파라미터들을 선택하는,
장치.
제1항에 있어서,
상기 프로세서는,
상기 최적화 과정의 수행 횟수가 설정된 수행 횟수에 도달할 때까지, 상기 현재 경계 조건보다 축소된 다음 경계 조건을 설정하는 동작 및 상기 다음 경계 조건에 기초하여 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작을 반복적으로 수행하는,
장치.
제1항에 있어서,
상기 프로세서는,
상기 현재 경계 조건에 기초하여 탐색된 최적화된 파라미터 값에 기초하여 모든 타겟 파라미터들에 대한 경계 조건을 변경하고,
상기 변경된 경계 조건은 상기 다음 경계 조건에 대응하는,
장치.
제1항에 있어서,
상기 프로세서는,
상기 배터리 모델의 파라미터들 중에서 상기 배터리의 확산 특성과 관련된 특정 포인트들을 선정하고, 상기 선정된 특정 포인트들에 기초하여 상기 타겟 파라미터들을 결정하는,
장치.
제1항에 있어서,
상기 프로세서는,
상기 타겟 파라미터들에 기초하여 상기 배터리 모델의 상태 추정 값을 결정하고,
상기 상태 추정 값과 상기 배터리에 대한 프로파일 데이터로부터 획득된 실제 상태 값 간의 차이에 기초하여 최적화 손실을 결정하고,
상기 최적화 손실이 감소하도록 상기 타겟 파라미터들 중 적어도 하나의 타겟 파라미터를 조절하는,
장치.
제1항에 있어서,
상기 배터리 모델의 파라미터들은,
상기 배터리의 충전 상태(SOC) 레벨에 의존적인 확산 파라미터를 포함하고,
상기 확산 파라미터는,
상기 배터리의 충전과 관련된 충전 파라미터 및 상기 배터리의 방전과 관련된 방전 파라미터를 포함하는,
장치.
배터리의 상태를 추정하는 배터리 모델을 최적화하는 방법에 있어서,
상기 배터리 모델의 파라미터들로부터 타겟 파라미터들을 선택하는 동작; 및
상기 타겟 파라미터들에 대한 최적화 과정을 수행하는 동작을 포함하고,
상기 파라미터 최적화를 수행하는 동작은,
상기 타겟 파라미터들 각각에 대한 현재 경계 조건(boundary condition)을 설정하는 동작;
상기 설정된 현재 경계 조건에 기초하여 상기 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작;
상기 탐색 결과에 기초하여 상기 현재 경계 조건보다 축소된 다음 경계 조건을 설정하는 동작; 및
상기 다음 경계 조건에 기초하여 상기 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작을 포함하는,
방법.
제12항에 있어서,
상기 최적화 과정을 수행하는 동작은,
상기 배터리의 충전의 진행 정도에 대응하는 미리 정의된 서로 다른 충전 상태 구간별로 상기 최적화 과정을 수행하는 동작
을 포함하는 방법.
제12항에 있어서,
상기 최적화 과정을 수행하는 동작은,
상기 배터리의 방전의 진행 정도에 대응하는 미리 정의된 서로 다른 충전 상태 구간별로 상기 최적화 과정을 수행하는 동작
을 포함하는 방법.
제12항에 있어서,
상기 다음 경계 조건을 설정하는 동작은,
상기 배터리 모델을 통해 추정된 배터리의 전압과 상기 배터리에 대한 프로파일 데이터에 따른 전압 간의 전압 오차에 기초하여 확산 파라미터에 대한 타겟 변화 방향을 결정하는 동작; 및
상기 결정된 타겟 변화 방향에 기초하여 상기 다음 경계 조건을 설정하는 동작
을 포함하는 방법.
제12항에 있어서,
상기 최적화 과정을 수행하는 동작은,
미리 정의된 온도 구간별로 상기 최적화 과정을 수행하는 동작
을 포함하는 방법.
제12항 내지 제16항 중 어느 한 항의 방법을 수행하기 위한 명령어를 포함하는 하나 이상의 컴퓨터 프로그램을 저장한 컴퓨터 판독 가능 기록 매체.
배터리 전원 장치에 있어서,
전자 장치에 전력을 공급하는 배터리; 및
상기 배터리에 대응하는 배터리 모델을 최적화시키는 배터리 모델 최적화 장치를 포함하고,
상기 배터리 모델 최적화 장치는, 상기 배터리 모델을 최적화시킬 때,
상기 배터리 모델의 파라미터들로부터 타겟 파라미터들을 선택하는 동작;
상기 타겟 파라미터들 각각에 대한 현재 경계 조건을 설정하는 동작;
상기 설정된 현재 경계 조건에 기초하여 상기 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작;
상기 탐색 결과에 기초하여 상기 현재 경계 조건보다 축소된 다음 경계 조건을 설정하는 동작; 및
상기 다음 경계 조건에 기초하여 상기 타겟 파라미터들 각각에 대한 최적화된 파라미터 값을 탐색하는 동작을 수행하는,
배터리 전원 장치.
제18항에 있어서,
상기 배터리 모델 최적화 장치는,
상기 배터리의 충전 또는 방전의 진행 정도에 대응하는 미리 정의된 서로 다른 충전 상태(state of charge; SOC) 구간별로 상기 최적화 과정을 수행하는,
배터리 전원 장치.
제18항에 있어서,
상기 배터리 모델 최적화 장치는,
상기 배터리 모델을 통해 추정된 배터리의 전압과 상기 배터리에 대한 프로파일 데이터에 따른 전압 간의 전압 오차에 기초하여 확산 파라미터에 대한 타겟 변화 방향을 결정하고, 상기 결정된 타겟 변화 방향에 기초하여 상기 다음 경계 조건을 설정하는,
배터리 전원 장치.