KR20230174911A - 비지도 학습 기반의 배터리 이상 예측 방법 및 시스템 - Google Patents
비지도 학습 기반의 배터리 이상 예측 방법 및 시스템 Download PDFInfo
- Publication number
- KR20230174911A KR20230174911A KR1020220076112A KR20220076112A KR20230174911A KR 20230174911 A KR20230174911 A KR 20230174911A KR 1020220076112 A KR1020220076112 A KR 1020220076112A KR 20220076112 A KR20220076112 A KR 20220076112A KR 20230174911 A KR20230174911 A KR 20230174911A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- artificial intelligence
- intelligence model
- input data
- error
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005856 abnormality Effects 0.000 title claims description 32
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 62
- 208000032953 Device battery issue Diseases 0.000 claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000005070 sampling Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000012217 deletion Methods 0.000 description 11
- 230000037430 deletion Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 10
- 230000009467 reduction Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000013480 data collection Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 7
- 238000013450 outlier detection Methods 0.000 description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 5
- 230000002950 deficient Effects 0.000 description 5
- 229910001416 lithium ion Inorganic materials 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- QELJHCBNGDEXLD-UHFFFAOYSA-N nickel zinc Chemical compound [Ni].[Zn] QELJHCBNGDEXLD-UHFFFAOYSA-N 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
-
- 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
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Secondary Cells (AREA)
Abstract
본 발명은 비지도 학습 기반의 배터리 이상 예측 방법 및 시스템에 관한 것으로서, 하나 이상의 인스트럭션들(Instructions)을 저장하는 메모리; 및 상기 저장된 하나 이상의 인스터럭션들을 실행함으로써, 복수 개의 정상 배터리의 전류, 전압 및 온도 데이터 중 적어도 하나를 포함하는 입력 데이터를 수집하고, 수집된 데이터를 인공지능 모델에 반복 입력하여 상기 인공지능 모델을 학습시킨 후, 복수 개의 일반 배터리의 전류, 전압 및 온도 데이터 중 적어도 하나를 포함하는 입력 데이터를 수집하고, 수집된 입력 데이터를 학습된 인공지능 모델에 입력하여, 상기 입력 데이터와 상기 학습된 인공지능 모델의 출력 데이터 간의 복원 오차값을 비교함으로써 상기 복수 개의 일반 배터리 각각의 이상 여부를 판단하는 하나 이상의 프로세서를 포함한다.
Description
본 발명은 배터리 이상 예측 시스템에 관한 것으로, 더욱 상세하게는 비지도 학습 기반의 배터리 이상 예측 방법 및 시스템에 관한 것이다.
근래에 들어서, 노트북, 비디오카메라 및 휴대용 전화기 등과 같은 휴대용 전자 제품의 수요가 급격하게 증대되고, 에너지 저장용 축전지, 로봇 및 위성 등의 개발이 본격화됨에 따라, 반복적인 충방전이 가능한 고성능 이차 전지에 대한 연구가 활발히 진행되고 있다.
현재 상용화된 배터리로는 니켈 카드뮴 전지, 니켈 수소 전지, 니켈 아연 전지 및 리튬이온 전지 등이 있는데, 이 중에서 리튬이온 전지는 다른 전지에 비해 중량도 가볍고 긴 수명과 높은 에너지 밀도를 가지는 장점이 있다. 하지만, 리튬이온 전지는 발화 및 폭발의 위험성 때문에 잘 사용되지 않았으나, 최근에 배터리 관리 시스템(Battery Management System, BMS)을 통해 셀의 전압을 유지하는 등 안정성을 취하게 되면서 다양한 제품, 기기의 충전식 배터리에서 리튬이온 전지의 사용 비율이 높아지고 있다.
그런데 상술한 바와 같이, 리튬이온 전지는 에너지 저장 밀도가 높아 외부충격 및 과충전 등 사용상의 부주의와 배터리 또는 보호회로 불량 등 제조상의 결함에 의해 화재 및 폭발사고가 빈번하게 발생하여 안정성에 큰 문제가 있으므로, 배터리의 상태 및 불량 등을 예측하기 위해 인공지능을 이용한 연구가 계속되고 있다.
이와 같은 현실을 반영하여 종래에 지도학습 기반의 모델을 사용한 배터리 이상 예측 시스템이 제안되었다.
이러한 지도학습의 경우 정답 데이터가 필요하다. 즉, 분류 문제(배터리 불량 진단)의 경우, 각 클래스(정상, 비정상)별로 비슷한 데이터 개수가 필요하다. 또한, 회귀 문제(배터리 잔여 수명 예측)의 경우, 시작부터 끝까지(즉, 배터리 수명이 다할 때까지)의 정답 데이터가 필요하다.
그리고 전기차나 ESS(Energy Storage System)에 들어가는 대용량 리튬 배터리의 수명은 짧으면 5년, 길면 10년 전후로 알려져 있다. 따라서, 데이터를 수집하는 데 많은 시간이 소요되며, 수집되는 데이터도 많지 않아 모델의 정확도를 높이기 어렵다. 또한, 비교적 많은 정상 데이터만을 이용한 인공지능 모델이 요구된다.
본 명세서는 상기한 바와 같은 문제점을 해결하기 위하여 안출된 것으로서, 적은 양의 데이터로도 배터리의 상태를 예측할 수 있는 비지도 학습 기반의 배터리 이상 예측 방법 및 시스템을 제공하는 데 그 목적이 있다.
본 발명의 다른 목적은 적은 시간이 소요되고, 인공지능 모델의 정확도를 높일 수 있는 비지도 학습 기반의 배터리 이상 예측 방법 및 시스템을 제공한다.
본 발명의 또 다른 목적은 정상 데이터는 얻기 쉬우나 불량 데이터는 얻기 어려운 환경에서도 배터리 이상 여부를 판단할 수 있는 비지도 학습 기반의 배터리 이상 예측 방법 및 시스템을 제공하는 데 그 목적이 있다.
이와 같은 목적을 달성하기 위한, 본 명세서의 일실시예에 따르면, 본 명세서에 따른 비지도 학습 기반의 배터리 이상 예측 시스템은, 하나 이상의 인스트럭션들(Instructions)을 저장하는 메모리; 및 상기 저장된 하나 이상의 인스터럭션들을 실행함으로써, 복수 개의 정상 배터리의 전류, 전압 및 온도 데이터 중 적어도 하나를 포함하는 데이터를 수집하고, 수집된 데이터를 인공지능 모델에 반복 입력하여 상기 인공지능 모델을 학습시킨 후, 복수 개의 일반 배터리의 전류, 전압 및 온도 데이터 중 적어도 하나를 포함하는 입력 데이터를 수집하고, 수집된 입력 데이터를 학습된 인공지능 모델에 입력하여, 상기 입력 데이터와 상기 학습된 인공지능 모델의 출력 데이터 간의 오차값을 비교함으로써 상기 복수 개의 일반 배터리 각각의 이상 여부를 판단하는 하나 이상의 프로세서를 포함한다.
바람직하게는, 상기 하나 이상의 프로세서는, 상기 입력 데이터를 상기 인공지능 모델에 반복 입력하고, 상기 입력 데이터와 상기 인공지능 모델의 출력 데이터 간의 오차값이 기설정된 임계값 미만이 되도록 상기 인공지능 모델의 파라미터를 변경하면서 상기 인공지능 모델을 학습시키는 것을 특징으로 한다.
바람직하게는, 상기 하나 이상의 프로세서는, 상기 입력 데이터와 상기 학습된 인공지능 모델의 출력 데이터 간의 오차값을 비교하여 상기 오차값이 기설정된 임계값을 초과하는 경우, 해당 배터리를 비정상 배터리로 판정하고, 상기 오차값이 상기 기설정된 임계값 이하인 경우, 해당 배터리를 정상 배터리로 판정하는 것을 특징으로 한다.
바람직하게는, 상기 하나 이상의 프로세서는, MAE(Mean Absolute Error), MAPE(Mean Absolute Percentage Error), sMAPE(symmetric Mean Absolute Percentage Error), MSE(Mean Squared Error) 및 mMAPE(maximum Mean Absolute Percentage Error) 중 어느 하나의 방식을 이용하여 상기 오차값을 계산하는 것을 특징으로 한다.
바람직하게는, 상기 하나 이상의 프로세서는, 상기 입력 데이터의 연속된 시점마다 오차값의 편차가 크게 발생하는 경우, 윈도우 길이를 지정한 후 해당 시점을 기준으로 하는 윈도우 길이 내 시점들의 오차값들의 평균값을 계산하고, 해당 시점의 오차값을 상기 평균값으로 변경하는 것을 특징으로 한다.
바람직하게는, 상기 하나 이상의 프로세서는, 기설정된 임계값(Threshold) = α*오차값의 평균 + β*오차값의 표준편차(여기서, α 및 β는 고정된 상수 이용하여 상기 기설정된 임계값을 결정하는 것을 특징으로 한다.
바람직하게는, 상기 하나 이상의 프로세서는, 상기 기설정된 임계값으로서, 실험에 의해 미리 정해진 값을 사용하는 것을 특징으로 한다.
본 명세서의 다른 실시예에 따르면, 본 명세서에 따른 비지도 학습 기반의 배터리 이상 예측 방법은, 하나 이상의 프로세서가, 복수 개의 정상 배터리의 전류, 전압 및 온도 데이터 중 적어도 하나를 포함하는 입력 데이터를 수집하는 단계; 상기 하나 이상의 프로세서가, 수집된 데이터를 인공지능 모델에 반복 입력하여 상기 인공지능 모델을 학습시키는 단계; 상기 하나 이상의 프로세서가, 복수 개의 일반 배터리의 전류, 전압 및 온도 데이터 중 적어도 하나를 포함하는 입력 데이터를 수집하는 단계; 및 상기 하나 이상의 프로세서가, 수집된 입력 데이터를 학습된 인공지능 모델에 입력하여, 상기 입력 데이터와 상기 학습된 인공지능 모델의 출력 데이터 간의 오차값을 비교함으로써 상기 복수 개의 일반 배터리 각각의 이상 여부를 판단하는 단계를 포함한다.
이상에서 설명한 바와 같이 본 명세서에 의하면, 복수 개의 정상 배터리의 데이터를 인공지능 모델에 반복 입력하여 인공지능 모델을 학습시킨 후, 복수 개의 입력 데이터를 학습된 인공지능 모델에 입력하여, 입력 데이터와 학습된 인공지능 모델의 출력 데이터 간의 오차값을 비교함으로써 복수 개의 일반 배터리 각각의 이상 여부를 판단하는 비지도 학습 기반의 배터리 이상 예측 방법 및 시스템을 제공함으로써, 적은 양의 데이터로도 배터리의 이상 여부를 판단할 수 있다. 또한, 배터리의 이상을 예측함에 있어 적은 시간이 소요되고, 인공지능 모델의 정확도를 높일 수 있다
도 1은 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 방법의 원리를 설명하기 위한 도면,
도 2는 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 시스템 내부의 개략적인 구성을 나타낸 블록 구성도,
도 3은 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 시스템 내부의 배터리 불량 예측부를 설명하기 위한 블록도,
도 4는 본 발명의 실시예에 따른 데이터 분석부가 갖는 기능의 일례를 도시한 블록도,
도 5는 본 발명의 실시 형태에 관한 배터리 이상 예측 시스템의 기능을 실현 가능한 하드웨어의 일례를 도시한 블록도,
도 6은 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 방법에서의 모델 학습 방법을 나타낸 흐름도,
도 7은 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 방법에서의 모델 적용 방법을 나타낸 흐름도,
도 8은 본 발명의 실시예에서 복원 오차값에 대한 이동 평균 적용을 설명하기 위한 도면, 및
도 9 및 도 10은 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 방법을 적용한 결과를 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 시스템 내부의 개략적인 구성을 나타낸 블록 구성도,
도 3은 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 시스템 내부의 배터리 불량 예측부를 설명하기 위한 블록도,
도 4는 본 발명의 실시예에 따른 데이터 분석부가 갖는 기능의 일례를 도시한 블록도,
도 5는 본 발명의 실시 형태에 관한 배터리 이상 예측 시스템의 기능을 실현 가능한 하드웨어의 일례를 도시한 블록도,
도 6은 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 방법에서의 모델 학습 방법을 나타낸 흐름도,
도 7은 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 방법에서의 모델 적용 방법을 나타낸 흐름도,
도 8은 본 발명의 실시예에서 복원 오차값에 대한 이동 평균 적용을 설명하기 위한 도면, 및
도 9 및 도 10은 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 방법을 적용한 결과를 설명하기 위한 도면이다.
본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 명세서에서 사용되는 기술적 용어는 본 명세서에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 명세서에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 본 명세서에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
또한, 본 명세서에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는 데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
본 발명의 실시예에서 배터리의 상태라 함은 배터리의 컨디션을 표현하는 지표인 SOx에 대한 진단을 나타낸다. 여기서, SOx는 잔존 용량(State of Charge, SOC), 용량 수명(State of Health, SOH), 출력 수명(State of Power, SOP) 및 균형 수명(State of Balance) 등을 포함할 수 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니됨을 유의해야 한다.
도 1은 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 방법의 원리를 설명하기 위한 도면이다.
도 1을 참조하면, 입력 데이터의 마지막 시간을 기준으로 산점도를 그리면, 정상 데이터의 경우 일정한 복원 오차를 보이는 반면, 불량 데이터의 경우 처음에는 정상 데이터와 같은 패턴을 보이다가 어느 시점부터 복원 오차가 커진다.
이 같은 특성을 이용하여, 본 발명에 따른 배터리 이상 예측 시스템은 적절한 임계값(Threshold)을 설정하여 복원 오차값이 임계값을 넘어가면 배터리를 불량으로 판단한다. 또한, 본 발명에 따른 배터리 이상 예측 시스템은 셀 공정 과정에서 불량이 발생할 경우 처음부터 복원 오차가 크게 발생하여 초기 불량도 예측 가능하다.
도 2는 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 시스템 내부의 개략적인 구성을 나타낸 블록 구성도이다.
도 2를 참조하면, 본 발명에 따른 배터리 이상 예측 시스템은 데이터 수집부(110), 데이터 전처리부(120) 및 배터리 불량 예측부(130)를 포함할 수 있다.
데이터 수집부(110)는 배터리 관리 시스템(Battery Management System, BMS)으로부터 전압, 전류 및 온도 중 적어도 하나를 포함하는 데이터를 수집한다. 여기서, 데이터 수집부(110)는 인공지능 모델에 대한 학습을 위해서 복수 개의 정상 배터리의 데이터를 수집하고, 이후 복수 개의 일반 배터리의 이상 여부를 판정하기 위해서 복수 개의 일반 배터리의 입력 데이터를 수집한다.
또한, 데이터 수집부(110)는 랙 단위로 데이터를 센싱할 수 있다. 여기서, 센싱되는 전압 및 온도는 랙 내 셀의 최대 전압 및 최소 전압을 각각 나타낸다.
한편, 인공지능 모델에 입력되는 신호의 길이가 길어질수록 인공지능 모델의 연산량이 증가하고 과적합(Overfitting) 문제가 발생할 수 있다. 또한, 배터리 관리 시스템마다 상이한 샘플링 주기를 동일하게 바꿔주어야 할 필요가 있다. 따라서, 본 발명에 따른 데이터 수집부(110)는 수집된 데이터의 샘플링 주기를 변환하는 샘플링 주기 변환부(112)를 포함할 수 있다. 샘플링 주기 변환부(112)는 업 샘플링과 다운 샘플링 방식으로 샘플링 주기를 변환할 수 있다. 예컨대, 상기 샘플링 주기는 분, 초, 밀리초, 마이크로초 단위가 될 수 있다.
업 샘플링은 샘플링 주기를 더 짧게 만드는 방법으로서, 선형 보간법(Linear Interpolation), 삼차 보간법(Cubic Interpolation), 쌍선형 보간법(Bilinear Interpolation) 및 쌍삼차보간법(Bicubic Interpolation) 등의 보간법을 사용하여 업 샘플링을 수행할 수 있다.
다운 샘플링은 샘플링 주기를 더 길게 만드는 방법으로서, 디지털 신호처리인 데시메이션(decimation)을 통하여 샘플링 주기를 더 길게 만들 수 있다.
데이터 전처리부(120)는 데이터 수집부(110)에 의해 수집된 데이터에 대하여 전처리를 수행한다. 이를 위해, 데이터 전처리부(120)는 데이터 분석부(122) 및 데이터 크기 변환부(124)를 포함할 수 있다.
데이터 분석부(122)는 수집된 데이터에 대하여, 이상치를 제거하거나 이상치를 기설정된 제1 값으로 대체하는 이상치 전처리, 결측치를 제거하거나 결측치를 기설정된 제2 값으로 대체하는 결측치 전처리, 데이터 간의 상관관계를 산출하는 상관계수 보고 처리 및 잡음이 섞인 데이터를 복구하는 잡음 저감 처리 중 적어도 하나의 전처리를 수행한다. 본 발명에 따른 데이터 분석부(122)의 자세한 구성에 대해서는 도 4에서 설명하기로 한다.
한편, 수집된 데이터의 일부를 전처리한 후 인공지능 모델에 입력하기 전의 전단계로서, 인공지능 모델 학습 및 상태 예측을 위해 피처 스케일링(Feature Scaling)이 중요하다. 즉, 서로 다른 변수의 값 범위를 일정 수준 및 크기로 맞추는 작업이 필요하다. 이에, 데이터 크기 변환부(124)는 데이터 분석부(122)에 의해 전처리된 데이터를 정규화(Normalization) 및 표준화(Standardization)한다.
정규화는 서로 다른 범위의 변수들의 크기를 통일하기 위해 변환하는 작업으로서, 데이터의 범위를 0과 1 사이로 변환하여 데이터 분포를 조정하는 것을 나타내고, 다음의 수학식 1로 표현될 수 있다.
여기서, x는 해당값, xmin은 최소값, xmax는 최대값을 나타낸다.
표준화는 서로 다른 범위의 변수들을 평균이 0이고 분산이 1인 가우시안 정규 분포를 가진 값으로 변환하는 작업으로서, 값의 크기 범위가 다른 변수가 존재할 때, 변수 사이의 크기 차이를 제거해주는 효과가 있다. 표준화는 다음의 수학식 2로 표현될 수 있다.
여기서, μ는 평균, σ는 표준편차를 나타낸다.
따라서, 본 발명에 따른 데이터 크기 변환부(124)는 변수 값의 범위 또는 단위가 달라서 발생할 수 있는 문제점(예를 들면, 배터리 관리 시스템으로부터 수집된 데이터에 전압, 전류 및 온도 값만 있다고 가정할 경우, 평균과 분산, 최대, 최소값이 전부 상이함)을 예방할 수 있고, 인공지능 모델이 특정 데이터에 대해 편향성을 갖는 것을 방지할 수 있다.
배터리 불량 예측부(130)는 데이터 크기 변환부(124)에 의해 정규화 및 표준화된 데이터를 인공지능 모델에 입력하여 배터리의 상태를 예측한다.
도 3은 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 시스템 내부의 배터리 불량 예측부를 설명하기 위한 블록도이다.
도 3을 참조하면, 배터리 불량 예측부(130)는 배터리의 이상 여부를 판단하기에 앞서 복수 개의 정상 배터리의 전류, 전압 및 온도 데이터 중 적어도 하나를 포함하는 입력 데이터를 수집하고, 수집된 데이터를 인공지능 모델에 반복 입력하여 인공지능 모델을 학습시킨다. 구체적으로는, 배터리 불량 예측부(130)는 인공지능 모델의 압축기(132)를 통해 N 개의 압축된 데이터(벡터로 구성되며 피처(feature)로 불리기도 함)의 압축을 진행하고, 인공지능 모델의 복원기(134)를 통해 압축된 데이터를 입력 데이터와 같은 형태 또는 비슷한 크기의 복원 데이터로 출력한다. 배터리 불량 예측부(130)는 입력 데이터와 복원 데이터의 복원 오차값이 적절히 낮아지도록 인공지능 모델의 파라미터를 변경하면서 압축 및 복원을 반복적으로 진행함으로써 인공지능 모델을 학습시킨다. 이때, 압축 및 복원에 사용되는 모델은 PCA, Auto-encoder 등이 사용될 수 있다.
여기서, 배터리 불량 예측부(130)는 긴 시계열 데이터 간의 연관성을 분석하기 위해 확장된 합성곱 신경망(dilated Convolution Neural Network; 이하, 'dilated CNN')을 기본 구조로 사용하고, dilated CNN과 배치 정규화(Batch Normalization) 기술을 반복적으로 쌓아 전체 인공신경망을 구성할 수 있다. 또한, 배터리 불량 예측부(130)는 긴 시계열 데이터의 차원을 줄이기 위해 1D-CNN(Convolution Neural Network)을 사용할 수 있다.
확장 콘볼루션(dilated convolution, a` trous convolution)은 원래 파형 요소(wavelet) 분해를 위해 발전된 콘볼루션의 유형이다. 예를 들어, [Holschneider, M.; Kronland-Martinet, R.; Morlet, J.; and Tchamitchian, Ph., A Real-Time Algorithm for Signal Analysis with the Help of the Wavelet Transform in Wavelets: Time-Frequency Methods and Phase Space, J.M. Combes et al., eds., pp. 286-297 (1987)]를 참조한다. 그러나 특히 복잡한 특징들을 얻기 위해 의미론적 분할(semantic segmentation)에 적용되었다. 예를 들어, [Yu, Fisher and Koltun, Vladlen, Multi-scale context aggregation by dilated convolutions, 2016 Int'l Conference on Learning Representations (ICLR) (hereinafter, "Yu et al. 2016")]를 참조한다.
풀링(pooling) 없이 콘볼루션 레이어들로 구성된 순수한 CNN에서, 특징 맵들은 입력에서 인접한 데이터들을 픽셀들을 콘볼루션하여 생성될 수 있기 때문에, 유닛의 수신 필드(receptive field)는 레이어별로 선형적으로만 성장할 수 있다. 수신 필드를 증가시키기 위한 실현 가능한 방법들은 더 큰 영역에서 입력 데이터들을 콘볼루션하는 것이다. 이는 종래의 콘볼루션을 위해 기존의 밀집 커널(dense kernel)을 사용하는 것 대신, 확장 콘볼루션에서 '확장 커널(dilation kernel)을 사용하는 것과 유사할 수 있다.
F는 이산 함수, K는 콘볼루션 커널, 및 확장 콘볼루션 *d는 아래의 수학식 3에 의해 정의된 바와 같이, 전형적인 콘볼루션의 일반화된 버전이라고 가정하면, 종래의 콘볼루션은 단순한 1-확장 콘볼루션일 수 있다(즉, d=1일 때). 여기서, d는 확장 계수(dilation factor)이다.
CNN에서 확장 콘볼루션을 적용하는 것의 한가지 이점은, 확장 버전은 더 큰 수신 필드를 갖는다는 점이다. 확장 콘볼루션 필터(dilated convolutional filter)는 오리지널 필터(original filter)를 업 샘플링(upsampling)함으로써 얻을 수 있다. 즉, 오리지널 필터의 구성 요소(element) 사이에 0을 삽입함으로써 얻을 수 있다. 그러므로 설계에 의해 확장된 필터는 0 구성요소의 구조화된 패턴을 가질 수 있다. 0 요소가 무작위 패턴 및 위치를 갖는 가중치 프루닝(pruning)과 비교하면, 확장 필터는 0 가중치에 대한 구조화된 패턴을 가질 수 있고, 하드웨어(hardware)와 소프트웨어(software)에서의 계산 복잡도를 감소시키는 데 훨씬 더 유용할 수 있다. 특히, 본 발명과 같이 순차적으로 많은 값이 신경망에 입력되는 경우, 이런 확장 콘볼루션을 활용하여 계산 복잡도를 낮추지만 결과값의 정확도는 낮아지지 않는 효과를 발휘할 수 있다.
배치 정규화는 활성화함수의 활성화값 또는 출력값을 정규화(정규분포로 만든다)하는 작업을 말한다. 구체적으로는, 배치 정규화는 미니 배치의 데이터에서 각 특징별로 평균과 표준편차를 계산해서 정규화한다. 이러한 배치 정규화는 미니 배치 단위로 정규화하여 학습하기 때문에 인공 신경망 학습 중에 발생할 수 있는 내부 공변량 이동(Internal Covariate Shift)을 감소시킬 수 있다.
한편, 본 발명은 dilated CNN과 배치 정규화(Batch Normalization) 기술을 반복적으로 쌓아 전체 인공신경망을 구성하는 것에 한정되지 않고 다른 방법을 통해 인공신경망을 구성할 수 있다.
여러 개의 퍼셉트론 뉴런을 여러 층으로 쌓은 다층 퍼셉트론 (Multi-Layer-Perceptron) 혹은 1D 또는 2D CNN 혹은 유닛 간의 연결이 순환적 구조를 갖는 순환 신경망 (Recurrent neural network) 혹은 어텐션(Attention)만을 사용하여 인코더-디코더 구조를 만들어 학습 속도가 트랜스포머(Transformer architecture) 혹은 전반부는 CNN로 학습하고 후반부는 RNN로 학습하여 인공신경망을 구성하여도 무방하다.
여기서, 배터리 불량 예측부(130)는 MAE(Mean Absolute Error), MAPE(Mean Absolute Percentage Error), sMAPE(symmetric Mean Absolute Percentage Error), MSE(Mean Squared Error) 및 mMAPE(maximum Mean Absolute Percentage Error) 중 어느 하나의 방식을 통해 복원 오차값을 계산할 수 있다.
또한, 배터리 불량 예측부(130)는 데이터의 연속된 시점마다 오차값의 편차가 크게 발생하는 경우, 윈도우 길이를 지정한 후 해당 시점을 기준으로 하는 윈도우 길이 내 시점들의 오차값들의 평균값을 계산하고, 해당 시점의 오차값을 평균값으로 변경할 수 있다.
한편, 배터리 불량 예측부(130)는 복수 개의 일반 배터리의 전류, 전압 및 온도 데이터 중 적어도 하나를 포함하는 입력 데이터를 수집하고, 수집된 입력 데이터를 학습된 인공지능 모델에 입력하여, 입력 데이터와 학습된 인공지능 모델의 출력 데이터 간의 복원 오차값을 비교함으로써 복수 개의 일반 배터리 각각의 이상 여부를 판단할 수 있다. 즉, 배터리 불량 예측부(130)는 입력 데이터와 학습된 인공지능 모델의 출력 데이터 간의 복원 오차값을 비교하여 복원 오차값이 기설정된 임계값을 초과하는 경우, 해당 배터리를 비정상 배터리로 판정하고, 복원 오차값이 기설정된 임계값 이하인 경우, 해당 배터리를 정상 배터리로 판정한다.
여기서, 배터리 불량 예측부(130)는 다음의 수학식 4를 이용하여 기설정된 임계값을 결정할 수 있다. 이는 배터리 시스템이 모듈이나 랙 단위같은 여러 개의 배터리로 구성된 경우 적용 가능하다.
여기서, α 및 β는 고정된 상수값을 나타낸다.
또한, 배터리 불량 예측부(130)는 기설정된 임계값으로서, 실험에 의해 미리 정해진 상수값을 사용할 수 있다.
추가로, 배터리 불량 예측부(130)는 정규화 및 표준화된 배터리 데이터를 특정한 간격(예를 들면, 시간 및 주기 등)으로 분할하여 신경망에 입력할 수 있다.
도 4는 본 발명의 실시예에 따른 데이터 분석부가 갖는 기능의 일례를 도시한 블록도이다.
도 4를 참조하면, 본 발명에 따른 데이터 분석부(122)는 이상치 전처리부(210), 결측치 전처리부(220), 상관계수 보고부(230) 및 잡음 저감부(240)를 포함할 수 있다.
이상치 전처리부(210)는 수집된 데이터의 각 피처(feature)에서 이상치를 탐지하고, 이상치를 제거하거나 이상치를 기설정된 제1 값으로 대체한다. 이를 위해, 이상치 전처리부(210)는 이상치 탐지부(212) 및 이상치 삭제 및 대체부(214)를 포함할 수 있다.
이상치 탐지부(212)는 각 피처에 대해 임의의 임계값보다 크거나 작은 값을 이상치로 판단한다. 구체적으로는, 이상치 탐지부(212)는 사분위 범위(interquartile range, IQR)를 이용한 방법 및 기계 학습(Machine Learning)을 이용한 방법을 이용하여 이상치를 탐지할 수 있다. 즉, 이상치 탐지부(212)는 각 피처를 오름차순으로 정렬하고, 각 피처를 4등분으로 나눈 후, 나누어진 값들 중 75% 지점과 25% 지점의 차이를 사분위 범위로 정의하며, 사분위 범위에 1.5를 곱한 값에 75% 지점 값을 더한 값을 최대값으로 결정하고, 사분위 범위에 1.5를 곱한 값에 25% 지점 값을 더한 값을 최소값으로 결정하며, 최대값과 최소값을 넘은 값을 이상치로 판단할 수 있다. 이상치 탐지부(212)는 DBSCAN 및 One-Class SVM 등 데이터의 특성에 따른 분포를 벗어나는 값을 찾아내는 기계 학습을 기반으로 이상치를 탐지할 수 있다.
이상치 삭제 및 대체부(214)는 이상치를 제거하고, 이상치가 중요하다고 판단되면 삭제가 아닌 특정값으로 대체할 수 있다. 구체적으로는, 이상치 삭제 및 대체부(214)는 이상치를 빈도가 가장 높은 값, 특정값 및 평균값 등으로 대체할 수 있다. 또한, 이상치 삭제 및 대체부(214)는 선형 보간법(Linear Interpolation), 삼차 보간법(Cubic Interpolation), 쌍선형 보간법(Bilinear Interpolation) 및 쌍삼차 보간법(Bicubic Interpolation) 등을 이용하여 이상치를 특정값으로 대체할 수 있다. 또한, 이상치 삭제 및 대체부(214)는 비슷한 데이터 특성을 가지는 데이터 중 어느 하나를 랜덤하게 선택하는 핫덱 대체법(Hot-Deck Imputation)을 이용하여 이상치를 특정값으로 대체할 수 있다.
결측치 전처리부(220)는 수집된 데이터의 각 피처에서 결측치를 탐지하고, 결측치를 제거하거나 결측치를 기설정된 제2 값으로 대체한다. 이를 위해, 결측치 전처리부(220)는 결측치 탐지부(222) 및 결측치 삭제 및 대체부(224)를 포함할 수 있다
결측치 탐지부(222)는 각 피처에 대해 실제 신호가 들어와야 되는 시간에 들어오지 않거나 원하는 형태의 값이 아닌 값을 결측치(특수문자 및 공백 등)로 판단한다.
결측치 삭제 및 대체부(224)는 결측치를 제거하고 결측치가 중요하다고 판단되면 삭제가 아닌 특정값으로 대체할 수 있다. 결측치 삭제 및 대체부(224)가 결측치를 특정값으로 대체하는 방법은 상술한 이상치 삭제 및 대체부(214)가 이상치를 특정값으로 대체하는 방법과 동일하므로, 이에 대한 설명은 생략하기로 한다.
한편, 인공지능 모델을 학습할 때 많은 피처를 반영하면 그만큼의 데이터양이 필요하다. 또한, 데이터가 적은 경우 과적합(Overfitting) 문제가 발생할 수 있다. 이를 해결하기 위해, 적절한 피처를 선택해서 인공지능 모델에 사용해야 인공지능 모델의 신뢰성을 높일 수 있다. 이를 위해, 상관계수 보고부(230)는 데이터 간의 상관관계를 산출한다. 구체적으로는, 상관계수 보고부(230)는 각 피처와, 잔존 용량(State of Charge), 용량 수명(State of Health), 출력 수명(State of Power) 및 균형 수명(State of Balance) 중 어느 하나 사이의 상관관계를 산출할 수 있다.
또한, 상관계수 보고부(230)는 상관 계수가 0에 수렴할수록 상관성이 없는 피처이고, 상관 계수가 1이나 -1에 가까울수록 상관성이 높은 피처로 판단할 수 있다.
한편, 통신 환경 및 기기 상태에 따라 데이터에 잡음이 섞일 수 있다. 따라서, 해당 데이터를 매끄럽게 하기 위해 잡음 저감부가 필요하다. 본 발명에 따른 잡음 저감부(240)는 잡음이 섞인 데이터를 복구한다. 구체적으로는, 잡음 저감부(240)는, 잡음이 섞인 데이터를 입력하면 잡음이 저감된 데이터를 출력하는 심층신경망 기반의 잡음 저감(Denoising Autoencoder)을 이용할 수 있다. 또한, 잡음 저감부(240)는, 주변 양쪽 데이터들을 평균 내어 잡음을 저감하는 필터 기반의 잡음 저감(Moving Average Filter)을 이용할 수 있다.
이하에서는, 본 발명에 따른 배터리 이상 예측 시스템의 구체적인 구성에 대해서 설명하기로 한다.
도 5를 참조하면, 배터리 이상 예측 시스템의 기능을 실현 가능한 하드웨어에 대해서 설명한다. 도 4는 본 발명의 실시 형태에 관한 배터리 이상 예측 시스템의 기능을 실현 가능한 하드웨어의 일례를 도시한 블록도이다.
배터리 이상 예측 시스템이 갖는 기능은, 예컨대, 도 5에 도시하는 하드웨어 자원을 이용하여 실현하는 것이 가능하다. 즉, 배터리 이상 예측 시스템이 갖는 기능은, 컴퓨터 프로그램을 이용하여 도 5에 도시하는 하드웨어를 제어함으로써 실현된다.
도 5에 도시한 바와 같이, 이 하드웨어는, 주로, CPU(302), ROM(Read Only Memory)(304), RAM(306), 호스트 버스(308), 및 브리지(310)를 갖는다. 또한, 이 하드웨어는, 외부 버스(312), 인터페이스(314), 입력부(316), 출력부(318), 기억부(320), 드라이브(322), 접속 포트(324), 및 통신부(326)를 갖는다.
CPU(302)는, 예컨대, 연산 처리 장치 또는 제어 장치로서 기능하여, ROM(304), RAM(306), 기억부(320), 또는 리무버블 기록 매체(328)에 기록된 각종 프로그램에 기초하여 각 구성 요소의 동작 전반 또는 그 일부를 제어한다. ROM(304)은, CPU(302)에 판독되는 프로그램이나 연산에 이용하는 데이터 등을 저장하는 기억 장치의 일례이다. RAM(306)에는, 예컨대, CPU(302)에 판독되는 프로그램이나, 그 프로그램을 실행할 때 변화하는 각종 파라미터 등이 일시적 또는 영속적으로 저장된다.
이들 요소는, 예컨대, 고속의 데이터 전송이 가능한 호스트 버스(308)를 통해서 서로 접속된다. 한편, 호스트 버스(308)는, 예컨대, 브리지(310)를 통해서 비교적 데이터 전송 속도가 저속인 외부 버스(312)에 접속된다. 또한, 입력부(316)로서는, 예컨대, 마우스, 키보드, 터치 패널, 터치 패드, 버튼, 스위치, 및 레버 등이 이용된다. 또한, 입력부(316)로서는, 적외선이나 그 밖의 전파를 이용하여 제어 신호를 송신하는 것이 가능한 리모트 컨트롤러가 이용될 수 있다.
출력부(318)로서는, 예컨대, CRT(Cathode Ray Tube), LCD(Liquid Crystal Display), PDP(Plasma Display Panel), 또는 ELD(Electro-Luminescence Display) 등의 디스플레이 장치가 이용될 수 있다. 또한, 출력부(318)로서, 스피커나 헤드폰 등의 오디오 출력 장치, 또는 프린터 등이 이용될 수 있다.
기억부(320)는, 각종 데이터를 저장하기 위한 장치이다. 기억부(320)로서는, 예컨대, HDD 등의 자기 기억 디바이스가 이용된다. 또한, 기억부(320)로서, SSD(Solid State Drive)나 RAM 디스크 등의 반도체 기억 디바이스, 광기억 디바이스, 또는 광자기 기억 디바이스 등이 이용되어도 된다.
드라이브(322)는, 착탈 가능한 기록매체인 리무버블 기록 매체(328)에 기록된 정보를 판독하거나, 또는 리무버블 기록 매체(328)에 정보를 기록하는 장치이다. 리무버블 기록 매체(328)로서는, 예컨대, 자기 디스크, 광디스크, 광자기 디스크, 또는 반도체 메모리 등이 이용된다. 또한, 리무버블 기록 매체(328)에는, 배터리 이상 예측 시스템의 동작을 규정하는 프로그램이 저장될 수 있다.
접속 포트(324)는, 예컨대, USB(Universal Serial Bus) 포트, IEEE 1394 포트, SCSI(Small Computer System Interface), RS-232C 포트, 또는 광오디오 단자 등, 외부 접속 기기(330)를 접속하기 위한 포트이다. 외부 접속 기기(330)로서는, 예컨대, 프린터 등이 이용된다.
통신부(326)는, 네트워크(332)에 접속하기 위한 통신 디바이스이다. 통신부(326)로서는, 예컨대, 유선 또는 무선 LAN용 통신 회로, WUSB(Wireless USB)용 통신 회로, 휴대 전화 네트워크용 통신 회로 등이 이용될 수 있다. 네트워크(332)는, 예컨대, 유선 또는 무선에 의해 접속된 네트워크이다.
이상, 배터리 이상 예측 시스템의 하드웨어에 대해서 설명하였다. 또한, 상술한 하드웨어는 일례이며, 일부의 요소를 생략하는 변형이나, 새로운 요소를 추가하는 변형 등이 가능하다.
도 6은 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 방법에서의 모델 학습 방법을 나타낸 흐름도이다.
도 6을 참조하면, 배터리 이상 예측 시스템은 복수 개의 정상 배터리의 전류, 전압 및 온도 데이터 중 적어도 하나를 포함하는 입력 데이터를 수집한다(S510).
배터리 이상 예측 시스템은 수집된 입력 데이터를 인공지능 모델(압축기)에 입력하여 특정 길이로 압축한다(S520).
배터리 이상 예측 시스템은 압축된 데이터를 인공지능 모델(복원기)에 입력하여 입력 데이터와 같은 형태로 복원한다(S530).
배터리 이상 예측 시스템은 입력 데이터와 복원 데이터 간의 복원 오차값을 계산한다(S540).
배터리 이상 예측 시스템은 단계 S520 내지 단계 S540을 반복함으로써, 복원 오차값이 최소화되도록 업데이트하며 인공지능 모델을 학습시킨다.
한편, 상기 S510 단계에서 복수 개의 정상 배터리의 전류, 전압, 온도 외에도 배터리의 화학조성을 더 입력 받을 수 있다.
도 7은 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 방법에서의 모델 적용 방법을 나타낸 흐름도이다.
도 7을 참조하면, 배터리 이상 예측 시스템은 복수 개의 일반 배터리의 전류, 전압 및 온도 데이터 중 적어도 하나를 포함하는 입력 데이터를 수집한다(S610).
배터리 이상 예측 시스템은 수집된 입력 데이터를 인공지능 모델(압축기)에 입력하여 특정 길이로 압축한다(S620).
배터리 이상 예측 시스템은 압축된 데이터를 인공지능 모델(복원기)에 입력하여 입력 데이터와 같은 형태로 복원한다(S630).
배터리 이상 예측 시스템은 입력 데이터와 복원 데이터 간의 복원 오차값이 기설정된 임계값 이하인지 여부를 판단하고(S640), 복원 오차값이 기설정된 임계값 이하인 경우 해당 배터리를 정상 배터리로 판단한다(S642).
배터리 이상 예측 시스템은 복원 오차값이 기설정된 임계값을 초과한 경우 해당 배터리를 비정상 배터리로 판단한다(S650).
한편, 상기 S610 단계에서 복수 개의 정상 배터리의 전류, 전압, 온도 외에도 배터리의 화학조성을 더 입력 받을 수 있다.
전술한 방법은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(Firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로컨트롤러 및 마이크로프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.
도 8은 본 발명의 실시예에서 복원 오차값에 대한 이동 평균 적용을 설명하기 위한 도면이다.
도 8의 (a)에 도시된 바와 같이, 연속된 시점(예를 들면, D-3, D-2, D-1, D-0)마다 복원 오차값의 편차가 크게 발생하는 경우, 본 발명에 따른 배터리 이상 예측 시스템은 각 시점의 복원 오차값에 이동 평균 기술을 적용할 수 있다. 즉, 배터리 이상 예측 시스템은 적절한 윈도우 길이를 정한 후 해당 시점을 기준으로 윈도우 길이만큼의 시점들의 평균을 내서 복원 오차값을 변경할 수 있다. 예를 들면, 윈도우 길이 5로 이동 평균한다고 가정하면, 배터리 이상 예측 시스템은 x(0)=(x(-1)+x(-2)+x(-3)+x(-4)+x(-5))/5, x(1)=(x(0)+x(-1)+x(-2)+x(-3)+x(-4))/5, x(2)=(x(1)+x(0)+x(-1)+x(-2)+x(-3))/5, x(3)=(x(2)+x(1)+x(0)+x(-1)+x(-2))/5와 같이 한 포인트씩 이동하면서 각 시점마다 다른 값을 출력한다.
그 결과, 도 8의 (b)에 도시된 바와 같이, 연속된 시점마다 복원 오차값의 편차가 줄어든 것을 볼 수 있다.
도 9 및 10은 본 발명의 실시예에 따른 비지도 학습 기반의 배터리 이상 예측 방법의 따른 결과를 설명하기 위한 도면이다. 먼저 도 9를 검토하면, 도 9 내의 세로축은 입력 데이터와 복원 데이터 간의 복원 오차값이며, 가로축은 앞서 설명한 바와 같이 시간축을 나타낸다. 그래프 내 실선은 불량 데이터이고, 점선은 정상 데이터를 나타낸다. 도 9는 ESS 별 랙번호에 따라 선색을 달리한 것이다. 본 도 9를 검토하면, 초기부터 불량이 의심되는 것을 알 수 있다. 다음으로 도 10을 검토하면, 불량 데이터의 복원 오차가 점점 커짐을 알 수 있다. 이와 같이 본 발명에 따르면 단순히 사용에 따른 불량 예측 뿐만 아니라 초기 불량까지도 정확히 예측이 가능하다.
이상에서 본 명세서에 개시된 실시예들을 첨부된 도면들을 참조로 설명하였다. 이와 같이 각 도면에 도시된 실시예들은 한정적으로 해석되면 아니되며, 본 명세서의 내용을 숙지한 당업자에 의해 서로 조합될 수 있고, 조합될 경우 일부 구성 요소들은 생략될 수도 있는 것으로 해석될 수 있다.
여기서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 본 명세서에 개시된 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 명세서에 개시된 실시예에 불과할 뿐이고, 본 명세서에 개시된 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
110: 데이터 수집부 112: 샘플링 주기 변환부
120: 데이터 전처리부 122: 데이터 분석부
124: 데이터 크기 변환부 130: 배터리 사용량 및 상태 예측부
210: 이상치 전처리부 212: 이상치 탐지부
214: 이상치 삭제 및 대체부 220: 결측치 전처리부
222: 결측치 탐지부 224: 결측치 삭제 및 대체부
230: 상관계수 보고부 240: 잡음 저감부
120: 데이터 전처리부 122: 데이터 분석부
124: 데이터 크기 변환부 130: 배터리 사용량 및 상태 예측부
210: 이상치 전처리부 212: 이상치 탐지부
214: 이상치 삭제 및 대체부 220: 결측치 전처리부
222: 결측치 탐지부 224: 결측치 삭제 및 대체부
230: 상관계수 보고부 240: 잡음 저감부
Claims (8)
- 하나 이상의 인스트럭션들(Instructions)을 저장하는 메모리; 및
상기 저장된 하나 이상의 인스터럭션들을 실행함으로써,
복수 개의 정상 배터리의 전류, 전압 및 온도 데이터 중 적어도 하나를 포함하는 입력 데이터를 수집하고, 수집된 데이터를 인공지능 모델에 반복 입력하여 상기 인공지능 모델을 학습시킨 후,
복수 개의 일반 배터리의 전류, 전압 및 온도 데이터 중 적어도 하나를 포함하는 입력 데이터를 수집하고, 수집된 입력 데이터를 학습된 인공지능 모델에 입력하여, 상기 입력 데이터와 상기 학습된 인공지능 모델의 출력 데이터 간의 오차값을 비교함으로써 상기 복수 개의 일반 배터리 각각의 이상 여부를 판단하는 하나 이상의 프로세서;
를 포함하는 비지도 학습 기반의 배터리 이상 예측 시스템.
- 제1항에 있어서,
상기 하나 이상의 프로세서는, 상기 입력 데이터를 상기 인공지능 모델에 반복 입력하고, 상기 입력 데이터와 상기 인공지능 모델의 출력 데이터 간의 오차값이 기설정된 임계값 미만이 되도록 상기 인공지능 모델의 파라미터를 변경하면서 상기 인공지능 모델을 학습시키는 것을 특징으로 하는 비지도 학습 기반의 배터리 이상 예측 시스템.
- 제1항에 있어서,
상기 하나 이상의 프로세서는, 상기 입력 데이터와 상기 학습된 인공지능 모델의 출력 데이터 간의 오차값을 비교하여 상기 오차값이 기설정된 임계값을 초과하는 경우, 해당 배터리를 비정상 배터리로 판정하고, 상기 오차값이 상기 기설정된 임계값 이하인 경우, 해당 배터리를 정상 배터리로 판정하는 것을 특징으로 하는 비지도 학습 기반의 배터리 이상 예측 시스템.
- 제3항에 있어서,
상기 하나 이상의 프로세서는, MAE(Mean Absolute Error), MAPE(Mean Absolute Percentage Error), sMAPE(symmetric Mean Absolute Percentage Error), MSE(Mean Squared Error) 및 mMAPE(maximum Mean Absolute Percentage Error) 중 어느 하나의 방식을 이용하여 상기 오차값을 계산하는 것을 특징으로 하는 비지도 학습 기반의 배터리 이상 예측 시스템.
- 제3항에 있어서,
상기 하나 이상의 프로세서는, 상기 입력 데이터의 연속된 시점마다 오차값의 편차가 크게 발생하는 경우, 윈도우 길이를 지정한 후 해당 시점을 기준으로 하는 윈도우 길이 내 시점들의 오차값들의 평균값을 계산하고, 해당 시점의 오차값을 상기 평균값으로 변경하는 것을 특징으로 하는 비지도 학습 기반의 배터리 이상 예측 시스템.
- 제3항에 있어서,
상기 하나 이상의 프로세서는, 하기 수학식을 이용하여 상기 기설정된 임계값을 결정하는 것을 특징으로 하는 비지도 학습 기반의 배터리 이상 예측 시스템.
수학식: 기설정된 임계값(Threshold) = α*오차값의 평균 + β*오차값의 표준편차
여기서, α 및 β는 고정된 상수값을 나타냄.
- 제3항에 있어서,
상기 하나 이상의 프로세서는, 상기 기설정된 임계값으로서, 실험에 의해 미리 정해진 값을 사용하는 것을 특징으로 하는 비지도 학습 기반의 배터리 이상 예측 시스템.
- 하나 이상의 프로세서가, 복수 개의 정상 배터리의 전류, 전압 및 온도 데이터 중 적어도 하나를 포함하는 입력 데이터를 수집하는 단계;
상기 하나 이상의 프로세서가, 수집된 데이터를 인공지능 모델에 반복 입력하여 상기 인공지능 모델을 학습시키는 단계;
상기 하나 이상의 프로세서가, 복수 개의 일반 배터리의 전류, 전압 및 온도 데이터 중 적어도 하나를 포함하는 입력 데이터를 수집하는 단계; 및
상기 하나 이상의 프로세서가, 수집된 입력 데이터를 학습된 인공지능 모델에 입력하여, 상기 입력 데이터와 상기 학습된 인공지능 모델의 출력 데이터 간의 오차값을 비교함으로써 상기 복수 개의 일반 배터리 각각의 이상 여부를 판단하는 단계;
를 포함하는 비지도 학습 기반의 배터리 이상 예측 방법.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220076112A KR20230174911A (ko) | 2022-06-22 | 2022-06-22 | 비지도 학습 기반의 배터리 이상 예측 방법 및 시스템 |
PCT/KR2022/016797 WO2023249169A1 (ko) | 2022-06-22 | 2022-10-31 | 비지도 학습 기반의 배터리 이상 예측 방법 및 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220076112A KR20230174911A (ko) | 2022-06-22 | 2022-06-22 | 비지도 학습 기반의 배터리 이상 예측 방법 및 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230174911A true KR20230174911A (ko) | 2023-12-29 |
Family
ID=89334400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220076112A KR20230174911A (ko) | 2022-06-22 | 2022-06-22 | 비지도 학습 기반의 배터리 이상 예측 방법 및 시스템 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20230174911A (ko) |
WO (1) | WO2023249169A1 (ko) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220011487A (ko) | 2020-07-21 | 2022-01-28 | 삼성전자주식회사 | 배터리 상태를 식별하기 위한 방법, 이를 위한 전자 장치 및 저장 매체 |
KR20220033978A (ko) | 2020-09-10 | 2022-03-17 | 삼성전자주식회사 | 배터리를 관리하기 위한 배터리 관리 시스템 및 방법들 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9718455B2 (en) * | 2014-02-20 | 2017-08-01 | Ford Global Technologies, Llc | Active battery parameter identification using conditional extended kalman filter |
KR102354112B1 (ko) * | 2019-03-26 | 2022-01-24 | 서강대학교산학협력단 | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 |
KR102246895B1 (ko) * | 2019-09-23 | 2021-04-29 | 한전케이디엔주식회사 | 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법 |
KR102297343B1 (ko) * | 2019-09-26 | 2021-09-01 | 금오공과대학교 산학협력단 | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 방법 |
-
2022
- 2022-06-22 KR KR1020220076112A patent/KR20230174911A/ko unknown
- 2022-10-31 WO PCT/KR2022/016797 patent/WO2023249169A1/ko unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220011487A (ko) | 2020-07-21 | 2022-01-28 | 삼성전자주식회사 | 배터리 상태를 식별하기 위한 방법, 이를 위한 전자 장치 및 저장 매체 |
KR20220033978A (ko) | 2020-09-10 | 2022-03-17 | 삼성전자주식회사 | 배터리를 관리하기 위한 배터리 관리 시스템 및 방법들 |
Also Published As
Publication number | Publication date |
---|---|
WO2023249169A1 (ko) | 2023-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102362532B1 (ko) | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 | |
KR102439041B1 (ko) | 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치 | |
CN111856287B (zh) | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 | |
US20120116722A1 (en) | Detection of Defects in an Electrochemical Device | |
CN113406521B (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
KR20230166196A (ko) | 배터리 상태 진단을 위한 배터리 데이터 전처리 방법 및 시스템, 그리고 배터리 상태 예측 시스템 | |
CN113093020B (zh) | 基于lstm神经网络预测锂离子电池剩余使用寿命方法 | |
WO2023226355A1 (zh) | 基于多源感知的双向锂离子电池故障检测方法及*** | |
WO2022144542A1 (en) | Method for predicting condition parameter degradation of a cell | |
CN117154263A (zh) | 锂电池梯次利用充放电***及控制方法 | |
CN116186633A (zh) | 一种基于小样本学习的用电异常诊断方法和*** | |
US20230106360A1 (en) | Physics-informed partial least squares regression modeling for failure detection in power electronic devices | |
CN114252716A (zh) | 一种电网故障诊断方法与装置、存储介质 | |
KR20230043466A (ko) | 다중 채널 충전 프로파일을 적용한 배터리 상태 추정 시스템 및 그 방법 | |
KR20230174911A (ko) | 비지도 학습 기반의 배터리 이상 예측 방법 및 시스템 | |
KR20230142121A (ko) | 신경망 기반의 배터리 사용량 예측 방법 및 장치 | |
US20230104896A1 (en) | Nonlinear autoregressive exogenous (narx) modelling for power electronic device modelling | |
Hantono et al. | LSTM for state of charge estimation of lithium polymer battery on Jetson nano | |
Wan et al. | A review of power electronic parametric fault diagnosis methods | |
CN116526608B (zh) | 一种基于云端交互的储能电池跨模组主动均衡方法及*** | |
Quan et al. | A hybrid CNN–BiLSTM–AT model optimized with enhanced whale optimization algorithm for remaining useful life forecasting of fuel cell | |
Zhang et al. | A Comparative Analysis of Supervised/unsupervised Algorithms in PHM Application | |
Guo et al. | A fault diagnosis method for flexible converter valve equipment based on DSC-BIGRU-MA | |
US20240168095A1 (en) | Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Multivariate Transformer Model | |
Huang et al. | Transformer-based lithium battery fault diagnosis research for electric vehicles |