KR20240082102A - 배터리 진단 결과 시뮬레이션 방법 및 배터리 진단 결과 시뮬레이션 장치 - Google Patents
배터리 진단 결과 시뮬레이션 방법 및 배터리 진단 결과 시뮬레이션 장치 Download PDFInfo
- Publication number
- KR20240082102A KR20240082102A KR1020220166114A KR20220166114A KR20240082102A KR 20240082102 A KR20240082102 A KR 20240082102A KR 1020220166114 A KR1020220166114 A KR 1020220166114A KR 20220166114 A KR20220166114 A KR 20220166114A KR 20240082102 A KR20240082102 A KR 20240082102A
- Authority
- KR
- South Korea
- Prior art keywords
- battery
- virtual
- battery cells
- value
- charge amount
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004088 simulation Methods 0.000 claims description 64
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 22
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000015654 memory Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 206010011906 Death Diseases 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007599 discharging Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 229910018095 Ni-MH Inorganic materials 0.000 description 1
- 229910018477 Ni—MH Inorganic materials 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations
-
- 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
- G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
- G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
- G01R19/16542—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies for batteries
-
- 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
- G01R19/1659—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 to indicate that the value is within or outside a predetermined range of values (window)
-
- 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
- G01R31/3646—Constructional arrangements for indicating electrical conditions or variables, e.g. visual or audible indicators
-
- 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]
- G01R31/392—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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- 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)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
본 문서에 개시된 일 실시예에 따른 배터리 진단 결과 시뮬레이션 방법은 가상의 복수의 배터리 셀을 생성하는 단계, 상기 가상의 복수의 배터리 셀 각각의 적어도 하나의 충전량을 설정하여 상기 가상의 복수의 배터리 셀 각각을 충전 시뮬레이션하는 단계, 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태 및 수명의 변화를 분석하여 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단하는 단계 및 상기 적어도 하나의 충전량에 따른 상기 진단의 정확도를 판단하는 단계를 포함할 수 있다.
Description
본 문서에 개시된 실시예들은 배터리 진단 결과 시뮬레이션 방법 및 배터리 진단 결과 시뮬레이션 장치에 관한 것이다.
전기차는 외부로부터 전기를 공급받아 배터리를 충전한 후, 배터리에 충전된 전압으로 모터를 구동시켜 동력을 얻는다. 전기차의 배터리는 전기를 충전 및 방전하는 과정에서 발생하는 화학적 반응으로 열이 발생할 수 있고, 이러한 열은 배터리 의 성능 및 수명을 손상시킬 수 있다. 따라서 배터리의 온도, 전압 및 전류를 모니터링하는 배터리 관리 장치(BMS, Battery Management System)가 구동되어 배터리 셀의 개별 수명(SOHC, State of Battery Cell)에 기초하여 배터리의 상태를 진단 및 제어한다.
이때, 진단의 대상인 배터리 셀들을 배터리 셀의 개별 수명에 기초한 진단에 최적화된 배터리 셀의 충전량(SOC, State of Charge)으로 설정하여 오진단을 방지하고 진단의 정확도를 높여야 한다.
그러나 실제 차량의 배터리 팩을 직접 실험하여 배터리 셀의 충전량에 따른 개별 수명 진단 데이터를 개별적으로 획득하기 어려워, 배터리 셀의 개별 수명에 기초하여 배터리 셀을 진단하는 과정에서 필요한 최적의 충전량을 선정하기 어려운 문제가 있다.
본 문서에 개시된 실시예들의 일 목적은 가상의 배터리를 기초로한 사전 시뮬레이션을 수행하여 배터리 셀의 개별 수명에 기초한 진단에 필요한 최적의 충전량을 선정할 수 있는 배터리 진단 결과 시뮬레이션 방법 및 배터리 진단 결과 시뮬레이션 장치를 제공하는 데 있다.
본 문서에 개시된 실시예들의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 문서에 개시된 일 실시예에 따른 배터리 진단 결과 시뮬레이션 방법은 가상의 복수의 배터리 셀을 생성하는 단계, 상기 가상의 복수의 배터리 셀 각각의 적어도 하나의 충전량을 설정하여 상기 가상의 복수의 배터리 셀 각각을 충전 시뮬레이션하는 단계, 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태 및 수명의 변화를 분석하여 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단하는 단계 및 상기 적어도 하나의 충전량에 따른 상기 진단의 정확도를 판단하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 가상의 복수의 배터리 셀 각각의 적어도 하나의 충전량을 설정하여 상기 가상의 복수의 배터리 셀 각각을 충전 시뮬레이션하는 단계는 제1 임계 범위 이내에서 정규 분포 형태의 복수의 충전 전압의 편차를 생성하고, 제2 임계 범위 이내에서 정규 분포 형태의 복수의 충전 전류의 편차를 생성하고, 상기 적어도 하나의 충전량에 상기 복수의 충전 전압의 편차 및 상기 복수의 충전 전류의 편차를 반영하여 상기 가상의 복수의 배터리 셀 각각의 적어도 하나의 충전량을 설정할 수 있다.
일 실시예에 따라, 상기 가상의 복수의 배터리 셀을 생성하는 단계는 몬테카를로 방법에 기초하여 상기 가상의 복수의 배터리 셀 각각의 충전 상태를 설정하고, 상기 몬테카를로 방법에 기초하여 정규 분포(Normal distribution) 형태의 상기 가상의 복수의 배터리 셀 각각의 수명을 설정할 수 있다.
일 실시예에 따라, 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태 및 수명의 변화를 분석하여 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단하는 단계는 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태를 산출하고, 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태를 기초로 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 수명을 산출하고, 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 수명의 표준 편차를 산출할 수 있다.
일 실시예에 따라, 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태 및 수명의 변화를 분석하여 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단하는 단계는 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀의 수명의 평균값과 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀의 수명의 최소값의 차이의 최대값인 제1 값을 산출하고, 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀의 수명의 표준 편차의 최대값인 제2 값을 산출하고, 상기 적어도 하나의 충전량에 따른 상기 제1 값과 상기 제2 값을 비교하여 상기 가상의 복수의 배터리 셀 각각을 정상, 알람 또는 이상으로 구분하여 진단할 수 있다.
일 실시예에 따라, 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태 및 수명의 변화를 분석하여 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단하는 단계는 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀의 상기 제1 값이 상기 제2 값과 제1 임계값을 곱하여 얻어지는 제1 기준값 미만인 경우, 상기 배터리 셀을 정상으로 구분하고, 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀의 상기 제1 값이 상기 제1기준값 이상이고, 상기 제2 값과 제2 임계값을 곱하여 얻어지는 제2 기준값 미만인 경우, 상기 배터리 셀을 알람으로 구분하고, 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀의 상기 제1 값이 상기 제2 기준값 이상인 경우, 상기 배터리 셀을 이상으로 구분하여 제1 결과를 생성할 수 있다.
일 실시예에 따라, 상기 적어도 하나의 충전량에 따른 상기 진단의 정확도를 판단하는 단계는 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 상기 제1 값을 기초로 상기 가상의 복수의 배터리 셀 각각을 정상, 알람 또는 이상으로 구분하여 제2 결과를 생성하고, 상기 적어도 하나의 충전량에 따른 상기 제2 결과 대비 상기 적어도 하나의 충전량에 따른 상기 제1 결과의 정확도를 판단하고, 상기 적어도 하나의 충전량 중 상기 정확도가 가장 높은 충전량을 판단할 수 있다.
본 문서에 개시된 일 실시예에 따른 배터리 진단 결과 시뮬레이션 장치는 가상의 복수의 배터리 셀을 생성하는 배터리 생성부, 상기 가상의 복수의 배터리 셀 각각의 적어도 하나의 충전량을 설정하여 상기 가상의 복수의 배터리 셀 각각을 충전 시뮬레이션하는 시뮬레이션부 및 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태 및 수명의 변화를 분석하여 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단하고, 상기 적어도 하나의 충전량에 따른 상기 진단의 정확도를 판단하는 컨트롤러를 포함하는 배터리 진단 결과 시뮬레이션 장치.
일 실시예에 따라, 상기 시뮬레이션부는 제1 임계 범위 이내에서 정규 분포 형태의 복수의 충전 전압의 편차를 생성하고, 제2 임계 범위 이내에서 정규 분포 형태의 복수의 충전 전류의 편차를 생성하고, 상기 적어도 하나의 충전량에 상기 복수의 충전 전압의 편차 및 상기 복수의 충전 전류의 편차를 반영하여 상기 가상의 복수의 배터리 셀 각각의 적어도 하나의 충전량을 설정할 수 있다.
일 실시예에 따라, 상기 배터리 생성부는 몬테카를로 방법에 기초하여 상기 가상의 복수의 배터리 셀 각각의 충전 상태를 설정하고, 상기 몬테카를로 방법에 기초하여 정규 분포(Normal distribution) 형태의 상기 가상의 복수의 배터리 셀 각각의 수명을 설정할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태를 산출하고, 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태를 기초로 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 수명을 산출하고, 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 수명의 표준 편차를 산출할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀의 수명의 평균값과 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀의 수명의 최소값의 차이의 최대값인 제1 값을 산출하고, 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀의 수명의 표준 편차의 최대값인 제2 값을 산출하고, 상기 적어도 하나의 충전량에 따른 상기 제1 값과 상기 제2 값을 비교하여 상기 가상의 복수의 배터리 셀 각각을 정상, 알람 또는 이상으로 구분하여 진단할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀의 상기 제1 값이 상기 제2 값과 제1 임계값을 곱하여 얻어지는 제1 기준값 미만인 경우, 상기 배터리 셀을 정상으로 구분하고, 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀의 상기 제1 값이 상기 제1기준값 이상이고, 상기 제2 값과 제2 임계값을 곱하여 얻어지는 제2 기준값 미만인 경우, 상기 배터리 셀을 알람으로 구분하고, 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀의 상기 제1 값이 상기 제2 기준값 이상인 경우, 상기 배터리 셀을 이상으로 구분하여 제1 결과를 생성할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 상기 제1 값을 기초로 상기 가상의 복수의 배터리 셀 각각을 정상, 알람 또는 이상으로 구분하여 제2 결과를 생성하고, 상기 적어도 하나의 충전량에 따른 상기 제2 결과 대비 상기 적어도 하나의 충전량에 따른 상기 제1 결과의 정확도를 판단하고, 상기 적어도 하나의 충전량 중 상기 정확도가 가장 높은 충전량을 판단할 수 있다.
본 문서에 개시된 일 실시예에 따른 배터리 진단 결과 시뮬레이션 방법 및 배터리 진단 결과 시뮬레이션 장치에 따르면 가상의 배터리를 기초로한 사전 시뮬레이션을 수행하여 배터리 셀의 개별 수명에 기초한 진단에 필요한 최적의 충전량을 선정할 수 있다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 팩을 보여주는 도면이다.
도 2a는 본 문서에 개시된 일 실시예에 따른 배터리 모듈별 수명의 최소값의 변화를 나타내는 그래프이다.
도 2b는 본 문서에 개시된 일 실시예에 따른 배터리 모듈별 수명의 평균값의 변화를 나타내는 그래프이다.
도 2c는 본 문서에 개시된 일 실시예에 따른 배터리 모듈별 수명의 표준 편차의 변화를 나타내는 그래프이다.
도 2d는 본 문서에 개시된 일 실시예에 따른 배터리 모듈별 수명의 평균값과 최소값의 차이의 변화를 나타내는 그래프이다.
도 3은 본 문서에 개시된 일 실시예에 따른 배터리 진단 결과 시뮬레이션 장치의 구성을 보여주는 블록도이다.
도 4a는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 충전 상태의 분포를 나타내는 그래프이다.
도 4b는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 개별 수명의 분포를 나타내는 그래프이다.
도 4c는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 표준편차의 분포를 나타내는 그래프이다.
도 4d는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 평균값과 최소값의 차이를 나타내는 그래프이다.
도 4e는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 결과를 나타내는 그래프이다.
도 5a는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 충전 상태의 분포를 나타내는 그래프이다.
도 5b는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 개별 수명의 분포를 나타내는 그래프이다.
도 5c는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 표준편차의 분포를 나타내는 그래프이다.
도 5d는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 평균값과 최소값의 차이를 나타내는 그래프이다.
도 5e는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 결과를 나타내는 그래프이다.
도 6a는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 충전 상태의 분포를 나타내는 그래프이다.
도 6b는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 개별 수명의 분포를 나타내는 그래프이다.
도 6c는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 표준편차의 분포를 나타내는 그래프이다.
도 6d는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 평균값과 최소값의 차이를 나타내는 그래프이다.
도 6e는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 결과를 나타내는 그래프이다.
도 7a는 본 문서에 개시된 일 실시예에 따른 배터리 셀의 진단의 정확도를 구분하는 표이다.
도 7b는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 정확도를 나타낸 표이다.
도 7c는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 정확도를 나타낸 표이다.
도 7d는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 정확도를 나타낸 표이다.
도 8은 본 문서에 개시된 일 실시예에 따른 배터리 진단 결과 시뮬레이션 방법을 보여주는 흐름도이다.
도 9는 본 문서에 개시된 일 실시예에 따른 배터리 진단 결과 시뮬레이션 방법을 구현하는 컴퓨팅 시스템의 하드웨어 구성을 나타내는 블록도이다.
도 2a는 본 문서에 개시된 일 실시예에 따른 배터리 모듈별 수명의 최소값의 변화를 나타내는 그래프이다.
도 2b는 본 문서에 개시된 일 실시예에 따른 배터리 모듈별 수명의 평균값의 변화를 나타내는 그래프이다.
도 2c는 본 문서에 개시된 일 실시예에 따른 배터리 모듈별 수명의 표준 편차의 변화를 나타내는 그래프이다.
도 2d는 본 문서에 개시된 일 실시예에 따른 배터리 모듈별 수명의 평균값과 최소값의 차이의 변화를 나타내는 그래프이다.
도 3은 본 문서에 개시된 일 실시예에 따른 배터리 진단 결과 시뮬레이션 장치의 구성을 보여주는 블록도이다.
도 4a는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 충전 상태의 분포를 나타내는 그래프이다.
도 4b는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 개별 수명의 분포를 나타내는 그래프이다.
도 4c는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 표준편차의 분포를 나타내는 그래프이다.
도 4d는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 평균값과 최소값의 차이를 나타내는 그래프이다.
도 4e는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 결과를 나타내는 그래프이다.
도 5a는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 충전 상태의 분포를 나타내는 그래프이다.
도 5b는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 개별 수명의 분포를 나타내는 그래프이다.
도 5c는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 표준편차의 분포를 나타내는 그래프이다.
도 5d는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 평균값과 최소값의 차이를 나타내는 그래프이다.
도 5e는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 결과를 나타내는 그래프이다.
도 6a는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 충전 상태의 분포를 나타내는 그래프이다.
도 6b는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 개별 수명의 분포를 나타내는 그래프이다.
도 6c는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 표준편차의 분포를 나타내는 그래프이다.
도 6d는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 평균값과 최소값의 차이를 나타내는 그래프이다.
도 6e는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 결과를 나타내는 그래프이다.
도 7a는 본 문서에 개시된 일 실시예에 따른 배터리 셀의 진단의 정확도를 구분하는 표이다.
도 7b는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 정확도를 나타낸 표이다.
도 7c는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 정확도를 나타낸 표이다.
도 7d는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 정확도를 나타낸 표이다.
도 8은 본 문서에 개시된 일 실시예에 따른 배터리 진단 결과 시뮬레이션 방법을 보여주는 흐름도이다.
도 9는 본 문서에 개시된 일 실시예에 따른 배터리 진단 결과 시뮬레이션 방법을 구현하는 컴퓨팅 시스템의 하드웨어 구성을 나타내는 블록도이다.
이하, 본 문서에 개시된 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 문서에 개시된 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 문서에 개시된 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 문서에 개시된 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 문서에 개시된 실시예들이 속하는 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 가진 것으로 해석되어야 하며, 본 문서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 팩을 보여주는 도면이다.
도 1을 참조하면, 본 문서에 개시된 일 실시예에 따른 배터리 팩(100)은 배터리 모듈(110), 배터리 관리 장치(120), 및 릴레이(130)를 포함할 수 있다.
배터리 팩(100)은 복수의 배터리 모듈(111, 112, 113, 114)들을 포함할 수 있다. 도 1에서는 배터리 모듈이 4개인 것으로 도시되었지만, 이에 한정되는 것은 아니며, 배터리 팩(100)은 n(n은 2이상의 자연수)개의 배터리 모듈들을 포함하여 구성될 수 있다.
배터리 모듈(110)은 복수의 배터리 셀들을 포함할 수 있다. 배터리 모듈(110)은 n(n은 2이상의 자연수)개의 배터리 셀들을 포함하여 구성될 수 있다.
배터리 모듈(110)은 대상 장치(미도시)에 전원을 공급할 수 있다. 이를 위해, 배터리 모듈(110)은 대상 장치와 전기적으로 연결될 수 있다. 여기서, 대상 장치는 복수의 배터리 셀들을 포함하는 배터리 팩(100)으로부터 전원을 공급받아 동작하는 전기적, 전자적, 또는 기계적인 장치를 포함할 수 있으며, 예를 들어, 대상 장치는 전기 자동차(EV) 또는 에너지 저장 시스템(ESS, Energy Storage System)일 수 있으나 이에 한정되는 것은 아니다.
복수의 배터리 셀들은 전기 에너지를 충방전하여 사용할 수 있는 배터리의 기본 단위로, 리튬이온(Li-ion) 전지, 리튬이온 폴리머(Li-ion polymer) 전지, 니켈 카드뮴(Ni-Cd) 전지, 니켈 수소(Ni-MH) 전지 등일 수 있으며, 이에 한정되지 않는다. 한편, 도 1에서는 배터리 모듈(110)이 한 개인 경우로 도시되나, 실시예에 따라 배터리 모듈(110)은 복수개로 구성될 수도 있다.
배터리 관리 장치(BMS, Battery Management System) (120)는 배터리 모듈(110) 및/또는 배터리 모듈(110)에 포함된 복수의 배터리 셀들 각각의 전압, 전류, 온도 등을 모니터링 할 수 있다. 그리고 배터리 관리 장치(120)에 의한 모니터링을 위해 도시하지 않은 센서나 각종 측정 모듈이 배터리 모듈(110)이나 충방전 경로, 또는 배터리 모듈(110) 등의 임의의 위치에 추가로 설치될 수 있다.
복수의 배터리 셀들은 사용 기간 또는 사용 횟수가 증가할수록 용량이 감소하고, 내부 저항이 증가하고, 배터리의 여러 인자들이 변화할 수 있다. 배터리 관리 장치(120)는 배터리가 열화됨에 따라 변화하는 여러 인자들의 데이터인 전압, 전류, 온도 등을 기초로 배터리의 수명(SOH, State of Health)을 산출할 수 있다.
수명(SOH)은 배터리의 초기 상태 대비 현재 상태에서의 배터리의 건강 상태 또는 수명 상태를 나타낼 수 있는 지표이다. 수명이 0%에 도달하는 순간을 수명 종료 시점(EOL, End Of Life)으로 정의할 수 있다. 또한, 배터리의 수명 종료 시점은 또한 배터리의 용량이 보증 용량 이하에 도달하는 시점이 될 수 있다. 예를 들어, 배터리 관리 장치(120)는 복수의 배터리 셀들이 퇴화하면서 변하는 복수의 배터리 셀들의 내부 저항, 임피던스, 컨덕턴스, 용량, 전압, 자가 방전 전류, 충전 성능 및 충방전 횟수 중 적어도 어느 하나의 인자를 기초로 복수의 배터리 셀들의 수명(SOH)을 산출할 수 있다.
배터리 관리 장치(120)는 배터리 셀의 개방 회로 전압(OCV, Open Circuit Voltage) 및 전류 적산값을 활용하여 배터리 셀 각각의 개별 수명(SOH, Stage of Health) 즉, SOHC를 산출할 수 있다. 구체적으로, 배터리 관리 장치(120)는 배터리 셀의 충전 전 개방 회로 전압인 과 충전 후의 개방 회로 전압인 을 산출할 수 있다.
배터리 관리 장치(120)는 개방 회로 전압 테이블(OCV Table)을 기초로 와 각각을 충전량, 즉 SOC로 변환하여 와 를 산출할 수 있다. 배터리 관리 장치(120)는 아래의 [수학식 1]을 기초로 배터리 셀의 개별 수명을 산출할 수 있다.
[수학식 1]
여기서 는 SOC 편차, I는 누적 충전 전류, X 는 기존 배터리 셀의 용량을 의미한다. 배터리 관리 장치(120)는 [수학식 1]에 기초하여 복수의 배터리 셀 각각의 개별 수명, 즉 SOHC를 산출할 수 있다.
배터리 관리 장치(120)는 산출한 배터리 셀 각각의 개별 수명(SOHC)을 기초로 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단할 수 있다.
도 2a는 본 문서에 개시된 일 실시예에 따른 배터리 모듈별 수명의 최소값의 변화를 나타내는 그래프이다.
도 2a를 참조하면, 배터리 관리 장치(120)는 복수의 배터리 모듈(110) 각각에 포함된 복수의 배터리 셀의 개별 수명(SOHC) 중 최소값(Min_SOHC)을 산출할 수 있다. 배터리 관리 장치(120)는 배터리의 충방전 사이클(Cycle)에 따른 각 배터리 모듈(111, 112, 113, 114)의 수명의 최소값(Min_SOHC)의 변화를 산출할 수 있다.
도 2b는 본 문서에 개시된 일 실시예에 따른 배터리 모듈별 수명의 평균값의 변화를 나타내는 그래프이다.
도 2b를 참조하면, 배터리 관리 장치(120)는 복수의 배터리 모듈(110) 각각에 포함된 복수의 배터리 셀의 개별 수명(SOHC)의 평균값(Avg_SOHC)을 산출할 수 있다. 배터리 관리 장치(120)는 배터리의 충방전 사이클(Cycle)에 따른 각 배터리 모듈(111, 112, 113, 114)의 수명의 평균값(Avg_SOHC)의 변화를 산출할 수 있다.
도 2c는 본 문서에 개시된 일 실시예에 따른 배터리 모듈별 수명의 표준 편차의 변화를 나타내는 그래프이다.
도 2c를 참조하면, 배터리 관리 장치(120)는 복수의 배터리 모듈(110) 각각에 포함된 복수의 배터리 셀의 개별 수명(SOHC)의 표준 편차(Std_SOHC)를 산출할 수 있다. 배터리 관리 장치(120)는 배터리의 충방전 사이클(Cycle)에 따른 각 배터리 모듈(111, 112, 113, 114)의 수명의 표준 편차(Std_SOHC)의 변화를 산출할 수 있다.
실시예에 따라, 배터리 관리 장치(120)는 복수의 배터리 모듈(110)의 수명(SOHC)의 표준 편차의 평균값(Avg_(Std_SOHC))을 산출할 수 있다. 즉, 배터리 관리 장치(120)는 배터리 팩(100)에 포함된 복수의 배터리 모듈(110)의 수명(SOHC)의 표준 편차의 평균값(Avg_(Std_SOHC))을 산출하여 배터리 팩(100) 단위의 개별 수명(SOHC)의 표준 편차를 산출할 수 있다. 배터리 관리 장치(120)는 배터리의 충방전 사이클(Cycle)에 따른 배터리 팩(100)의 수명(SOHC)의 표준 편차의 변화를 산출할 수 있다.
또한, 실시예에 따라, 배터리 관리 장치(120)는 배터리 팩(100) 단위의 개별 수명(SOHC)의 표준 편차의 4배 (4 * Avg_(Std_SOHC))를 산출할 수 있다. 배터리 관리 장치(120)는 배터리의 충방전 사이클(Cycle)에 따른 배터리 팩(100)의 수명(SOHC)의 표준 편차의 4배값의 변화를 산출할 수 있다. 예를 들어, 도 2c를 참조하면, 배터리 관리 장치(120)는 7개의 배터리 모듈의 수명(SOHC)의 표준 편차의 평균값(Avg_(Std_SOHC))을 산출하고, 평균값의 4배를 산출하여 그래프에 도시할 수 있다. 예를 들어, 배터리 팩(100)의 수명(SOHC)의 표준 편차의 4배의 최대값((4*Avg_(Std_SOHC))_Max)은 21.25가 될 수 있다.
도 2d는 본 문서에 개시된 일 실시예에 따른 배터리 모듈별 수명의 평균값과 최소값의 차이의 변화를 나타내는 그래프이다.
도 2d를 참조하면, 배터리 관리 장치(120)는 복수의 배터리 모듈(110) 각각에 포함된 복수의 배터리 셀의 개별 수명(SOHC)의 평균값과 최소값의 차이(Avg_SOHC - Min_SOHC)를 산출할 수 있다. 배터리 관리 장치(120)는 배터리의 충방전 사이클(Cycle)에 따른 각 배터리 모듈(111, 112, 113, 114)의 수명의 평균값과 최소값의 차이(Avg_SOHC - Min_SOHC)의 변화를 산출할 수 있다.
실시예에 따라, 배터리 관리 장치(120)는 복수의 배터리 모듈(110)의 수명의 평균값(Avg_SOHC)과 최소값(Min_SOHC)의 차이 중 최대 값(Max_(Avg_SOHC - Min_SOHC))을 산출할 수 있다. 즉, 배터리 관리 장치(120)는 배터리 팩(100) 단위의 개별 수명(SOHC)의 평균값과 최소값의 차이 중 최대 값(Max_(Avg_SOHC - Min_SOHC))을 산출할 수 있다. 배터리 관리 장치(120)는 배터리의 충방전 사이클(Cycle)에 따른 배터리 팩(100)의 수명(SOHC)의 평균값과 최소값의 차이 중 최대 값(Max_(Avg_SOHC - Min_SOHC))의 변화를 산출할 수 있다. 예를 들어, 도 2d를 참조하면, 배터리 관리 장치(120)는 7개의 배터리 모듈의 수명(SOHC)의 평균값과 최소값의 차이 중 최대 값(Max_(Avg_SOHC - Min_SOHC))을 산출하여 그래프에 도시할 수 있다. 예를 들어, 배터리 팩(100)의 수명(SOHC)의 평균값과 최소값의 차이의 최대 값(Max_(Avg_SOHC - Min_SOHC))은 19.2가 될 수 있다.
배터리 관리 장치(120)는 복수의 배터리 모듈(110)의 수명(SOHC)의 표준 편차의 평균값(Avg_(Std_SOHC))과 복수의 배터리 모듈(110)의 수명(SOHC)의 평균값과 최소값의 차이 중 최대 값(Max_(Avg_SOHC - Min_SOHC))을 비교하여 복수의 배터리 셀 중 적어도 하나의 배터리 셀의 이상을 진단할 수 있다.
여기서 배터리 관리 장치(120)는 개방 회로 전압(OCV)을 활용한 배터리 셀 각각의 개별 수명을 산출하는 과정에서 전압, 전류에 따른 진단의 오차(Error)가 발생할 수 있다. 따라서, 배터리 진단 결과 시뮬레이션 장치(200)는 배터리 셀의 오진단을 방지하기 위해 복수의 배터리 셀을 가상으로 생성한 후, 복수의 배터리 셀을 복수의 충전량(SOC, Stae of Charge)으로 충전하는 시뮬레이션을 수행하여 복수의 충전량 중 배터리 셀의 개별 수명에 기초한 진단의 정확도가 가장 높은 최적의 충전량을 판단할 수 있다.
이하에서 배터리 진단 결과 시뮬레이션 장치(200)의 구성 및 동작에 대해 구체적으로 설명한다.
도 3은 본 문서에 개시된 일 실시예에 따른 배터리 진단 결과 시뮬레이션 장치의 구성을 보여주는 블록도이다.
도 3을 참조하면, 본 문서에 개시된 일 실시예에 따른 배터리 진단 결과 시뮬레이션 장치(200)는 배터리 생성부(210), 시뮬레이션부(220) 및 컨트롤러(230)를 포함할 수 있다.
배터리 생성부(210)는 가상의 복수의 배터리 셀을 생성할 수 있다. 배터리 생성부(210)는 가상의 복수의 배터리 셀 각각의 초기 충전 상태 및 초기 수명을 설정할 수 있다. 구체적으로 배터리 생성부(210)는 몬테카를로 방법(Monte-Carlo method)에 기초하여 가상의 복수의 배터리 셀 각각의 초기 충전 상태를 설정할 수 있다. 여기서 몬테카를로 방법은 무작위 추출된 난수(Random Number)를 이용하여 원하는 함수의 값을 계산하는 시뮬레이션 방법이다. 몬테카를로 방법은 무작위 데이터 샘플의 대규모 풀에서 여러 가지 가능한 결과와 각각의 확률을 제공할 수 있다. 예를 들어, 배터리 생성부(210)는 100,000개의 가상의 배터리 셀을 생성하고, 몬테카를로 방법에 기초하여 각각의 배터리 셀의 초기 충전 상태 및 초기 수명을 설정할 수 있다.
실시예에 따라, 배터리 생성부(210)는 가상의 복수의 배터리 셀의 초기 충전 상태를 15%~95% 범위에서 임의로 설정할 수 있다. 또한, 예를 들어, 배터리 생성부(210)는 가상의 복수의 배터리 셀의 초기 충전 상태를 BOL(Begin-Of-Life), MOL(Middle-Of-Life) 및 EOL (End-Of-Life) 등의 경우의 수로 랜덤 설정할 수 있다.
실시예에 따라, 배터리 생성부(210)는 임의의 편차값을 랜덤 생성하여 가상의 복수의 배터리 셀의 충전 상태에 반영할 수 있다. 여기서 임의의 편차값은, 예를 들어 +/-1%, +/-2.5%, +/-5% 또는 +/-7% 가 될 수 있다.
배터리 생성부(210)는 몬테카를로 방법에 기초하여 정규 분포 형태의 가상의 복수의 배터리 셀 각각의 초기 수명을 설정할 수 있다. 실시예에 따라, 배터리 생성부(210)는 임의의 편차값을 랜덤 생성하여 가상의 복수의 배터리 셀의 초기 수명에 반영할 수 있다. 여기서 임의의 편차값은, 예를 들어 +/-5%, +/-10%, 또는 +/-15%가 될 수 있다.
시뮬레이션부(220)는 가상의 복수의 배터리 셀 각각의 적어도 하나의 목표 충전량을 설정할 수 있다. 시물레이션부(220)는 배터리 셀의 충전량, 즉 SOC가 100%를 넘지 않도록 적어도 하나의 충전량을 설정할 수 있다. 예를 들어, 시뮬레이션부(220)는 가상의 복수의 배터리 셀 각각의 적어도 하나의 충전량을 +5Ah~ +30Ah 사이에서 임의로 설정할 수 있다.
시뮬레이션부(220)는 제1 임계 범위 이내에서 정규 분포 형태의 복수의 충전 전압의 편차(Error)를 생성할 수 있다. 예를 들어, 여기서 제1 임계 범위는 +/-15mV가 될 수 있다. 시뮬레이션부(220)는 제2 임계 범위 이내에서 정규 분포 형태의 복수의 충전 전류의 편차(Error)를 생성할 수 있다. 예를 들어, 여기서 제2 임계 범위는 +/-5%가 될 수 있다. 시뮬레이션부(220)는 적어도 하나의 충전량에 복수의 충전 전압의 편차 및 복수의 충전 전류의 편차를 반영하여 가상의 복수의 배터리 셀 각각의 적어도 하나의 충전량을 설정할 수 있다.
컨트롤러(230)는 적어도 하나의 충전량에 따른 충전 시뮬레이션 이후, 가상의 복수의 배터리 셀 각각의 충전 상태 및 수명의 변화를 분석할 수 있다. 구체적으로 컨트롤러(230)는 적어도 하나의 충전량에 따른 충전 시뮬레이션 이후, 가상의 복수의 배터리 셀 각각의 충전 상태(SOC)를 산출할 수 있다.
도 4a는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 충전 상태의 분포를 나타내는 그래프이다.
도 4a를 참조하면, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 25%, 40% 및 60%로 설정하고, 복수의 배터리 셀 각각의 충전 후 충전 상태(SOC)의 분포를 산출할 수 있다.
컨트롤러(230)는 적어도 하나의 충전량에 따른 가상의 복수의 배터리 셀 각각의 충전 상태를 기초로 적어도 하나의 충전량에 따른 가상의 복수의 배터리 셀 각각의 수명을 산출할 수 있다.
컨트롤러(230)는 아래의 [수학식 2]를 기초로 배터리 셀의 개별 수명을 산출할 수 있다.
[수학식 2]
여기서 는 SOC 편차, I는 누적 충전 전류, X 는 기존 배터리 셀의 용량을 의미한다. 컨트롤러(230)는 [수학식 2]에 기초하여 복수의 배터리 셀 각각의 개별 수명, 즉 SOHC를 산출할 수 있다.
도 4b는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 개별 수명의 분포를 나타내는 그래프이다.
도 4b를 참조하면, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 25%, 40% 및 60%로 설정하고, 복수의 배터리 셀 각각의 충전 후 충전 상태(SOC)를 개별 수명(SOHC)으로 변환하고, 목표 충전량(SOC)에 따른 개별 수명의 분포를 산출할 수 있다.
컨트롤러(230)는 가상의 복수의 배터리 셀들을 포함하는 가상의 복수의 배터리 모듈 단위의 개별 수명(SOHC)의 표준 편차(Std_SOHC)를 산출할 수 있다.
도 4c는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 표준편차의 분포를 나타내는 그래프이다.
도 4c를 참조하면, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 25%, 40% 및 60%로 설정하고, 가상의 복수의 배터리 셀들을 포함하는 가상의 복수의 배터리 모듈 각각의 배터리 셀 개별 수명의 표준 편차(Std_SOHC)의 분포를 산출할 수 있다.
컨트롤러(230)는 가상의 복수의 배터리 모듈 각각에 포함된 가상의 복수의 배터리 셀의 개별 수명(SOHC) 중 최소값(Min_SOHC)을 산출할 수 있다. 또한, 컨트롤러(230)는 가상의 복수의 배터리 모듈의 개별 수명(SOHC)의 평균값(Avg_SOHC)을 산출할 수 있다. 컨트롤러(230)는 가상의 복수의 배터리 모듈의 개별 수명(SOHC)의 평균값과 최소값의 차이(Avg_SOHC - Min_SOHC)를 산출할 수 있다.
도 4d는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 평균값과 최소값의 차이를 나타내는 그래프이다.
도 4d를 참조하면, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 25%, 40% 및 60%로 설정하고, 가상의 복수의 배터리 셀들을 포함하는 가상의 복수의 배터리 모듈 각각의 배터리 셀의 개별 수명(SOHC)의 평균값과 최소값의 차이(Avg_SOHC - Min_SOHC)의 분포를 산출할 수 있다
컨트롤러(230)는 적어도 하나의 충전량에 따른 가상의 복수의 배터리 셀 각각의 개별 수명(SOHC)을 기초로 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단할 수 있다.
실시예에 따라, 컨트롤러(230)는 가상의 복수의 배터리 모듈 각각의 개별 수명(SOHC)의 평균값과 최소값의 차이(Avg_SOHC - Min_SOHC)의 최대 값(Max_(Avg_SOHC - Min_SOHC))인 제1 값을 산출할 수 있다. 즉, 컨트롤러(230)는 가상의 복수의 배터리 모듈을 포함하는 가상의 배터리 팩 단위의 개별 수명(SOHC)의 평균값과 최소값의 차이(Avg_SOHC - Min_SOHC)의 최대 값인 제 1값(Max_(Avg_SOHC - Min_SOHC))를 산출할 수 있다.
실시예에 따라, 컨트롤러(230)는 가상의 복수의 배터리 모듈 각각의 개별 수명의 표준 편차(Std_SOHC)의 평균값(Avg_(Std_SOHC))을 산출할 수 있다. 즉, 컨트롤러(230)는 가상의 복수의 배터리 모듈을 포함하는 가상의 배터리 팩 단위의 개별 수명의 표준 편차(Std_SOHC)의 평균값(Avg_(Std_SOHC))을 산출할 수 있다.
실시예에 따라, 컨트롤러(230)는 가상의 배터리 팩의 개별 수명의 표준 편차(Std_SOHC)의 평균값(Avg_(Std_SOHC))의 최대값인 제2 값(Max_(Avg_(Std_SOHC)))을 산출할 수 있다.
컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))과 제2 값(Max_(Avg_(Std_SOHC)))을 비교하여 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단할 수 있다. 구체적으로, 컨트롤러는 아래의 [수학식 3]에 기초하여 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단할 수 있다.
[수학식 3]
정상(Normal): Max[Avg_SOHC(n) - Min_SOHC(n)] < Max[5%, 3*Avg_(Std_SOHC(n))]
알람(Warning): Max[5%, 3*Avg_(Std_SOHC(n))] ≤ Max[Avg_SOHC(n) - Min_SOHC(n)] < Max[10%, 4*Avg_(Std_SOHC(n))]
이상(Fault): Max[Avg_SOHC(n) - Min_SOHC(n)] ≥Max[10%, 4*Avg_(Std_SOHC(n))]
상기 [수학식 3]에서 n은 가상의 배터리 모듈 단위의 개별 수명(SOHC)을 의미한다. [수학식 3]을 참고하면, 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))과 제2 값(Max_(Avg_(Std_SOHC)))을 비교하여 가상의 복수의 배터리 셀 각각을 정상, 알람 및 이상 중 어느 하나로 구분하여 진단할 수 있다.
구체적으로 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))이 제2 값(Max_(Avg_(Std_SOHC)))과 제1 임계값을 곱하여 얻어지는 제1 기준값 미만인 경우, 배터리 셀을 정상으로 구분할 수 있다. 여기서 제1 기준값은 정상 배터리와 알람 배터리(또는 경고 배터리)를 구분할 수 있는 기준값이다. 예를 들어, 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))이 제2 값(Max_(Avg_(Std_SOHC)))과 제1 임계값인 '3'을 곱하여 얻어지는 제1 기준값(Max[5%, 3*Avg_(Std_SOHC(n))])의 미만인 경우 가상의 배터리를 정상 배터리로 판단할 수 있다.
또한, 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))이 제2 값(Max_(Avg_(Std_SOHC)))과 제1 임계값을 곱하여 얻어지는 제1 기준값 이상이고, 제1 값(Max_(Avg_SOHC - Min_SOHC))이 제2 값(Max_(Avg_(Std_SOHC)))과 제2 임계값을 곱하여 얻어지는 제2 기준값 미만인 경우, 배터리 셀을 알람 배터리로 판단할 수 있다. 여기서 제2 기준값은 알람 배터리와 이상 배터리를 구분할 수 있는 기준값이다. 예를 들어, 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))이 제2 값(Max_(Avg_(Std_SOHC)))과 제1 임계값인 ‘3’을 곱하여 얻어지는 제1 기준값(Max[5%, 3*Avg_(Std_SOHC(n))])의 이상이고, 제1 값(Max_(Avg_SOHC - Min_SOHC))이 제2 값(Max_(Avg_(Std_SOHC)))과 제2 임계값인 ‘4’을 곱하여 얻어지는 제2 기준값(Max[10%, 4*Avg_(Std_SOHC(n))])의 미만인 경우 가상의 배터리를 알람 배터리로 판단할 수 있다.
또한, 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))이 제2 값(Max_(Avg_(Std_SOHC)))과 제2 임계값을 곱하여 얻어지는 제2 기준값 이상인 경우, 배터리 셀을 이상 배터리로 판단할 수 있다. 예를 들어, 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))이 제2 값(Max_(Avg_(Std_SOHC)))과 제2 임계값인 ‘4’을 곱하여 얻어지는 제2 기준값(Max[10%, 4*Avg_(Std_SOHC(n))])의 이상인 경우 가상의 배터리를 이상 배터리로 판단할 수 있다.
컨트롤러(230)는 가상의 복수의 배터리 셀 각각의 제1 값(Max_(Avg_SOHC - Min_SOHC))을 제2 값(Max_(Avg_(Std_SOHC)))과 비교하여 가상의 복수의 배터리 셀 각각을 정상, 알람 또는 이상으로 구분하여 제1 결과를 생성할 수 있다.
도 4e는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 결과를 나타내는 그래프이다.
도 4e를 참고하면, 컨트롤러(230)는 적어도 하나의 충전량과 제1 값(Max_(Avg_SOHC - Min_SOHC))에 따른 가상의 복수의 배터리 셀을 진단한 제1 결과의 분포를 산출할 수 있다.
컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 25%, 40% 및 60%로 설정한 후, 각각의 25%, 40% 및 60% 충전량과 제1 값의 변화에 따른 가상의 배터리 셀들을 정상, 알람 및 이상 중 어느 하나로 구분하여 진단한 제1 결과의 분포를 산출할 수 있다.
컨트롤러(230)는 가상의 복수의 배터리 셀의 적어도 하나의 충전량을 변경하여 복수의 충전 시뮬레이션을 구동할 수 있다. 컨트롤러(230)는 가상의 복수의 배터리 셀의 적어도 하나의 충전량을 변경하여, 적어도 하나의 충전량과 제1 값(Max_(Avg_SOHC - Min_SOHC))에 따른 가상의 복수의 배터리 셀을 진단한 제1 결과를 비교할 수 있다.
도 5a는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 충전 상태의 분포를 나타내는 그래프이다.
도 5a를 참조하면, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 15~100%, 25~100%, 40~100% 및 60~100%로 설정하고, 복수의 배터리 셀 각각의 충전 후 충전 상태(SOC)의 분포를 산출할 수 있다.
도 5b는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 개별 수명의 분포를 나타내는 그래프이다.
도 5b를 참조하면, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 15~100%, 25~100%, 40~100% 및 60~100%로 설정하고, 복수의 배터리 셀 각각의 충전 후 충전 상태(SOC)를 개별 수명(SOHC)으로 변환하고, 목표 충전량(SOC)에 따른 개별 수명의 분포를 산출할 수 있다.
도 5c는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 표준편차의 분포를 나타내는 그래프이다.
도 5c를 참조하면, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 15~100%, 25~100%, 40~100% 및 60~100%로 설정하고, 가상의 복수의 배터리 셀들을 포함하는 가상의 복수의 배터리 모듈 각각의 배터리 셀 개별 수명의 표준 편차(Std_SOHC)의 분포를 산출할 수 있다.
도 5d는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 평균값과 최소값의 차이를 나타내는 그래프이다.
도 5d를 참조하면, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 15~100%, 25~100%, 40~100% 및 60~100%로 설정하고, 가상의 복수의 배터리 셀들을 포함하는 가상의 복수의 배터리 모듈 각각의 배터리 셀의 개별 수명(SOHC)의 평균값과 최소값의 차이(Avg_SOHC - Min_SOHC)의 분포를 산출할 수 있다
도 5e는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 결과를 나타내는 그래프이다.
도 5e를 참고하면, 컨트롤러(230)는 적어도 하나의 충전량과 제1 값(Max_(Avg_SOHC - Min_SOHC))에 따른 가상의 복수의 배터리 셀을 진단한 결과의 분포를 산출할 수 있다. 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 15~100%, 25~100%, 40~100% 및 60~100%로 설정한 후, 각각의 15~100%, 25~100%, 40~100% 및 60~100% 충전량과 제1 값의 변화에 따른 가상의 배터리 셀들을 정상, 알람 및 이상 중 어느 하나로 구분하여 진단한 제1 결과의 분포를 산출할 수 있다.
도 6a는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 충전 상태의 분포를 나타내는 그래프이다.
도 6a를 참조하면, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 15~25%, 25~40%, 40~60% 및 60~100%로 설정하고, 복수의 배터리 셀 각각의 충전 후 충전 상태(SOC)의 분포를 산출할 수 있다.
도 6b는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 개별 수명의 분포를 나타내는 그래프이다.
도 6b를 참조하면, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 15~25%, 25~40%, 40~60% 및 60~100%로 설정하고, 복수의 배터리 셀 각각의 충전 후 충전 상태(SOC)를 개별 수명(SOHC)으로 변환하고, 목표 충전량(SOC)에 따른 개별 수명의 분포를 산출할 수 있다.
도 6c는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 표준편차의 분포를 나타내는 그래프이다.
도 6c를 참조하면, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 15~25%, 25~40%, 40~60% 및 60~100%로 설정하고, 가상의 복수의 배터리 셀들을 포함하는 가상의 복수의 배터리 모듈 각각의 배터리 셀 개별 수명의 표준 편차(Std_SOHC)의 분포를 산출할 수 있다.
도 6d는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 모듈의 개별 수명의 평균값과 최소값의 차이를 나타내는 그래프이다.
도 6d를 참조하면, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 15~25%, 25~40%, 40~60% 및 60~100%로 설정하고, 가상의 복수의 배터리 셀들을 포함하는 가상의 복수의 배터리 모듈 각각의 배터리 셀의 개별 수명(SOHC)의 평균값과 최소값의 차이(Avg_SOHC - Min_SOHC)의 분포를 산출할 수 있다
도 6e는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 결과를 나타내는 그래프이다.
도 6e를 참고하면, 컨트롤러(230)는 적어도 하나의 충전량과 제1 값(Max_(Avg_SOHC - Min_SOHC))에 따른 가상의 복수의 배터리 셀을 진단한 결과의 분포를 산출할 수 있다. 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 15~25%, 25~40%, 40~60% 및 60~100%로 설정한 후, 각각의 15~25%, 25~40%, 40~60% 및 60~100% 충전량과 제1 값(Max_(Avg_SOHC - Min_SOHC))의 변화에 따른 가상의 배터리 셀들을 정상, 알람 및 이상 중 어느 하나로 구분하여 진단한 제1 결과의 분포를 산출할 수 있다.
컨트롤러(230)는 적어도 하나의 충전량에 따른 가상의 복수의 배터리 셀 각각의 제1 값(Max_(Avg_SOHC - Min_SOHC))을 기초로 가상의 복수의 배터리 셀 각각을 정상, 알람 또는 이상으로 구분하여 제2 결과를 생성할 수 있다.
구체적으로, 컨트롤러(230)는 배터리의 제1 값(Max_(Avg_SOHC - Min_SOHC))을 임계값들과 비교하면서 배터리를 진단 할 수 있다. 예를 들어, 컨트롤러(230)는 정상 배터리와 알람 배터리로 구분하는 제1 임계값을 '5'로 설정하고, 알람 배터리와 이상 배터리로 구분하는 제2 임계값을 '10'으로 설정할 수 있다. 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))을 제1 임계값과 제2 임계값과 비교하여 배터리의 개별 수명(SOHC)에 기초한 배터리 셀의 상태를 판단할 수 있다. 컨트롤러(230)는 적어도 하나의 충전량에 따른 가상의 복수의 배터리 셀 각각의 제1 값(Max_(Avg_SOHC - Min_SOHC))을 제1 임계값과 제2 임계값과 비교하여 제2 결과를 생성할 수 있다.
컨트롤러(230)는 적어도 하나의 충전량에 따른 제1 결과와 제2 결과를 비교하여 배터리 셀의 진단의 정확도를 구분할 수 있다.
도 7a는 본 문서에 개시된 일 실시예에 따른 배터리 셀의 진단의 정확도를 구분하는 표이다.
도 7a를 참고하면, 컨트롤러(230)는 배터리의 제1 값(Max_(Avg_SOHC - Min_SOHC))에 기초하여 배터리의 상태 판단한 제2 결과와 배터리의 진단 결과인 제1 결과를 비교하여 배터리 진단의 정확도를 구분할 수 있다.
예를 들어, 컨트롤러(230)는 배터리의 제1 값(Max_(Avg_SOHC - Min_SOHC))에 기초하여 배터리의 상태를 판단한 제2 결과와 제1 결과가 동일한 경우, 진단의 정확도를 'Good'으로 구분할 수 있다.
또한, 컨트롤러(230)는 배터리의 제2 결과에 기초한 진단 상태가 정상(Normal)이지만 제1 결과에 기초한 진단 상태가 알람(Warning) 또는 이상(Fault)인 경우, 또는 배터리의 제2 결과에 기초한 진단 상태가 알람(Warning) 이지만 제1 결과에 기초한 진단 상태가 이상(Fault)인 경우 배터리를 오진단 한 것으로 진단의 정확도를 'Fake Fault'로 구분할 수 있다.
또한, 컨트롤러(230)는 배터리의 제2 결과에 기초한 진단 상태가 알람(Warning) 또는 이상(Fault)이지만 제1 결과에 기초한 진단 상태가정상(Normal)인 경우, 또는 배터리의 제2 결과에 기초한 진단 상태가 이상(Fault)이지만 제1 결과에 기초한 진단 상태가 알람(Warning)인 경우 배터리 진단을 누락한 것으로 진단의 정확도를 'Miss Fault'로 구분할 수 있다.
도 7b는 본 문서에 개시된 일 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 정확도를 나타낸 표이다.
도 7b를 참고하면, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)인 25%, 40% 및 60%과 제1 값(Max_(Avg_SOHC - Min_SOHC))에 따른 가상의 복수의 배터리 셀을 진단한 결과의 분포를 분석할 수 있다.
예를 들어, 컨트롤러(230)는 가상의 배터리 셀의 목표 충전량(SOC)이 25%, 40% 및 60% 일 때 가상의 배터리 셀 각각의 제1 값(Max_(Avg_SOHC - Min_SOHC))에 기초하여 판단한 제2 결과와 제1 값(Max_(Avg_SOHC - Min_SOHC))과 제2 값(Max_(Avg_(Std_SOHC)))을 비교하여 진단한 제1 결과를 비교하여 각 배터리 셀의 진단의 정확도를 구분할 수 있다.
구체적으로 컨트롤러(230)는 가상의 배터리 셀의 목표 충전량(SOC)이 25%, 40% 및 60% 일 때 진단의 정확도가 'Good'으로 판단된 비율(%)에 기초하여 각 진단의 정확도를 비교할 수 있다. 예를 들어, 컨트롤러(230)는 배터리 셀의 목표 충전량(SOC)이 25%일 때 진단의 정확도 '92.365%', 배터리 셀의 목표 충전량(SOC)이 40%일 때 진단의 정확도 '97.215%'및 배터리 셀의 목표 충전량(SOC)이 60%일 때 진단의 정확도 '98.778%'를 비교하여 배터리 셀의 진단에 최적화된 목표 충전량(SOC)을 판단할 수 있다.
도 7c는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 정확도를 나타낸 표이다.
도 7c를 참고하면, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC) 15~100%, 25~100%, 40~100% 및 60~100%과 제1 값(Max_(Avg_SOHC - Min_SOHC))에 따른 가상의 복수의 배터리 셀을 진단한 결과의 분포를 분석할 수 있다.
예를 들어, 컨트롤러(230)는 가상의 배터리 셀의 목표 충전량(SOC)이 15~100%, 25~100%, 40~100% 및 60~100%일 때 가상의 배터리 셀 각각의 제1 값(Max_(Avg_SOHC - Min_SOHC))에 기초하여 판단한 제2 결과와 제1 값(Max_(Avg_SOHC - Min_SOHC))과 제2 값(Max_(Avg_(Std_SOHC)))을 비교하여 진단한 제1 결과를 비교하여 각 배터리 셀의 진단의 정확도를 구분할 수 있다.
구체적으로 컨트롤러(230)는 가상의 배터리 셀의 목표 충전량(SOC)이 15~100%, 25~100%, 40~100% 및 60~100%일 때 진단의 정확도가 'Good'으로 판단된 비율(%)에 기초하여 각 진단의 정확도를 비교할 수 있다. 예를 들어, 컨트롤러(230)는 배터리 셀의 목표 충전량(SOC)이 15~100%일 때 진단의 정확도 '97.033%', 배터리 셀의 목표 충전량(SOC)이 25~100%일 때 진단의 정확도 '98.205%', 배터리 셀의 목표 충전량(SOC)이 40~100%일 때 진단의 정확도 '98.838%'및 배터리 셀의 목표 충전량(SOC)이 60~100%일 때 진단의 정확도 '99.209%'를 비교하여 배터리 셀의 진단에 최적화된 목표 충전량(SOC)을 판단할 수 있다.
도 7d는 본 문서에 개시된 다른 실시예에 따른 적어도 하나의 충전량에 따른 배터리 셀의 진단의 정확도를 나타낸 표이다.
도 7d를 참고하면, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC) 15~25%, 25~40%, 40~60% 및 60~100%과 제1 값(Max_(Avg_SOHC - Min_SOHC))에 따른 가상의 복수의 배터리 셀을 진단한 결과의 분포를 분석할 수 있다.
예를 들어, 컨트롤러(230)는 가상의 배터리 셀의 목표 충전량(SOC)이 15~25%, 25~40%, 40~60% 및 60~100%일 때 가상의 배터리 셀 각각의 제1 값(Max_(Avg_SOHC - Min_SOHC))에 기초하여 판단한 제2 결과와 제1 값(Max_(Avg_SOHC - Min_SOHC))과 제2 값(Max_(Avg_(Std_SOHC)))을 비교하여 진단한 제1 결과를 비교하여 각 배터리 셀의 진단의 정확도를 구분할 수 있다.
구체적으로 컨트롤러(230)는 가상의 배터리 셀의 목표 충전량(SOC)이 15~25%, 25~40%, 40~60% 및 60~100%일 때 진단의 정확도가 'Good'으로 판단된 비율(%)에 기초하여 각 진단의 정확도를 비교할 수 있다. 예를 들어, 컨트롤러(230)는 배터리 셀의 목표 충전량(SOC)이 15~25%일 때 진단의 정확도 '90.460%', 배터리 셀의 목표 충전량(SOC)이 25~40%일 때 진단의 정확도 '96.314%', 배터리 셀의 목표 충전량(SOC)이 40~60%일 때 진단의 정확도 '98.450%'및 배터리 셀의 목표 충전량(SOC)이 60~100%일 때 진단의 정확도 '99.174%'를 비교하여 배터리 셀의 진단에 최적화된 목표 충전량(SOC)을 판단할 수 있다.
상술한 바와 같이, 본 문서에 개시된 일 실시예에 따른 배터리 진단 결과 시뮬레이션 장치에 따르면 가상의 배터리를 기초로한 사전 시뮬레이션을 수행하여 배터리 셀의 개별 수명에 기초한 진단에 필요한 최적의 충전량을 선정할 수 있다.
또한, 배터리 진단 결과 시뮬레이션 장치(200)는 배터리 셀의 개별 수명에 기초한 배터리 셀의 진단에 최적화된 충전량 데이터를 분석하여 배터리 진단의 정확성을 향상시키고 진단 발생을 예측할 수 있다.
도 8은 본 문서에 개시된 일 실시예에 따른 배터리 진단 결과 시뮬레이션 방법을 보여주는 흐름도이다. 이하에서는 도 1 내지 도 7을 참조하여 배터리 진단 결과 시뮬레이션 방법에 대해 구체적으로 설명한다.
배터리 진단 결과 시뮬레이션 방법은 도 1 내지 도 7을 참조하여 설명한 배터리 진단 결과 시뮬레이션 장치(200)를 통해 구동될 수 있으며, 배터리 진단 결과 시뮬레이션 장치(200)는 이하에서는 설명의 중복을 피하기 위하여 간략히 설명한다.
도 8을 참조하면 배터리 진단 결과 시뮬레이션 방법은 가상의 복수의 배터리 셀을 생성하는 단계(S101), 가상의 복수의 배터리 셀 각각의 적어도 하나의 충전량을 설정하여 가상의 복수의 배터리 셀 각각을 충전 시뮬레이션하는 단계(S102), 적어도 하나의 충전량에 따른 가상의 복수의 배터리 셀 각각의 충전 상태 및 수명의 변화를 분석하여 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단하는 단계(S103) 및 적어도 하나의 충전량에 따른 진단의 정확도를 판단하는 단계(S104)를 포함할 수 있다.
이하에서는 S101 단계 내지 S104 단계에 대해 구체적으로 설명한다.
S101 단계에서, 배터리 생성부(210)는 가상의 복수의 배터리 셀을 생성할 수 있다. S101 단계에서, 배터리 생성부(210)는 가상의 복수의 배터리 셀 각각의 초기 충전 상태 및 초기 수명을 설정할 수 있다. S101 단계에서, 구체적으로 배터리 생성부(210)는 몬테카를로 방법에 기초하여 가상의 복수의 배터리 셀 각각의 초기 충전 상태를 설정할 수 있다. 예를 들어, S101 단계에서, 배터리 생성부(210)는 100,000개의 가상의 배터리 셀을 생성하고, 몬테카를로 방법에 기초하여 각각의 배터리 셀의 초기 충전 상태 및 초기 수명을 설정할 수 있다.
S101 단계에서, 실시예에 따라, 배터리 생성부(210)는 임의의 편차값을 랜덤 생성하여 가상의 복수의 배터리 셀의 충전 상태에 반영할 수 있다. 여기서 임의의 편차값은, 예를 들어 +/-1%, +/-2.5%, +/-5% 또는 +/-7% 가 될 수 있다.
S101 단계에서, 배터리 생성부(210)는 몬테카를로 방법에 기초하여 정규 분포 형태의 가상의 복수의 배터리 셀 각각의 초기 수명을 설정할 수 있다. S101 단계에서, 실시예에 따라, 배터리 생성부(210)는 임의의 편차값을 랜덤 생성하여 가상의 복수의 배터리 셀의 초기 수명에 반영할 수 있다. 여기서 임의의 편차값은, 예를 들어 +/-5%, +/-10%, 또는 +/-15%가 될 수 있다.
S102 단계에서, 시뮬레이션부(220)는 가상의 복수의 배터리 셀 각각의 적어도 하나의 목표 충전량을 설정할 수 있다.
S102 단계에서, 시뮬레이션부(220)는 제1 임계 범위 이내에서 정규 분포 형태의 복수의 충전 전압의 편차(Error)를 생성할 수 있다. 여기서 제1 임계 범위는 +/-15mV가 될 수 있다. S102 단계에서, 시뮬레이션부(220)는 제2 임계 범위 이내에서 정규 분포 형태의 복수의 충전 전류의 편차(Error)를 생성할 수 있다. 여기서 제2 임계 범위는 +/-5%가 될 수 있다. S102 단계에서, 시뮬레이션부(220)는 적어도 하나의 충전량에 복수의 충전 전압의 편차 및 복수의 충전 전류의 편차를 반영하여 가상의 복수의 배터리 셀 각각의 적어도 하나의 충전량을 설정할 수 있다.
S103 단계에서, 컨트롤러(230)는 적어도 하나의 충전량에 따른 충전 시뮬레이션 이후, 가상의 복수의 배터리 셀 각각의 충전 상태 및 수명의 변화를 분석할 수 있다. S103 단계에서, 구체적으로 컨트롤러(230)는 적어도 하나의 충전량에 따른 충전 시뮬레이션 이후, 가상의 복수의 배터리 셀 각각의 충전 상태(SOC)를 산출할 수 있다.
S103 단계에서, 컨트롤러(230)는 적어도 하나의 충전량에 따른 가상의 복수의 배터리 셀 각각의 충전 상태를 기초로 적어도 하나의 충전량에 따른 가상의 복수의 배터리 셀 각각의 수명, 즉 SOHC를 산출할 수 있다.
S103 단계에서, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 25%, 40% 및 60%로 설정하고, 복수의 배터리 셀 각각의 충전 후 충전 상태(SOC)를 개별 수명(SOHC)으로 변환하고, 목표 충전량(SOC)에 따른 개별 수명의 분포를 산출할 수 있다.
S103 단계에서, 컨트롤러(230)는 가상의 복수의 배터리 셀들을 포함하는 가상의 복수의 배터리 모듈 단위의 개별 수명(SOHC)의 표준 편차(Std_SOHC)를 산출할 수 있다.
S103 단계에서, 컨트롤러(230)는 가상의 복수의 배터리 모듈 각각에 포함된 가상의 복수의 배터리 셀의 개별 수명(SOHC) 중 최소값(Min_SOHC)을 산출할 수 있다. S103 단계에서,또한, 컨트롤러(230)는 가상의 복수의 배터리 모듈의 개별 수명(SOHC)의 평균값(Avg_SOHC)을 산출할 수 있다. S103 단계에서, 컨트롤러(230)는 가상의 복수의 배터리 모듈의 개별 수명(SOHC)의 평균값과 최소값의 차이(Avg_SOHC - Min_SOHC)를 산출할 수 있다.
S103 단계에서, 실시예에 따라, 컨트롤러(230)는 가상의 복수의 배터리 모듈 각각의 개별 수명(SOHC)의 평균값과 최소값의 차이(Avg_SOHC - Min_SOHC)의 최대 값(Max_(Avg_SOHC - Min_SOHC))인 제1 값을 산출할 수 있다. S103 단계에서, 즉, 컨트롤러(230)는 가상의 복수의 배터리 모듈을 포함하는 가상의 배터리 팩 단위의 개별 수명(SOHC)의 평균값과 최소값의 차이(Avg_SOHC - Min_SOHC)의 최대 값인 제 1값(Max_(Avg_SOHC - Min_SOHC))를 산출할 수 있다.
S103 단계에서, 실시예에 따라, 컨트롤러(230)는 가상의 복수의 배터리 모듈 각각의 개별 수명의 표준 편차(Std_SOHC)의 평균값(Avg_(Std_SOHC))을 산출할 수 있다. S103 단계에서, 즉, 컨트롤러(230)는 가상의 복수의 배터리 모듈을 포함하는 가상의 배터리 팩 단위의 개별 수명의 표준 편차(Std_SOHC)의 평균값(Avg_(Std_SOHC))을 산출할 수 있다.
S103 단계에서, 실시예에 따라, 컨트롤러(230)는 가상의 배터리 팩의 개별 수명의 표준 편차(Std_SOHC)의 평균값(Avg_(Std_SOHC))의 최대값인 제2 값(Max_(Avg_(Std_SOHC)))을 산출할 수 있다.
S103 단계에서, 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))과 제2 값(Max_(Avg_(Std_SOHC)))을 비교하여 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단할 수 있다.
S103 단계에서, 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))과 제2 값(Max_(Avg_(Std_SOHC)))을 비교하여 가상의 복수의 배터리 셀 각각을 정상, 알람 및 이상 중 어느 하나로 구분하여 진단할 수 있다.
S103 단계에서, 구체적으로 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))이 제2 값(Max_(Avg_(Std_SOHC)))과 제1 임계값을 곱하여 얻어지는 제1 기준값 미만인 경우, 배터리 셀을 정상으로 구분할 수 있다. 여기서 제1 기준값은 정상 배터리와 알람 배터리(또는 경고 배터리)를 구분할 수 있는 기준값이다. S103 단계에서, 예를 들어, 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))이 제2 값(Max_(Avg_(Std_SOHC)))과 제1 임계값인 '3'을 곱하여 얻어지는 제1 기준값(Max[5%, 3*Avg_(Std_SOHC(n))])의 미만인 경우 가상의 배터리를 정상 배터리로 판단할 수 있다.
S103 단계에서, 또한, 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))이 제2 값(Max_(Avg_(Std_SOHC)))과 제1 임계값을 곱하여 얻어지는 제1 기준값 이상이고, 제1 값(Max_(Avg_SOHC - Min_SOHC))이 제2 값(Max_(Avg_(Std_SOHC)))과 제2 임계값을 곱하여 얻어지는 제2 기준값 미만인 경우, 배터리 셀을 알람 배터리로 판단할 수 있다. 여기서 제2 기준값은 알람 배터리와 이상 배터리를 구분할 수 있는 기준값이다. S103 단계에서, 예를 들어, 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))이 제2 값(Max_(Avg_(Std_SOHC)))과 제1 임계값인 '3'을 곱하여 얻어지는 제1 기준값(Max[5%, 3*Avg_(Std_SOHC(n))])의 이상이고, 제1 값(Max_(Avg_SOHC - Min_SOHC))이 제2 값(Max_(Avg_(Std_SOHC)))과 제2 임계값인 '4'을 곱하여 얻어지는 제2 기준값(Max[10%, 4*Avg_(Std_SOHC(n))])의 미만인 경우 가상의 배터리를 알람 배터리로 판단할 수 있다.
S103 단계에서, 또한, 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))이 제2 값(Max_(Avg_(Std_SOHC)))과 제2 임계값을 곱하여 얻어지는 제2 기준값 이상인 경우, 배터리 셀을 이상 배터리로 판단할 수 있다. S103 단계에서, 예를 들어, 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))이 제2 값(Max_(Avg_(Std_SOHC)))과 제2 임계값인 '4'을 곱하여 얻어지는 제2 기준값(Max[10%, 4*Avg_(Std_SOHC(n))])의 이상인 경우 가상의 배터리를 이상 배터리로 판단할 수 있다.
S103 단계에서, 컨트롤러(230)는 가상의 복수의 배터리 셀 각각의 제1 값(Max_(Avg_SOHC - Min_SOHC))을 제2 값(Max_(Avg_(Std_SOHC)))과 비교하여 가상의 복수의 배터리 셀 각각을 정상, 알람 또는 이상으로 구분하여 제1 결과를 생성할 수 있다.
S103 단계에서, 컨트롤러(230)는 가상의 복수의 배터리 셀 각각의 제1 값(Max_(Avg_SOHC - Min_SOHC))을 제2 값(Max_(Avg_(Std_SOHC)))과 비교하여 가상의 복수의 배터리 셀 각각을 정상, 알람 또는 이상으로 구분하여 제1 결과를 생성할 수 있다.
S103 단계에서, 컨트롤러(230)는 적어도 하나의 충전량과 제1 값(Max_(Avg_SOHC - Min_SOHC))에 따른 가상의 복수의 배터리 셀을 진단한 제1 결과의 분포를 산출할 수 있다.
S103 단계에서, 컨트롤러(230)는 예를 들어, 100,000개의 가상의 배터리 셀의 목표 충전량(SOC)을 25%, 40% 및 60%로 설정한 후, 각각의 25%, 40% 및 60% 충전량과 제1 값의 변화에 따른 가상의 배터리 셀들을 정상, 알람 및 이상 중 어느 하나로 구분하여 진단한 제1 결과의 분포를 산출할 수 있다.
S103 단계에서, 컨트롤러(230)는 가상의 복수의 배터리 셀의 적어도 하나의 충전량을 변경하여 복수의 충전 시뮬레이션을 구동할 수 있다.
S104 단계에서, 컨트롤러(230)는 가상의 복수의 배터리 셀의 적어도 하나의 충전량을 변경하여, 적어도 하나의 충전량과 제1 값(Max_(Avg_SOHC - Min_SOHC))에 따른 가상의 복수의 배터리 셀을 진단한 제1 결과를 비교할 수 있다.
S104 단계에서, 컨트롤러(230)는 적어도 하나의 충전량에 따른 가상의 복수의 배터리 셀 각각의 제1 값(Max_(Avg_SOHC - Min_SOHC))을 기초로 가상의 복수의 배터리 셀 각각을 정상, 알람 또는 이상으로 구분하여 제2 결과를 생성할 수 있다.
S104 단계에서, 구체적으로, 컨트롤러(230)는 배터리의 제1 값(Max_(Avg_SOHC - Min_SOHC))을 임계값들과 비교하면서 배터리를 진단 할 수 있다. S104 단계에서, 예를 들어, 컨트롤러(230)는 정상 배터리와 알람 배터리로 구분하는 제1 임계값을 '5'로 설정하고, 알람 배터리와 이상 배터리로 구분하는 제2 임계값을 '10'으로 설정할 수 있다.
S104 단계에서, 컨트롤러(230)는 제1 값(Max_(Avg_SOHC - Min_SOHC))을 제1 임계값과 제2 임계값과 비교하여 배터리의 개별 수명(SOHC)에 기초한 배터리 셀의 상태를 판단할 수 있다. S104 단계에서, 컨트롤러(230)는 적어도 하나의 충전량에 따른 가상의 복수의 배터리 셀 각각의 제1 값(Max_(Avg_SOHC - Min_SOHC))을 제1 임계값과 제2 임계값과 비교하여 제2 결과를 생성할 수 있다.
S104 단계에서, 컨트롤러(230)는 적어도 하나의 충전량에 따른 제1 결과와 제2 결과를 비교하여 배터리 셀의 진단의 정확도를 구분할 수 있다.
S104 단계에서, 컨트롤러(230)는 배터리의 제1 값(Max_(Avg_SOHC - Min_SOHC))에 기초하여 배터리의 상태 판단한 제2 결과와 배터리의 진단 결과인 제1 결과를 비교하여 배터리 진단의 정확도를 구분할 수 있다.
S104 단계에서, 예를 들어, 컨트롤러(230)는 배터리의 제1 값(Max_(Avg_SOHC - Min_SOHC))에 기초하여 배터리의 상태를 판단한 제2 결과와 제1 결과가 동일한 경우, 진단의 정확도를 'Good'으로 구분할 수 있다.
S104 단계에서, 또한, 컨트롤러(230)는 배터리의 제2 결과에 기초한 진단 상태가 정상(Normal)이지만 제1 결과에 기초한 진단 상태가 알람(Warning) 또는 이상(Fault)인 경우, 또는 배터리의 제2 결과에 기초한 진단 상태가 알람(Warning) 이지만 제1 결과에 기초한 진단 상태가 이상(Fault)인 경우 배터리를 오진단 한 것으로 진단의 정확도를 'Fake Fault'로 구분할 수 있다.
S104 단계에서, 또한, 컨트롤러(230)는 배터리의 제2 결과에 기초한 진단 상태가 알람(Warning) 또는 이상(Fault)이지만 제1 결과에 기초한 진단 상태가정상(Normal)인 경우, 또는 배터리의 제2 결과에 기초한 진단 상태가 이상(Fault)이지만 제1 결과에 기초한 진단 상태가 알람(Warning)인 경우 배터리 진단을 누락한 것으로 진단의 정확도를 'Miss Fault'로 구분할 수 있다.
S104 단계에서, 예를 들어, 컨트롤러(230)는 가상의 배터리 셀의 목표 충전량(SOC)이 25%, 40% 및 60% 일 때 가상의 배터리 셀 각각의 제1 값(Max_(Avg_SOHC - Min_SOHC))에 기초하여 판단한 제2 결과와 제1 값(Max_(Avg_SOHC - Min_SOHC))과 제2 값(Max_(Avg_(Std_SOHC)))을 비교하여 진단한 제1 결과를 비교하여 각 배터리 셀의 진단의 정확도를 구분할 수 있다.
S104 단계에서, 구체적으로 컨트롤러(230)는 가상의 배터리 셀의 목표 충전량(SOC)이 25%, 40% 및 60% 일 때 진단의 정확도가 'Good'으로 판단된 비율(%)에 기초하여 각 진단의 정확도를 비교할 수 있다. 예를 들어, 컨트롤러(230)는 배터리 셀의 목표 충전량(SOC)이 25%일 때 진단의 정확도 '92.365%', 배터리 셀의 목표 충전량(SOC)이 40%일 때 진단의 정확도 '97.215%'및 배터리 셀의 목표 충전량(SOC)이 60%일 때 진단의 정확도 '98.778%'를 비교하여 배터리 셀의 진단에 최적화된 목표 충전량(SOC)을 판단할 수 있다.
도 9는 본 문서에 개시된 일 실시예에 따른 배터리 진단 결과 시뮬레이션 방법을 구현하는 컴퓨팅 시스템의 하드웨어 구성을 나타내는 블록도이다.
도 9를 참조하면, 본 문서에 개시된 일 실시예에 따른 컴퓨팅 시스템(2000)은 MCU(2100), 메모리(2200), 입출력 I/F(2300) 및 통신 I/F(2400)를 포함할 수 있다.
MCU(2100)는 메모리(2200)에 저장되어 있는 각종 프로그램(예를 들면, 배터리 진단 프로그램)을 실행시키고, 이러한 프로그램들을 각종 데이터를 처리하며, 전술한 도 2에 나타낸 배터리 진단 결과 시뮬레이션 장치(200)의 기능들을 수행하도록 하는 프로세서일 수 있다.
메모리(2200)는 배터리 진단 결과 시뮬레이션 장치(200)의 작동에 관한 각종 프로그램을 저장할 수 있다. 또한, 메모리(2200)는 배터리 진단 결과 시뮬레이션 장치(200)의 작동 데이터를 저장할 수 있다.
이러한 메모리(2200)는 필요에 따라서 복수 개 마련될 수도 있을 것이다. 메모리(2200)는 휘발성 메모리일 수도 있으며 비휘발성 메모리일 수 있다. 휘발성 메모리로서의 메모리(2200)는 RAM, DRAM, SRAM 등이 사용될 수 있다. 비휘발성 메모리로서의 메모리(2200)는 ROM, PROM, EAROM, EPROM, EEPROM, 플래시 메모리 등이 사용될 수 있다. 상기 열거한 메모리(2200)들의 예를 단지 예시일 뿐이며 이들 예로 한정되는 것은 아니다.
입출력 I/F(2300)는, 키보드, 마우스, 터치 패널 등의 입력 장치(미도시)와 디스플레이(미도시) 등의 출력 장치와 MCU(2100) 사이를 연결하여 데이터를 송수신할 수 있도록 하는 인터페이스를 제공할 수 있다.
통신 I/F(2400)는 서버와 각종 데이터를 송수신할 수 있는 구성으로서, 유선 또는 무선 통신을 지원할 수 있는 각종 장치일 수 있다. 예를 들면, 통신 I/F(2400)를 통해 별도로 마련된 외부 서버로부터 저항 측정 및 이상 진단을 위한 프로그램이나 각종 데이터 등을 송수신할 수 있다.
이상의 설명은 본 개시의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 개시에 개시된 실시예들은 본 개시의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 개시의 기술 사상의 범위가 한정되는 것은 아니다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 배터리 팩
110: 배터리 모듈
111: 제1 배터리 모듈
112: 제2 배터리 모듈
113: 제3 배터리 모듈
114: 제4 배터리 모듈
120: 배터리 관리 장치
130: 릴레이
200: 배터리 진단 결과 시뮬레이션 장치
210: 배터리 생성부
220: 시뮬레이션부
230: 컨트롤러
2000: 컴퓨팅 시스템
2100: MCU
2200: 메모리
2300: 입출력 I/F
2400: 통신 I/F
110: 배터리 모듈
111: 제1 배터리 모듈
112: 제2 배터리 모듈
113: 제3 배터리 모듈
114: 제4 배터리 모듈
120: 배터리 관리 장치
130: 릴레이
200: 배터리 진단 결과 시뮬레이션 장치
210: 배터리 생성부
220: 시뮬레이션부
230: 컨트롤러
2000: 컴퓨팅 시스템
2100: MCU
2200: 메모리
2300: 입출력 I/F
2400: 통신 I/F
Claims (14)
- 가상의 복수의 배터리 셀을 생성하는 단계;
상기 가상의 복수의 배터리 셀 각각의 적어도 하나의 충전량을 설정하여 상기 가상의 복수의 배터리 셀 각각을 충전 시뮬레이션하는 단계;
상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태 및 수명의 변화를 분석하여 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단하는 단계; 및
상기 적어도 하나의 충전량에 따른 상기 진단의 정확도를 판단하는 단계를 포함하는 배터리 진단 결과 시뮬레이션 방법. - 제1 항에 있어서,
상기 가상의 복수의 배터리 셀 각각의 적어도 하나의 충전량을 설정하여 상기 가상의 복수의 배터리 셀 각각을 충전 시뮬레이션하는 단계는 제1 임계 범위 이내에서 정규 분포 형태의 복수의 충전 전압의 편차를 생성하고, 제2 임계 범위 이내에서 정규 분포 형태의 복수의 충전 전류의 편차를 생성하고,
상기 적어도 하나의 충전량에 상기 복수의 충전 전압의 편차 및 상기 복수의 충전 전류의 편차를 반영하여 상기 가상의 복수의 배터리 셀 각각의 적어도 하나의 충전량을 설정하는 것을 특징으로 하는 배터리 진단 결과 시뮬레이션 방법. - 제1 항에 있어서,
상기 가상의 복수의 배터리 셀을 생성하는 단계는
몬테카를로 방법에 기초하여 상기 가상의 복수의 배터리 셀 각각의 충전 상태를 설정하고,
상기 몬테카를로 방법에 기초하여 정규 분포(Normal distribution) 형태의 상기 가상의 복수의 배터리 셀 각각의 수명을 설정하는 것을 특징으로 하는 배터리 진단 결과 시뮬레이션 방법. - 제3 항에 있어서,
상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태 및 수명의 변화를 분석하여 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단하는 단계는 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태를 산출하고,
상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태를 기초로 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 수명을 산출하고,
상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 수명의 표준 편차를 산출하는 것을 특징으로 하는 배터리 진단 결과 시뮬레이션 방법. - 제4 항에 있어서,
상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태 및 수명의 변화를 분석하여 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단하는 단계는
상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀의 수명의 평균값과 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀의 수명의 최소값의 차이의 최대값인 제1 값을 산출하고,
상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀의 수명의 표준 편차의 최대값인 제2 값을 산출하고,
상기 적어도 하나의 충전량에 따른 상기 제1 값과 상기 제2 값을 비교하여 상기 가상의 복수의 배터리 셀 각각을 정상, 알람 또는 이상으로 구분하여 진단하는 것을 특징으로 하는 배터리 진단 결과 시뮬레이션 방법. - 제5 항에 있어서
상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태 및 수명의 변화를 분석하여 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단하는 단계는
상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀의 상기 제1 값이 상기 제2 값과 제1 임계값을 곱하여 얻어지는 제1 기준값 미만인 경우, 상기 배터리 셀을 정상으로 구분하고,
상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀의 상기 제1 값이 상기 제1기준값 이상이고, 상기 제2 값과 제2 임계값을 곱하여 얻어지는 제2 기준값 미만인 경우, 상기 배터리 셀을 알람으로 구분하고,
상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀의 상기 제1 값이 상기 제2 기준값 이상인 경우, 상기 배터리 셀을 이상으로 구분하여 제1 결과를 생성하는 것을 특징으로 하는 배터리 진단 결과 시뮬레이션 방법. - 제6 항에 있어서
상기 적어도 하나의 충전량에 따른 상기 진단의 정확도를 판단하는 단계는 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 상기 제1 값을 기초로 상기 가상의 복수의 배터리 셀 각각을 정상, 알람 또는 이상으로 구분하여 제2 결과를 생성하고,
상기 적어도 하나의 충전량에 따른 상기 제2 결과 대비 상기 적어도 하나의 충전량에 따른 상기 제1 결과의 정확도를 판단하고,
상기 적어도 하나의 충전량 중 상기 정확도가 가장 높은 충전량을 판단하는 것을 특징으로 하는 배터리 진단 결과 시뮬레이션 방법. - 가상의 복수의 배터리 셀을 생성하는 배터리 생성부;
상기 가상의 복수의 배터리 셀 각각의 적어도 하나의 충전량을 설정하여 상기 가상의 복수의 배터리 셀 각각을 충전 시뮬레이션하는 시뮬레이션부; 및
상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태 및 수명의 변화를 분석하여 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀을 진단하고, 상기 적어도 하나의 충전량에 따른 상기 진단의 정확도를 판단하는 컨트롤러를 포함하는 배터리 진단 결과 시뮬레이션 장치. - 제8 항에 있어서,
상기 시뮬레이션부는 제1 임계 범위 이내에서 정규 분포 형태의 복수의 충전 전압의 편차를 생성하고, 제2 임계 범위 이내에서 정규 분포 형태의 복수의 충전 전류의 편차를 생성하고,
상기 적어도 하나의 충전량에 상기 복수의 충전 전압의 편차 및 상기 복수의 충전 전류의 편차를 반영하여 상기 가상의 복수의 배터리 셀 각각의 적어도 하나의 충전량을 설정하는 것을 특징으로 하는 배터리 진단 결과 시뮬레이션 장치. - 제8 항에 있어서,
상기 배터리 생성부는 몬테카를로 방법에 기초하여 상기 가상의 복수의 배터리 셀 각각의 충전 상태를 설정하고,
상기 몬테카를로 방법에 기초하여 정규 분포(Normal distribution) 형태의 상기 가상의 복수의 배터리 셀 각각의 수명을 설정하는 것을 특징으로 하는 배터리 진단 결과 시뮬레이션 장치. - 제10 항에 있어서,
상기 컨트롤러는 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태를 산출하고,
상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 충전 상태를 기초로 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 수명을 산출하고,
상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 수명의 표준 편차를 산출하는 것을 특징으로 하는 배터리 진단 결과 시뮬레이션 장치. - 제11 항에 있어서
상기 컨트롤러는 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀의 수명의 평균값과 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀의 수명의 최소값의 차이의 최대값인 제1 값을 산출하고,
상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀의 수명의 표준 편차의 최대값인 제2 값을 산출하고,
상기 적어도 하나의 충전량에 따른 상기 제1 값과 상기 제2 값을 비교하여 상기 가상의 복수의 배터리 셀 각각을 정상, 알람 또는 이상으로 구분하여 진단하는 것을 특징으로 하는 배터리 진단 결과 시뮬레이션 장치. - 제12 항에 있어서
상기 컨트롤러는 상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀의 상기 제1 값이 상기 제2 값과 제1 임계값을 곱하여 얻어지는 제1 기준값 미만인 경우, 상기 배터리 셀을 정상으로 구분하고,
상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀의 상기 제1 값이 상기 제1기준값 이상이고, 상기 제2 값과 제2 임계값을 곱하여 얻어지는 제2 기준값 미만인 경우, 상기 배터리 셀을 알람으로 구분하고,
상기 가상의 복수의 배터리 셀 중 적어도 하나의 배터리 셀의 상기 제1 값이 상기 제2 기준값 이상인 경우, 상기 배터리 셀을 이상으로 구분하여 제1 결과를 생성하는 것을 특징으로 하는 배터리 진단 결과 시뮬레이션 장치. - 제13 항에 있어서
상기 컨트롤러는 상기 적어도 하나의 충전량에 따른 상기 가상의 복수의 배터리 셀 각각의 상기 제1 값을 기초로 상기 가상의 복수의 배터리 셀 각각을 정상, 알람 또는 이상으로 구분하여 제2 결과를 생성하고,
상기 적어도 하나의 충전량에 따른 상기 제2 결과 대비 상기 적어도 하나의 충전량에 따른 상기 제1 결과의 정확도를 판단하고,
상기 적어도 하나의 충전량 중 상기 정확도가 가장 높은 충전량을 판단하는 것을 특징으로 하는 배터리 진단 결과 시뮬레이션 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220166114A KR20240082102A (ko) | 2022-12-01 | 2022-12-01 | 배터리 진단 결과 시뮬레이션 방법 및 배터리 진단 결과 시뮬레이션 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220166114A KR20240082102A (ko) | 2022-12-01 | 2022-12-01 | 배터리 진단 결과 시뮬레이션 방법 및 배터리 진단 결과 시뮬레이션 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20240082102A true KR20240082102A (ko) | 2024-06-10 |
Family
ID=91482509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220166114A KR20240082102A (ko) | 2022-12-01 | 2022-12-01 | 배터리 진단 결과 시뮬레이션 방법 및 배터리 진단 결과 시뮬레이션 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20240082102A (ko) |
-
2022
- 2022-12-01 KR KR1020220166114A patent/KR20240082102A/ko unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dubarry et al. | Battery energy storage system modeling: Investigation of intrinsic cell-to-cell variations | |
CN113811781B (zh) | 电池诊断装置和方法 | |
KR20220036701A (ko) | 배터리 시스템 진단 장치 | |
US20230258725A1 (en) | Battery abnormality diagnosis apparatus and method | |
US11815558B2 (en) | Apparatus and method for diagnosing abnormal degradated battery cell | |
CN116368391A (zh) | 电池诊断装置及方法 | |
US20220166075A1 (en) | Method for Enhancing a Battery Module Model of a Battery Module Type | |
KR20240082102A (ko) | 배터리 진단 결과 시뮬레이션 방법 및 배터리 진단 결과 시뮬레이션 장치 | |
US20230184838A1 (en) | Device and method for diagnosing battery | |
KR20230108663A (ko) | 배터리 충전 심도 산출 장치 및 그것의 동작 방법 | |
US20230032837A1 (en) | Method for determining the value of a parameter related to the state of health of an electrochemical cell in a battery, system for electronic management of a battery, and corresponding battery | |
KR20220120372A (ko) | 배터리 관리 장치 및 그것의 동작 방법 | |
JP7521154B1 (ja) | 二次電池システムおよび二次電池の異常劣化予測方法 | |
KR20240037104A (ko) | 배터리 관리 장치 및 그것의 동작 방법 | |
Dunn et al. | A P-Value Approach for Real-Time Identifying the Capacity Regeneration Phenomenon of Lithium-ion Batteries | |
KR20230107066A (ko) | 배터리 용량 예측 장치 및 그것의 동작 방법 | |
KR20230120034A (ko) | 배터리 관리 장치 및 그것의 동작 방법 | |
KR20240000294A (ko) | 배터리 관리 장치 및 그것의 동작 방법 | |
US20240213553A1 (en) | Battery Management System and Operation Method Thereof | |
KR20240100157A (ko) | 배터리 데이터 관리 장치 및 그것의 동작 방법 | |
KR20240100195A (ko) | 배터리 관리 장치 및 그것의 동작 방법 | |
KR20240041208A (ko) | 배터리 관리 장치 및 그것의 동작 방법 | |
US20240241180A1 (en) | Battery management apparatus and battery testing system including the same | |
KR20230054190A (ko) | 배터리 관리 장치의 퇴화도를 관리하는 장치 및 그것의 동작 방법 | |
KR20230107067A (ko) | 배터리 데이터 관리 장치 및 그것의 동작 방법 |