WO2021194267A1 - 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법 - Google Patents

전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법 Download PDF

Info

Publication number
WO2021194267A1
WO2021194267A1 PCT/KR2021/003673 KR2021003673W WO2021194267A1 WO 2021194267 A1 WO2021194267 A1 WO 2021194267A1 KR 2021003673 W KR2021003673 W KR 2021003673W WO 2021194267 A1 WO2021194267 A1 WO 2021194267A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery
electric vehicle
information
battery performance
degradation
Prior art date
Application number
PCT/KR2021/003673
Other languages
English (en)
French (fr)
Inventor
김동명
김형식
안형준
Original Assignee
주식회사 엘지에너지솔루션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020210037625A external-priority patent/KR102627949B1/ko
Application filed by 주식회사 엘지에너지솔루션 filed Critical 주식회사 엘지에너지솔루션
Priority to EP21776702.9A priority Critical patent/EP4064174A4/en
Priority to US17/641,148 priority patent/US20220281345A1/en
Priority to CN202180005576.5A priority patent/CN114450706A/zh
Priority to JP2022513895A priority patent/JP7269437B2/ja
Publication of WO2021194267A1 publication Critical patent/WO2021194267A1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/30—Constructional details of charging stations
    • B60L53/305—Communication interfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/65—Monitoring or controlling charging stations involving identification of vehicles or their battery types
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/66—Data transfer between charging stations and vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/67—Controlling two or more charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/68—Off-site monitoring or control, e.g. remote control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to 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]
    • G01R31/382—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/14—Details associated with the interoperability, e.g. vehicle recognition, authentication, identification or billing

Definitions

  • the present invention relates to a battery performance management system and method, and more particularly, while charging of an electric vehicle in an electric vehicle charging station is in progress, a remote server collects battery performance evaluation information, stores it in a database, and uses big data to learn artificial intelligence.
  • a system and method capable of determining a state of health (SOH) of a battery using an intelligent model and updating a control factor used to control charge/discharge of a battery.
  • SOH state of health
  • batteries are rapidly spreading not only to mobile devices such as cell phones, laptop computers, smart phones, and smart pads, but also to electric vehicles (EV, HEV, PHEV) and large-capacity power storage (ESS). have.
  • EV electric vehicles
  • HEV PHEV
  • ESS large-capacity power storage
  • the rate of deterioration of the performance of the battery of an electric vehicle varies depending on the driver's driving habits or driving environment. For example, a battery of an electric vehicle operating in a mountainous area or a desert area or a cold area with frequent rapid acceleration or a battery of an electric vehicle operating in a cold area deteriorates relatively quickly.
  • the degree of degradation of battery performance can be quantified as a factor called SOH.
  • SOH is a numerical value indicating the performance of the battery in the MOL (Middle Of Life) state as a relative ratio based on the performance of the battery in the BOL (Beginning Of Life) state.
  • SOH can be quantified by the rate of decrease in capacity of the battery or the rate of increase in internal resistance.
  • the SOH of a battery in the BOL state is expressed as 100% and the SOH of a battery in the MOL state is expressed as a percentage less than 100%. If the SOH falls below a certain level, since the performance of the battery has deteriorated beyond the limit, the battery needs to be replaced.
  • the battery life can be extended by delaying the deterioration rate of the battery as much as possible only when the charging/discharging control logic is set differently according to the deterioration state of the battery.
  • a method for centrally monitoring performance changes for a plurality of batteries of the same model and efficiently updating various control logic used for charging and discharging of an electric vehicle battery is required.
  • the present invention was created under the background of the prior art as described above, and while the electric vehicle is being charged in the electric vehicle charging station, battery performance evaluation information is accumulated and collected from the charging station, and the performance of the battery (eg, deterioration degree) based on the collected big data ) and to provide a battery performance management system and method that can perform platform-based update of a control factor used for battery charge/discharge control according to the diagnosed performance.
  • a battery performance management system using an electric vehicle charging station for achieving the above technical problem includes: a battery performance management server connected so as to be able to communicate with a plurality of charging stations distributed and installed in an area through a network; and a database connected to the battery performance management server and storing deterioration degree information of an electric vehicle.
  • the battery performance management server network from the charging station, battery performance evaluation information including battery identification information and operation characteristic accumulation information, electric vehicle identification information and driving characteristic accumulation information, and latest charging characteristic information of the battery. collected through and stored in the database; receiving the battery performance evaluation information and determining the current degradation level corresponding to the collected battery performance evaluation information by using a pre-trained artificial intelligence model to output the battery degradation degree; determining the latest control factor corresponding to the current degree of degradation using correlation information between a control factor used to control battery operation and the degree of degradation when the current degree of degradation increases by more than a reference value compared to the previous degree of degradation with reference to the database; and transmit the latest control factor to the charging station via a network so that the charging station can update the control factor by sending the latest control factor to the control system of the electric vehicle.
  • battery performance evaluation information including battery identification information and operation characteristic accumulation information, electric vehicle identification information and driving characteristic accumulation information, and latest charging characteristic information of the battery. collected through and stored in the database; receiving the battery performance evaluation information and determining the current degradation level corresponding to the collected battery performance
  • the accumulated operating characteristic information of the battery may include at least one selected from the group consisting of a cumulative operating time for each voltage section, an accumulated operating time for each current section, and an accumulated operating time for each temperature section.
  • the cumulative driving characteristic information of the electric vehicle may include at least one selected from the group consisting of cumulative driving time for each speed section, cumulative driving time for each driving region, and cumulative driving time for each humidity section.
  • the latest charging characteristic information may include at least one selected from the group including data on the battery's state of charge, voltage, current, and temperature measured or predicted at a plurality of time points.
  • the battery performance management server Preferably, the battery performance management server,
  • the current charging characteristic information of the battery is determined from the latest charging characteristic information.
  • the degree of degradation is determined, and the accumulated information on the operating characteristics of the battery, the accumulated information about the driving characteristics of the electric vehicle, and the latest charging characteristic information are stored in the database as learning input data of the artificial intelligence model, and the current degree of degradation of the battery is stored in the database. and may be configured to be stored in the database as training output data of the artificial intelligence model.
  • the battery performance management server may repeatedly learn the artificial intelligence model whenever learning input data and learning output data equal to or greater than a reference value are accumulated and stored in the database.
  • the battery performance management server stores the learning input data and the learning output data in a database by matching the identification information of the battery and/or the identification information of the electric vehicle and/or the electric vehicle operation area, Whenever the learning input data and learning output data equal to or greater than a reference value are matched with the identification information of the battery and/or the identification information of the electric vehicle and/or the driving area of the electric vehicle and are accumulated and stored, the identification information of the battery and/or the identification of the electric vehicle
  • the artificial intelligence model may be repeatedly trained to correspond to the information and/or the electric vehicle operation region.
  • the battery performance management server analyzes the battery performance evaluation information and uses an artificial intelligence model learned to correspond to the identification information of the battery and/or the identification information of the electric vehicle and/or the driving area of the electric vehicle. to determine the degree of degradation of the battery.
  • the battery performance management server includes cycle-by-cycle performance evaluation information including the accumulated operating characteristic information and the latest charging characteristic information measured whenever each charge/discharge cycle for the battery is performed from the battery data providing server through the network. and cycle-by-cycle degradation can be received and stored in the database.
  • the battery performance management server uses the cycle-by-cycle performance evaluation information and the cycle-by-cycle degradation degree stored in the database to output the degradation degree from the accumulated information on the battery's operating characteristics and the latest charging characteristic information. may further include.
  • the battery performance management server when the learning of the artificial intelligence model is not completed, by inputting the battery operation characteristic accumulation information and the latest charging characteristic information included in the battery performance evaluation information to the auxiliary artificial intelligence model, and determine the degree of degradation of the battery.
  • the battery performance management server is configured to determine the degree of degradation of the battery by inputting the accumulated operating characteristic information and the latest charging characteristic information of the battery included in the battery performance evaluation information into the auxiliary artificial intelligence model, the artificial intelligence and a weighted average of the degree of degradation (first value) determined from the model and the degree of degradation (second value) determined from the auxiliary artificial intelligence model may be configured to determine the degree of degradation of the battery.
  • the battery performance management server may be configured to increase the weight given to the degree of degradation of the artificial intelligence model in calculating the weighted average as the learning amount of the artificial intelligence model increases.
  • the artificial intelligence model may be an artificial neural network.
  • the control factor is (i) the size of the charging current applied to each charging state section, the charging upper limit voltage value, the discharge lower limit voltage value, the maximum charging current, the maximum discharge current, the minimum charging current, the minimum discharge current, the maximum at least one selected from a temperature, a minimum temperature, a power map for each state of charge, and an internal resistance map for each state of charge; (ii) pulse current duty ratio (ratio of pulse dwell time to pulse duration) upper limit, pulse current duty ratio lower limit, pulse current duration upper limit, pulse current duration lower limit, pulse current maximum value, and pulse current minimum value at least one selected; or (iii) a current magnitude in a constant current charging (CC) mode, a cutoff voltage at which the constant current charging (CC) mode is terminated, and a voltage magnitude in a constant voltage charging (CV) mode.
  • CC constant current charging
  • CV constant voltage charging
  • the battery performance management server is configured to transmit the driving distance and current degradation of the electric vehicle and electric vehicle identification information to an insurance company server, and the insurance company server refers to the electric vehicle identification information and provides insurance premiums for the electric vehicle. may be configured to calculate with reference to the driving distance and current degradation of the electric vehicle.
  • the identification information and operational characteristic accumulation information of the battery from the charging station through a network while the electric vehicle is being charged at the charging station, the electric vehicle collecting and storing battery performance evaluation information including identification information and driving characteristic accumulation information of the battery, and battery performance evaluation information including the latest charging characteristic information of the battery; determining a current degradation level corresponding to the collected battery performance evaluation information using an artificial intelligence model trained in advance to receive battery performance evaluation information and output a battery degradation degree; determining a latest control factor corresponding to the current degree of degradation by using correlation information between a control factor used to control a battery operation and the degree of degradation when the current degree of degradation increases by more than a reference value compared to the previous degree of degradation; and transmitting the latest control factor to the charging station through a network so that the charging station can update the control factor by transmitting the latest control factor to the control system of the electric vehicle.
  • the above technical problem can also be achieved by a computer device.
  • the computer device includes: a non-transitory memory device storing a plurality of processor-executed instructions; and a processor configured to execute the plurality of processor-executed instructions.
  • the processor by executing the processor execution instructions, (a) from the charging station via the network, the battery identification information and operation characteristic accumulation information, the electric vehicle identification information and driving characteristic accumulation information, and the latest charging characteristic information of the battery Receive battery performance evaluation information including, (b) train an artificial intelligence model to output the degree of deterioration of the battery from the battery performance evaluation information, and (c) evaluate the collected battery performance using the learned artificial intelligence model
  • a control factor used to control battery operation when the current degradation degree corresponding to the information is determined; It may be configured to determine the latest control factor corresponding to the current degree of degradation by using correlation information between the degrees of degradation, and (f) transmit the latest control factor to the charging station through a network.
  • the performance of the battery is reliably evaluated according to the operation history of the electric vehicle and the operation history of the battery and used for charging and discharging control of the battery.
  • optimizing the control factor not only can the service life of the battery be extended, but also safety can be increased.
  • the battery performance evaluation information that reflects the driving propensity of electric vehicle users as a big data-based database, it can be used as accurate insurance premium calculation data for auto insurance companies.
  • FIG. 1 is a block diagram showing the configuration of a battery performance management system using an electric vehicle charging station according to an embodiment of the present invention.
  • 2 to 4 are graphs exemplarily showing frequency distribution data generated from accumulated information on operating characteristics of an electric vehicle battery according to an embodiment of the present invention.
  • 5 to 7 are graphs exemplarily showing frequency distribution data generated from accumulated information on driving characteristics of an electric vehicle according to an embodiment of the present invention.
  • FIG. 8 is a diagram exemplarily showing the structure of an artificial neural network according to an embodiment of the present invention.
  • FIG. 9 is a diagram exemplarily showing the structure of an auxiliary artificial neural network according to an embodiment of the present invention.
  • 10 to 11 are flowcharts of a battery performance management method using an electric vehicle charging station according to an embodiment of the present invention.
  • FIG. 1 is a block diagram showing the configuration of a battery performance management system using an electric vehicle charging station according to an embodiment of the present invention.
  • a battery performance management system 10 includes a plurality of charging stations EVC k and a battery performance management server 11 .
  • k is an index for indicating a plurality of objects indicated by reference numerals. If the charging station EVC k is installed in 10000 places, k is 1 to 10000.
  • the charging station (EVC k ) and the battery performance management server 11 may be connected to enable mutual communication through the network 12 .
  • the network 12 is not limited in its type as long as it supports communication between the charging station EVC k and the battery performance management server 11 .
  • Network 12 includes a wired network, a wireless network, or a combination thereof.
  • Wired networks include local area or wide area Internet that supports TCP/IP protocol.
  • the wireless network includes a wireless communication network based on a base station, a satellite communication network, a local area wireless communication network such as Wi-Fi, or a combination thereof.
  • Network 12 for example, 2G (second generation) to 5G (fifth generation) network, LTE (Long Term Evolution) network, GSM (Global System for Mobile communication) network, code division multiple access (Code Division Multiple Accesses) network, an Evolution-Data Optimization (EVDO) network, a Public Land Mobile network, and/or other networks.
  • LTE Long Term Evolution
  • GSM Global System for Mobile communication
  • code division multiple access Code Division Multiple Accesses
  • EVDO Evolution-Data Optimization
  • the network 12 may be, as another example, a local area network (LAN), a wireless local area network (WLAN), a wide area network, or a metropolitan network (MAN). , Public Switched Telephone Network (PSTN), ad hoc network, managed IP network, Virtual Private Network, Intranet, Internet, Fiber based network, and /or combinations thereof, or other types of networks.
  • LAN local area network
  • WLAN wireless local area network
  • MAN metropolitan network
  • PSTN Public Switched Telephone Network
  • IP network Virtual Private Network
  • Intranet Internet
  • Fiber based network Fiber based network
  • the charging station EVC k is a charging device installed domestically and/or abroad to charge the battery B n of the electric vehicle EV n .
  • n is an index for indicating that the number of objects indicated by reference numerals is plural. If the number of electric vehicles is 1 million, n is 1 to 1 million.
  • the charging station (EVC k ) may be installed in domestic and/or overseas parking lots, gas stations, public institutions, buildings, apartments, mansions, private houses, and the like.
  • the charging station EVC k may be coupled to the network 12 to enable communication with the battery performance management server 11 .
  • the electric vehicle EV n comprises a battery B n and a control system 15 .
  • Control system 15 controls charging and discharging operation of the battery (B n) as a computer device, measuring the voltage, current, and temperature of the battery (B n) during the charge and discharge of the battery (B n), storing means (15a) record in
  • the control system 15 may also perform a control operation of a mechanical mechanism and/or an electronic mechanism related to the operation of the electric vehicle EV n .
  • the storage means 15a is a non-transitory memory device and is a computer storage medium capable of writing and/or erasing and/or modifying and/or transferring data.
  • the storage means 15a may be, for example, a flash memory, a hard disk, a solid state disk (SSD), or other type of data storage hardware.
  • Electric vehicle control system 15 in the (EV n) can be written to the battery storage means (15a) to collect the operating characteristics of the information (B n) while the battery (B n), and charged or discharged.
  • the operating characteristic information may include one or more selected from voltage, current, and temperature of the battery B n .
  • Control system 15 can be written to the storage means with the state of charge (SOC) and / or time stamp of the battery (B n), the operating characteristic information about the battery (B n), (15a).
  • the control system 15 may estimate the state of charge of the battery B n using an ampere counting method, an OCV method, an extended Kalman filter, or the like known in the art.
  • Control system 15 may be electrically coupled to the battery (B n), a voltage sensor, a current sensor and a temperature sensor provided in order to collect the operating characteristics of the battery (B n).
  • the control system 15 may record the driving characteristic information of the electric vehicle EV n in the storage means 15a.
  • Station characteristics include at least one selected from the group consisting of a local station and the humidity of the electric vehicle (EV n) speed, electric vehicles (EV n) of the.
  • the control system 15 may record the driving characteristic information of the electric vehicle EV n together with a time stamp in the storage means 15a.
  • the control system 15 may be electrically coupled with a speed sensor, a GPS sensor, and a humidity sensor for collection and storage of driving characteristic information.
  • the filling station (EVC k) is charging the battery (B n) of the electric vehicle (EV n) through the filling port of the electric vehicle (EV n), by collecting the battery performance evaluation information during the charging of the battery (B n) proceeds It is transmitted to the battery performance management server (11).
  • the charging station EVC k may receive various control factors used in charge/discharge control of the battery B n from the battery performance management server 11 and transmit it to the control system 15 of the electric vehicle EV n . .
  • the control system 15 of the electric vehicle EV n may update the control factor used for charge/discharge control of the battery B n . This will be described later.
  • the battery performance management system 10 may include a large-capacity database 16 connected to the battery performance management server 11 .
  • Battery performance evaluation information including cumulative information, cumulative operating characteristic information of the battery B n , and latest charging characteristic information may be collected and stored in the performance evaluation information storage unit 16a of the database 16 .
  • the accumulated operating characteristic information of the battery B n may include at least one selected from the group consisting of a cumulative operating time for each voltage section, an accumulated operating time for each current section, and an accumulated operating time for each temperature section.
  • the accumulated driving characteristic information of the electric vehicle EV n may include at least one selected from the group consisting of a cumulative driving time for each speed section, a cumulative driving time for each operating region, and an accumulated driving time for each humidity section.
  • the latest charging characteristic information is the operation characteristic information of the battery B n measured or predicted while the battery B n is being charged, and the state of charge, voltage, current and temperature of the battery measured or predicted at a plurality of time points. It may include at least one or more selected from the group comprising.
  • the charging station EVC k may communicate with the control system 15 of the electric vehicle EV n to exchange information and/or data while the electric vehicle EV n is being charged.
  • the communication is via a data communication line included in the charging cable.
  • the communication takes place via wireless communication between the charging station EVC k and the electric vehicle EV n .
  • the charging station EVC k and the electric vehicle EV n may include a short-range wireless communication device.
  • the charging station EVC k may transmit information and/or data collected from the electric vehicle EV n to the battery performance management server 11 according to a predefined communication protocol through the network 12 .
  • the performance evaluation information storage unit 16a of the database 16 receives the battery performance evaluation information including the accumulated operating characteristics of the battery B n , the accumulated operating characteristics of the electric vehicle EV n , and the latest charging characteristics information. can be stored in
  • the identification information of the electric vehicle (EV n) may be a car model code
  • the identification information of the battery (B n) may be a model code of the battery (B n).
  • the filling station (EVC k) is operating characteristics accumulated information of the identification information and the battery (B n) identification information, and a battery (B n) operating characteristic accumulated information, electric vehicles (EV n) of the electric vehicle (EV n)
  • battery performance evaluation information including the latest charging characteristic information may be received from the control system 15 of the electric vehicle EV n while charging of the electric vehicle EV n is in progress, and the received information and/or data may be transmitted to the network It can be transmitted to the battery performance management server 11 through (12).
  • the battery performance management server 11 generates frequency distribution data for each operation characteristic by analyzing the cumulative operation characteristic information of the electric vehicle EV n transmitted from the charging station EVC k , and then the electric vehicle EVn. It can be recorded in the learning data storage unit 16b of the database 16 by matching the identification information of the battery (B n ) and/or the identification information of the battery (B n ).
  • a variable in the frequency distribution data for the cumulative operation characteristic information, a variable may be a voltage, current, or temperature, and a frequency may be an accumulated operation time of the battery B n in each variable.
  • FIG. 2 is a graph showing an example of frequency distribution data for the voltage of the accumulation of the operating characteristics of the battery (B n) information
  • Figure 3 is one of the frequency distribution data for the current of the operating characteristics accumulated information of the battery (B n) It is a graph showing an example
  • FIG. 4 is a graph showing an example of frequency distribution data with respect to temperature among operation characteristic accumulation information of the battery B n .
  • the frequency distribution data are the cumulative operating time of the battery B n for each voltage section, the cumulative operating time of the battery B n for each current section, and the temperature section while the electric vehicle EV n is running. It is possible to provide information on the accumulated operation time of the star battery B n .
  • the frequency distribution data represents the driving history of the electric vehicle (EV n ), and the battery performance management server 11 may be used to learn the artificial intelligence model. This will be described later.
  • the battery performance management server 11 generates frequency distribution data for each driving characteristic by analyzing the accumulated driving characteristic information of the electric vehicle EV n transmitted from the charging station EVC k , and then the electric vehicle EV n ) may be recorded in the learning data storage unit 16b of the database 16 by matching the identification information and/or the identification information of the battery B n .
  • variance (variable) is the humidity in the area to be operated by operating area or electric vehicle (EV n) of the speed, electric vehicles (EV n) of the electric vehicle (EV n), the frequency (frequency) is It may be the cumulative operating time of the electric vehicle EV n in each variable.
  • FIG. 5 is a driving region of the electric vehicle (EV n) operating characteristic operating characteristic accumulated electric vehicle (EV n) of information in a graph showing an example of frequency distribution data for the one accumulated information rate
  • Figure 6 is electric vehicles (EV n) of a graph showing an example of frequency distribution data for the
  • FIG. 7 is a graph showing an example of frequency distribution data for the humidity in the area where the driving electric vehicles (EV n) of the station property accumulated information of the electric vehicle (EV n) .
  • the frequency distribution data are electric vehicles (EV n), information on the speed piecewise cumulative driving time of the electric vehicle (EV n) during operation, operation region cumulative driving time and humidity piecewise cumulative driving time can provide Regions may be national and/or foreign administrative divisions.
  • the region may be a city, but the present invention is not limited thereto.
  • the frequency distribution data may be used by the battery performance management server 11 to train the artificial intelligence model. This will be described later.
  • the battery performance management server 11 records the latest charging characteristic information of the electric vehicle EV n transmitted from the charging station EVC k in the performance evaluation information storage unit 16a of the database 16 .
  • the latest charging characteristic information is in the group comprising SOC, voltage, current and temperature measured or predicted at a plurality of time points while the battery B n of the electric vehicle EV n is being charged at the charging station EVC k .
  • at least one selected operation characteristic data is included.
  • the motion characteristic data measured at each measurement time may be represented by a four-dimensional vector (SOC k , I k , V k , T k ).
  • k is an index for the measurement time of the operation characteristic. If the number of times of measurement is n, k is a natural number from 1 to n, and the number of data included in the latest charging characteristic information is n.
  • the battery performance management server 11 determines the degradation degree of the battery B n using the operation characteristic data included in the latest charging characteristic information, and determines the degradation degree of the EV n as identification information of the electric vehicle EV n . And/or it may be recorded in the learning data storage unit 16b of the database 16 together with the identification information of the battery (B n ).
  • the battery performance management server 11 determines whether the latest charging characteristic information is collected in a preset deterioration estimation voltage section. To this end, the battery performance management server 11 may examine the distribution of voltage data V k included in the latest charging characteristic information. If the determination is YES, the battery performance management server 11 determines the amount of change in the charging capacity by accumulating the current data measured in the deterioration estimation voltage section, and determines the ratio of the change in the charge capacity to the change in the reference charge capacity as the deterioration. can
  • the reference charge capacity change amount is a charge capacity change amount indicated while the battery B n in the BOL state is being charged in the degradation estimation voltage section, and the reference charge capacity change amount is stored in the database 16 for each battery B n model. It may be pre-recorded in the portion 16c.
  • the battery performance management server 11 analyzes the latest charging characteristic information to determine whether the battery (B n ) is charged within a preset deterioration estimation voltage range, and a plurality of voltage data is measured under a variable charging current condition do. To this end, the battery performance management server 11 may examine the distribution of voltage data V k and current data I k included in the latest charging characteristic information.
  • the battery performance management server 11 performs a linear regression analysis on a plurality of current and voltage data measured within a preset deterioration estimation voltage section among the latest charging characteristic information to
  • to be applied to the filling station (EVC k) is a battery (B n) interchange the charging current and / or the amplitude of another charge pulse during the charging in the estimated voltage ranges is also degraded with the battery (B n) preset can Then, a plurality of voltage data may be measured under the variable charging current condition.
  • the reference internal resistance value is an internal resistance value of the battery B n in the BOL state, and the reference internal resistance value may be previously recorded in the parameter storage unit 16c of the database 16 for each battery model B n .
  • the battery performance management server 11 uses the artificial intelligence model to obtain the accumulated operating characteristic information of the battery B n transmitted from the charging station EVC k , the accumulated operating characteristic information of the electric vehicle EV n , and the latest charging characteristic information.
  • the degree of degradation of the battery B n may be determined from the included battery performance evaluation information.
  • the degree of degradation calculated from the latest charging characteristic information constitutes a part of big data used to learn the artificial intelligence model. Therefore, the determination of the degree of degradation for achieving the technical task of the present invention is substantially determined by the artificial intelligence model learned based on big data.
  • the reason is that there is a limitation that the degree of degradation calculated from the latest charging characteristic information can be determined only when a predetermined condition is satisfied, and the past usage history of the battery B n is not sufficiently considered, so learning based on big data This is because the degree of degeneracy determined by the advanced artificial intelligence model is more accurate and reliable.
  • the artificial intelligence model is a software algorithm coated in a programming language, and may be an artificial neural network.
  • the present invention is not limited thereto.
  • FIG. 8 is a diagram showing the structure of the artificial neural network 100 according to an embodiment of the present invention.
  • the artificial neural network 100 includes an input layer 101 , a plurality of hidden layers 102 , and an output layer 103 .
  • the input layer 101 , the plurality of hidden layers 102 , and the output layer 103 include a plurality of nodes.
  • the charging station (EVC) as the input layer 101 can enter the data that is contained in k) of the battery (B n) the operating characteristics of the frequency distribution data generated from the accumulated information, electric vehicles (EV n) operating characteristic accumulated information of the frequency distribution data, and the latest charging characteristic information generated from the collected from can
  • the accumulated operation characteristic information input (assigned) to the nodes of the input layer 101 includes a first accumulated time value for each voltage section and/or a second accumulated time value for each current section and/or a third accumulated time value for each temperature section.
  • the first to third accumulated time values are preferably normalized as a ratio based on the total usable time corresponding to the guaranteed life of the battery Bn. In one example, if the accumulated time value in a specific voltage section is 1000 hours and the total available time is 20000 hours, the normalized accumulated time value is 1/20 (0.05).
  • the number of first accumulated time values may correspond to the number of voltage sections
  • the number of second accumulated time values may correspond to the number of current sections
  • the number of third accumulated time values may correspond to the number of temperature sections. For example, if the number of voltage sections is 5, the number of current sections is 9, and the number of temperature sections is 10, the number of first to third accumulated time values is 5, 9, and 10, respectively.
  • the input layer 101 may include a number of nodes corresponding to the number of first accumulated time values and/or the number of second accumulated time values and/or the number of third accumulated time values.
  • the accumulated driving characteristic information input (assigned) to the nodes of the input layer 101 includes a fourth accumulated time value for each speed section and/or a fifth accumulated time value for each operation region and/or a sixth accumulated time value for each humidity section. can do.
  • the fourth to sixth accumulated time values are preferably normalized as a ratio based on the total usable time corresponding to the guaranteed life of the battery B n . In one example, if the accumulated time value in a specific speed section is 2000 hours and the total available time is 20000 hours, the normalized accumulated time value is 1/10 (0.1).
  • the number of fourth accumulated time values corresponds to the number of speed sections
  • the number of fifth accumulated time values corresponds to the number of regions in which the electric vehicle EV n is operated
  • the number of sixth accumulated time values corresponds to the number of humidity sections.
  • the input layer 101 may include a number of nodes corresponding to the number of the fourth accumulated time values and/or the number of the fifth accumulated time values and/or the number of the sixth accumulated time values.
  • the latest charge specific information input (assigned) to the nodes of the input layer 101 may include voltage data and temperature data. Since both the voltage and temperature of the battery B n are measured for each SOC, 100 nodes may be allocated for input of voltage data, and another 100 nodes may be allocated for input of temperature data.
  • 100 is the number of nodes corresponding to the SOC from 1% to 100%, assuming that the SOC varies by 1% from 0% to 100%. If the voltage and temperature of the battery B n are measured in the SOC section of 31% to 50%, voltage data is input to 20 nodes corresponding to 31% to 50%, and corresponding to 31% to 50% Temperature data can be input to another 20 nodes. In addition, voltage data and temperature data are not input to nodes corresponding to the SOC in the 1% to 30% range and the SOC in the 51% to 100% range, and 0 may be assigned.
  • voltage data and temperature data measured in the SOC including a value after a decimal point may be converted into voltage data and temperature data of a nearby SOC without a decimal point through interpolation or extrapolation.
  • the temperature data may be excluded from the input data in order to reduce the amount of learning computation of the artificial neural network.
  • the input layer 101 may not include nodes to which temperature data is input.
  • the output layer 103 may include a node to which deterioration degree information of the battery B n is output. As shown in FIG. 8 , when the artificial neural network 100 is designed based on a stochastic model, the output layer 103 includes a plurality of nodes for outputting a probability distribution of the battery B n degradation. can do.
  • the output layer 103 may include a total of 30 nodes.
  • the degradation degree corresponding to the node outputting the highest probability value among the 30 nodes may be determined as the degradation degree of the battery B n .
  • the degradation degree of the battery B n may be determined to be 80%. It is apparent to those skilled in the art that the number of nodes may be further increased to improve the accuracy of the degree of degradation.
  • the output layer 103 may include at least one node for directly outputting the degradation degree of the battery B n . .
  • the number of hidden layers 102 interposed between the input layer 101 and the output layer 103 and the number of nodes included in each hidden layer 102 depend on the amount of learning computation of the artificial neural network 100 and the accuracy of the artificial neural network 100 and It can be appropriately selected in consideration of reliability.
  • a sigmoid function may be used as the activation function.
  • various activations known in the art such as a Sigmoid Linear Unit (SiLU) function, a Rectified Linear Unit (ReLu) function, a softplus function, an Exponential Linear Unit (ELU) function, a Square Linear Unit (SQLU) function, etc. functions can be used.
  • SiLU Sigmoid Linear Unit
  • ReLu Rectified Linear Unit
  • ELU Exponential Linear Unit
  • SQL Square Linear Unit
  • initial values of a connection weight and a bias between nodes may be randomly set.
  • the connection weight and bias can be optimized in the learning process of the artificial neural network.
  • the neural network may be trained by a backpropagation algorithm.
  • the connection weight and bias can be optimized by the optimizer while the neural network is being trained.
  • a stochastic gradient descent (SGD) algorithm may be used as the optimizer.
  • SGD stochastic gradient descent
  • NAG Nesterov Accelerated Gradient
  • Momentum algorithm Momentum algorithm
  • Nadam algorithm Nadam algorithm
  • Adagrad algorithm Adagrad algorithm
  • RMSProp algorithm Adadelta algorithm
  • Adam algorithm etc.
  • the battery performance management server 11 may periodically and repeatedly learn the artificial neural network 100 using the learning data stored in the learning data storage unit 16 of the database 16 .
  • the battery performance management server 11 collects learning data while a number of electric vehicles (EV n ) are being charged in a plurality of charging stations (EVC k ) using the above-described method, and stores the learning data in the database ( 16 ). It is accumulated and recorded in the portion 16b.
  • the training data consists of training input data and training output data.
  • the learning input data may include frequency distribution data generated from accumulated driving characteristic information of the electric vehicle (EV n ), frequency distribution data generated from accumulated operating characteristic information of the battery (B n ), and data included in the latest charging characteristic information. have.
  • the learning output data includes the degree of degradation of the battery B n . Learning data can be obtained while the electric vehicle EV n is being charged at the charging station EVC k .
  • the learning data may be matched with the identification information of the electric vehicle EV n and/or the identification information of the battery B n and recorded in the learning information storage unit 16b of the database 16 . Accordingly, numerous training data collected from the electric vehicle EV n of the same model in which the battery B n of the same model is mounted may be recorded in the training data storage 16b. In addition, since the learning data is continuously collected at the charging station EVC k , the amount can be increased more and more.
  • the battery performance management server 11 reduces the computational load of learning the artificial neural network 100 through distributed processing of data and improves the reliability of the output predicted by the artificial neural network 100.
  • the model of the electric vehicle (EV n ) and/or the battery (B n ) may separately train the artificial neural network for each model.
  • the battery performance management server 11 when the battery performance management server 11 periodically trains the artificial neural network 100 , among the training data stored in the training data storage 16b , the electric vehicle (EV n ) model and/or the battery (B n ) model By extracting only the same training data, the artificial neural network 100 dedicated to the corresponding electric vehicle (EV n ) model and/or the battery (B n ) model may be independently trained.
  • the battery performance management server 11 is an electric vehicle (EV n ) model and / or battery (B n ) When the amount of newly collected learning data for the model increases above the reference value, the corresponding artificial neural network 100 By resuming learning, the accuracy of the artificial neural network 100 may be further improved.
  • the artificial neural network 100 can be learned separately.
  • the battery performance management server 11 may group cities according to a predetermined criterion, and train a number of artificial neural networks corresponding to a total of 100*10* (grouping numbers of regions).
  • the grouping of cities may be made on a country-by-country basis. In another example, the grouping may be performed in units of a predetermined number of neighboring cities within the same country.
  • the model of the electric vehicle (EV n ) and/or the battery (B n ) model among the training data stored in the training data storage unit 16b is An artificial neural network that extracts only training data that are identical and have the same variance (cities) of frequency distribution data for the driving region, and is dedicated to the driving region and/or electric vehicle (EV n ) model and/or battery (B n ) model (100) can be learned independently.
  • the battery performance management server 11 increases the amount of new learning data with the same model and/or battery (B n ) model of the operating area and/or electric vehicle (EV n ) above the reference value, the corresponding artificial neural network 100 It is possible to further improve the accuracy of the artificial neural network 100 by resuming learning of .
  • the artificial intelligence model is not limited to the artificial neural network. Accordingly, in addition to the artificial neural network, a Gaussian process model or the like may be used.
  • SVM Small Vector Machine
  • K -Nearest Neighbor Algorithm K -Nearest Neighbor Algorithm
  • Naive-Bayes Classifier etc.
  • K-Means Clustering can be used as an auxiliary means to obtain the degree of degradation information.
  • the battery performance management server 11 may include an auxiliary artificial neural network learned by using the cycle-by-cycle operation characteristic accumulation information and the cycle-by-cycle latest charging characteristic information provided from the battery manufacturer.
  • FIG. 9 is a diagram exemplarily showing the structure of the auxiliary artificial neural network 100' according to an embodiment of the present invention.
  • the auxiliary artificial neural network 100 ′ includes an input layer 101 ′, a plurality of hidden layers 102 ′ and an output layer 103 ′.
  • the auxiliary artificial neural network 100 ′ is the artificial neural network 100 shown in FIG. 8 , except that there are no nodes to which data corresponding to the accumulated driving characteristic information of the electric vehicle EV n is input in the input layer 101 ′. is substantially the same as
  • the auxiliary artificial neural network 100 ′ may be utilized to determine the degree of degradation of the battery B n when the artificial neural network 100 is not sufficiently learned.
  • the battery performance management server 11 may be connected to enable communication with the battery data providing server 17 through the network 12 to collect data used for learning of the auxiliary artificial neural network 100 ′.
  • the battery data providing server 17 may be installed in a battery manufacturer.
  • the battery data providing server 17 provides cycle-by-cycle operation characteristic accumulation information, the latest charging characteristic information for each cycle, and the cycle-by-cycle battery (B n ) obtained from the charge/discharge cycle experiment on the battery (B n ) mounted in the electric vehicle (EV n ).
  • the deterioration degree of the battery B n may be transmitted to the battery performance management server 11 through the network 12 together with the identification information of the battery B n .
  • the charging/discharging cycle experiment refers to an experiment in which charging and discharging are repeated a predetermined number of times under various charging/discharging conditions for the battery (B n ) using a device called a charging/discharging simulator.
  • the charge/discharge cycle experiment is an essential experiment performed by a battery manufacturer before the battery (B n ) is commercialized.
  • the charging and discharging conditions preferably simulate various operating conditions (mountain driving, rough road driving, city driving, highway driving, etc.) and climatic conditions (temperature, humidity, etc.) of the electric vehicle (EV n ).
  • the charging/discharging simulator is an automated experimental equipment in which a control computer, a charging/discharging device, and a temperature/humidity control chamber are combined.
  • the charging/discharging simulator generates operational characteristic accumulation information by accumulating the cumulative operating time for each voltage section and/or the cumulative operating time for each current section and/or the cumulative operating time for each temperature section whenever charging of each cycle is in progress, During the process, SOC and/or voltage and/or current and/or temperature may be measured or predicted to generate up-to-date charging characteristic information and recorded in storage means.
  • the charging/discharging simulator may determine the degree of degradation of the battery B n based on the charging completion time.
  • the degree of degradation can be calculated from the amount of change in the charging capacity determined by the ampere counting method in a predetermined charging voltage section or the internal resistance of the battery obtained through linear regression analysis of voltage and current data measured in the predetermined charging voltage section. has already been described above.
  • the battery data providing server 17 may include a database 18 for storing data obtained through a charge/discharge cycle experiment.
  • Battery data service server 17 by matching the identification information of the battery (B n) of each charge-discharge cycle cycle-by-cycle operating characteristics accumulated information, cycle-by-cycle latest charge characteristics and cycle degradation battery (B n) to FIG stars from about may be stored in the database 18 .
  • Data stored in the database 18 may be transmitted from the charge/discharge simulator through the network 12 .
  • the battery data providing server 17 periodically stores auxiliary learning data including cycle-by-cycle operation characteristic accumulation information, cycle-by-cycle latest charging characteristic information, and cycle-by-cycle degradation degree stored in the database 18 with the battery (B n ) identification information. It can be transmitted to the battery performance management server 11 through the network (12).
  • the number of auxiliary learning data corresponds to the number of times the charge/discharge cycle experiment is performed. For example, if a charge/discharge cycle experiment for a battery of a specific model is performed 200 times, the number of auxiliary training data is 200.
  • the battery performance management server 11 may match the auxiliary learning data transmitted from the battery data providing server 17 with the identification information of the battery B n and record it in the learning data storage unit 16b of the database 16 . .
  • information on the cumulative operating time for each voltage section and/or the cumulative operating time for each current section and/or the cumulative operating time for each temperature section included in the operating characteristic cumulative information is converted into frequency distribution data and converted into a database It may be stored in the learning data storage unit 16b of (16).
  • the battery performance management server 11 may train the auxiliary artificial neural network 100 ′ for each battery model by using the auxiliary learning data.
  • the structure of the auxiliary artificial neural network 100 ′ is similar to that of the artificial neural network 100 shown in FIG. 8 .
  • the difference is that the node to which the frequency distribution data generated from the accumulated driving characteristic information of the electric vehicle EV n is input is deactivated.
  • the learning method and other features of the auxiliary artificial neural network 100' are substantially the same as described above.
  • the battery performance management server 11 is an artificial neural network 100 ′ learned by auxiliary learning data transmitted from the battery data providing server 17 and artificial learning by data transmitted from a plurality of charging stations (EVC k ). After the electric vehicle (EV n ) is charged at the charging station (EVC k ) by using the neural network 100 complementary to each other, the degree of degradation of the battery (B n ) is determined, and according to the determined degree of degradation, the battery (B n ) A control factor used for charge/discharge control of the electric vehicle EV n may be provided to the control system 15 of the electric vehicle EV n .
  • the battery performance management server 11 performs charging of the electric vehicle EV n in the charging station EVC k through the network 12 while the charging of the electric vehicle EV n is in progress or after the charging is completed.
  • identification information and electric vehicles (EV n) identification information and the electric vehicle (EV n) operating characteristic accumulated information, operating characteristics accumulated information and the latest charging characteristics of the battery (B n) of the battery (B n) from (EVC k) battery performance evaluation information including
  • the battery performance management server 11 may record the battery performance evaluation information transmitted through the network 12 in the performance evaluation information storage unit 16a of the database 16 .
  • step S20 the battery performance management server 11 determines whether a condition for calculating the degradation degree is satisfied with reference to the voltage data (V k ) and/or the current data (I k ) included in the latest charging characteristic information.
  • the condition for calculating the degradation degree may be established when the voltage data V k is charged within the predetermined degradation estimation voltage range of the battery B n .
  • the deterioration calculation possible condition may be established when the battery B n is charged within a preset deterioration estimation voltage section and a plurality of voltage data V k are measured under a variable charging current condition.
  • step S30 is executed, and if the determination in step S20 is NO, step S60 is executed.
  • step S30 the battery performance management server 11 determines the degradation degree of the battery (B n ) by using the voltage data (V k ) and/or the current data (I k ) included in the latest charging characteristic information. The method of determining the degree of degradation has already been described above. After step S30, step S40 proceeds.
  • step S40 the battery performance management server 11 generates frequency distribution data for voltage and/or current and/or temperature from the accumulated operating characteristic information of the battery B n , and accumulates driving characteristics of the electric vehicle EV n . Generate frequency distribution data for speed and/or driving area and/or humidity from the information.
  • Step S50 proceeds after step S40.
  • step S50 the battery performance management server 11 determines the frequency distribution data generated from the accumulated operating characteristic information, the frequency distribution data generated from the accumulated driving characteristic information, the latest charging characteristic information, and the degradation of the battery B n determined in step S30.
  • the figure is matched with the identification information of the battery (B n ) and/or the identification information of the electric vehicle (EV n ) and recorded in the learning information storage unit 16b of the database 16 .
  • the frequency distribution data generated from the cumulative operating characteristic information, the frequency distribution data generated from the driving characteristic cumulative information, and the latest charging characteristic information correspond to the learning input data
  • the degradation degree of the battery B n corresponds to the learning output data. do.
  • the battery performance management server 11 refers to the identification information of the battery (B n ) and / or the identification information of the electric vehicle (EV n ), the model of the battery (B n ) and / or the electric vehicle (EV n ) It is determined whether the trained artificial neural network 100 corresponding to the model of is prepared.
  • the battery performance management server 11 is a neural network 100 trained using data above the reference value collected in the process in which electric vehicles of the EV001 model equipped with the battery of the BBB001 model are charged at the charging station (EVC k ). determine if it exists
  • the reference value may be, for example, hundreds to thousands.
  • the battery performance management server 11 refers to the frequency distribution data by operation region generated in step S40, and the model of the battery B n and/or the model of the electric vehicle EV n is the same and the operating area is the same. It may be determined whether the artificial neural network 100 learned by the data collected from the electric vehicle EV n exists.
  • the battery performance management server 11 is a neural network 100 trained using data above the reference value collected while the EV001 model electric vehicles equipped with the BBB001 model battery are charged at a charging station (EVC k ) in Korea. ) is ready.
  • the reference value may be, for example, hundreds to thousands.
  • step S70 proceeds.
  • step S70 the battery performance management server 11 accumulates the frequency distribution data generated from the accumulated driving characteristic information of the electric vehicle EV n and the operating characteristic of the battery B n to the input layer 101 of the neural network 100 .
  • the frequency distribution data generated from the information and voltage data (V k ) and temperature data (T k ) included in the latest charging characteristic information of the battery (B n ) are input. Since the neural network 100 is in a state of being trained by the learning data greater than or equal to the reference value, when data is input through the input layer 101 , it outputs the degradation degree of the battery B n through the output layer 103 . Then, the battery performance management server 11 may determine the current degradation of the battery B n through the artificial neural network 100 .
  • Step S80 of FIG. 11 proceeds after step S70.
  • the battery performance management server 11 is generated from the accumulated information of the operating characteristics of the battery B n to the input layer 101' of the auxiliary artificial neural network 100' in step S70'.
  • current degradation of the frequency distribution data see Figs. 2 to 5
  • the battery voltage in the latest charge characteristic data of (B n) data V k
  • the temperature data T k
  • a battery (B n) to the input to FIG. can be decided
  • the auxiliary artificial neural network 100' is an artificial neural network trained in advance using the charge/discharge cycle experimental data for the battery B n provided from the battery data providing server 17, and its learning method has already been described above.
  • step S80 in FIG. 11 proceeds.
  • step S80 the battery performance management server 11 stores the degree of degradation determined through the artificial neural network 100 or the auxiliary artificial neural network 100' in the degradation information storage unit 16d of the database 16 EV n ) It matches with the identification information of the battery (B n ) and/or the identification information of the battery (B n ) and stores it together with a time stamp.
  • Step S90 proceeds after step S80.
  • step S90 the battery performance management server 11 compares the previous degradation and the current degradation of the battery B n recorded in the degradation information storage unit 16d of the database 16 so that the current degradation is higher than the reference value. determine if it has increased.
  • the reference value is a predefined value, and is for determining whether to execute update logic for various control factors used in the charge/discharge control process of the battery B n .
  • the reference value may be 3-5%.
  • control factor is a charge current magnitude, a charge upper limit voltage value, a discharge lower limit voltage value, a maximum charge current, a maximum discharge current, a minimum charge current, a minimum discharge current, a maximum temperature, a minimum temperature, a charge applied for each charge state section. It may be at least one selected from a power map for each state and an internal resistance map for each state of charge.
  • control factor is used when the battery B n is pulsed and discharged, and includes the upper limit of the pulse current duty ratio (the ratio of the pulse dwell time to the pulse holding time), the lower limit of the pulse current duty ratio, and the pulse current duration.
  • the pulse current duty ratio the ratio of the pulse dwell time to the pulse holding time
  • the lower limit of the pulse current duty ratio the pulse current duration.
  • control factor is used when the battery B n is charged stepwise, and may include a size of a charging current applied to each charging state section.
  • control factor is used when the battery B n is charged in the CC/CV mode, the current magnitude in the constant current charging (CC) mode, the cutoff voltage at which the constant current charging (CC) mode ends, and It may include at least one selected from voltage levels in a constant voltage charging (CV) mode.
  • step S100 is executed.
  • step S100 the battery performance management server 11 reads the latest control factor corresponding to the current degradation degree of the battery B n with reference to the control factor storage unit 16e of the database 16 , and controls the current degradation level and the latest control factor.
  • the battery performance evaluation result including the factor is transmitted to the charging station EVC k through the network 12 .
  • the control factor storage unit 16e records a lookup table in which control factor information is defined for each degradation degree of the battery B n .
  • the lookup table is recorded by matching the identification information of the battery (B n ) and/or identification information of the electric vehicle (EV n ). Accordingly, the control factor is preferably read from the lookup table corresponding to the model of the battery B n and/or the model of the electric vehicle EV n .
  • Step S110 proceeds after step S100.
  • step S110 the charging station EVC k receives the battery performance evaluation result including the current degradation degree of the battery B n and the latest control factor corresponding thereto through the network 12 , and then the charging cable communication line or It is transmitted to the control system 15 of the electric vehicle (EV n ) through short-range wireless communication.
  • Step S120 proceeds after step S110.
  • step S120 the control system 15 of the electric vehicle EV n updates the previous control factor used to control charging and discharging of the battery B n with reference to the latest control factor included in the battery performance evaluation result. Accordingly, the control system 15 safely performs charging and discharging of the battery B n using the latest control factor that is optimally updated according to the degree of degradation of the battery B n after charging is completed at the charging station EVC k . be able to control
  • step S130 is executed.
  • step S130 the battery performance management server 11 evaluates the battery performance including the current degradation degree and a message indicating that the control factor does not need to be updated because the current degradation degree of the battery B n has not increased beyond the reference value. The result is transmitted via the network 12 to the charging station EVC k . Step S140 proceeds after step S130.
  • step S140 when the battery performance evaluation result is received, the charging station EVC k transmits the battery performance evaluation result to the control system 15 of the electric vehicle EV n through a charging cable or short-range wireless communication.
  • Step S150 proceeds after step S140.
  • step S150 the control system 15 of the electric vehicle EV n confirms a message that the update of the previous control factor is not required from the battery performance evaluation result, and the control factor used to control the charging and discharging of the battery B n . keep as it is
  • the battery performance management server 11 may auxiliaryly utilize the auxiliary artificial neural network 100 ′ when determining the degree of degradation of the battery B n even after learning of the artificial neural network 100 is completed.
  • the battery performance management server 11 determines the degree of degradation (first value) of the battery B n by using the artificial neural network 100 in step S70, and then proceeds to step S70' to further proceed with the auxiliary artificial neural network ( 100 ′) may be used to determine the degree of degradation (second value) of the battery Bn. Then, the weighted average value of the first value and the second value may be determined as the degradation degree of the battery B n . In this case, the weight given to the first value may be gradually increased than the weight given to the second value as the amount of learning data used to learn the artificial neural network 100 increases.
  • the weight given to the first value is the ratio of the data used for learning of the artificial neural network 100 to the total amount of data used for learning the artificial neural network 100 and the auxiliary neural network 100 ′.
  • the degree of degradation (the first value) of the battery B n converges to the degree of degradation determined from the artificial neural network 100 .
  • the degree of degradation of the battery B n converges to the degree of degradation (second value) determined from the auxiliary artificial neural network 100 .
  • the control system 15 is a charging station (EVC k) the battery (B n) contained in the battery performance evaluation results transmitted from the electric vehicle (EV n)
  • the integrated control display panel can be presented to the driver as a graphical user interface.
  • the graphical user interface may include numbers and/or graphical gauges indicating the degree of degradation.
  • the battery performance management system 10 may further include the battery performance management server 11 and the insurance company server 19 connected to be communicable through the network 12 .
  • the battery performance management server 11 may be configured to transmit the degradation degree of the electric vehicle EV n , the total driving distance, and the identification information of the electric vehicle EV n to the insurance company server 19 .
  • the electric vehicle charging station (EVC k) during the charging operation from the total distance between electric vehicles (EV n)
  • the filling station (EVC k) of (EV n) may be transmitted from the control system 15 of the electric vehicle (EVn).
  • Insurance company server 19 with reference to identification information of the electric vehicle (EV n) may be configured to output information with reference to FIG. Degeneration premiums for the electric vehicles (EV n).
  • the insurance company server 19 may increase the depreciation rate for the higher degradation degree of a battery (B n), electric vehicles (EV n) to calculate the price of the electric vehicle (EV n).
  • the insurance company server 19 assumes that the driver's driving habit is not good when the deterioration degree of the battery B n is greater than the average compared to the total driving distance of the electric vehicle EV n and increases the risk rate due to an automobile accident. This may increase your insurance premium.
  • the premium calculated by the insurance company server 19 may be stored in a database (not shown) of the insurance company server 19 and then referenced in the insurance renewal process of the electric vehicle EV n .
  • a battery performance management method using an electric vehicle charging station is a non-transitory memory device (non-transitory memory device: FIG. 1 ) provided in the battery performance management server 11 after being coded with a plurality of processor execution instructions. It can be stored in 11a) of The processor execution instructions may cause the processor ( 11b of FIG. 1 ) included in the battery performance management server 11 to execute at least some of the above-described steps.
  • the processor execution instructions may cause the processor ( 11b of FIG. 1 ) included in the battery performance management server 11 to execute at least some of the above-described steps.
  • hardware logic circuits may be provided in the battery performance management server 11 to perform at least some of the above-described steps in place of the processor-executed instructions.
  • the hardware logic circuits may be an Application-Specific Integrated Circuit (ASIC) or a Field-Programmable Gate Array.
  • ASIC Application-Specific Integrated Circuit
  • the steps of the embodiments may be executed not only by specific processor-executed instructions, specific hardware circuits
  • the performance of the battery is reliably evaluated according to the operation history of the electric vehicle and the operation history of the battery and used for charging and discharging control of the battery.
  • optimizing the control factor not only can the service life of the battery be extended, but also safety can be increased.
  • the battery performance evaluation information that reflects the driving propensity of electric vehicle users as a big data-based database, it can be used as accurate insurance premium calculation data for auto insurance companies.
  • components named ' ⁇ server' should be understood as functionally distinct elements rather than physically separated elements. Accordingly, each component may be selectively integrated with other components or each component may be divided into sub-components for efficient execution of control logic(s). However, it is apparent to those skilled in the art that even if the components are integrated or divided, if the same function can be recognized, the integrated or divided components should also be interpreted as being within the scope of the present invention.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Secondary Cells (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

본 발명은 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법을 개시한다. 배터리 성능관리 서버는, 복수의 충전 스테이션으로부터 배터리의 식별정보 및 동작 특성 누적 정보, 전기차의 식별정보 및 운행 특성 누적 정보, 및 배터리의 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 네트워크를 통해 수집한다. 서버는 또한 배터리 성능 평가 정보를 입력 받아 배터리의 퇴화도를 출력하도록 미리 학습된 인공 지능 모델을 이용하여 상기 수집된 배터리 성능 평가 정보에 대응되는 현재 퇴화도를 결정한다. 또한, 서버는 현재 퇴화도에 대응되는 최신 제어 팩터를 결정하고, 상기 충전 스테이션이 전기차의 제어 시스템으로 상기 최신 제어 팩터를 전달하여 제어 팩터를 갱신할 수 있도록 상기 최신 제어 팩터를 네트워크를 통해 충전 스테이션으로 전송한다.

Description

전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
본 발명은 배터리 성능관리 시스템 및 방법에 관한 것으로서, 보다 상세하게는 전기차 충전 스테이션에서 전기차의 충전이 진행되는 동안 원격 서버가 배터리 성능 평가 정보를 수집하여 데이터베이스에 저장하고 빅데이터를 이용하여 학습된 인공 지능 모델을 이용하여 배터리의 퇴화도(State Of Health: SOH)를 결정하고 배터리의 충방전 제어에 사용되는 제어 팩터를 갱신할 수 있는 시스템 및 그 방법에 관한 것이다.
본 출원은 2020년 03월 24일자로 출원된 한국 특허출원 번호 제10-2020-0035892호, 2021년 03월 23일자로 출원된 한국 특허출원 번호 제10-2021-0037625호에 대한 우선권주장출원으로서, 해당 출원의 명세서 및 도면에 개시된 모든 내용은 인용에 의해 본 출원에 원용된다.
배터리는 휴대폰, 랩탑 컴퓨터, 스마트 폰, 스마트 패드 등의 모바일 디바이스뿐만 아니라 전기로 구동되는 자동차(EV, HEV, PHEV)나 대용량 전력 저장 장치(ESS) 등의 분야로까지 그 용도가 급속도로 확산되고 있다.
전기차의 배터리는 운전자의 운전 습관이나 운행 환경에 따라서 성능의 퇴화 속도가 달라진다. 일 예로, 급가속이 잦거나 산악 지역에서 운행하는 전기차 또는 사막지역이나 한랭지역에서 운행하는 전기차의 배터리는 퇴화속도가 상대적으로 빠르다.
배터리 성능의 퇴화도는 SOH라는 팩터로서 정량화될 수 있다. SOH는 BOL(Beginning Of Life) 상태에 있는 배터리의 성능을 기준으로 MOL 상태(Middle Of Life)에 있는 배터리의 성능을 상대적인 비율로서 나타낸 수치이다.
배터리의 성능을 나타내는 지표로는 배터리의 용량, 내부저항 등이 사용된다. 배터리의 충방전 사이클이 증가할수록 배터리의 용량은 감소하고 내부저항은 증가한다. 따라서, SOH는 배터리의 용량 감소율이나 내부저항의 증가율에 의해 정량화할 수 있다.
BOL 상태에 있는 배터리의 SOH는 100%로 나타내고 MOL 상태에 있는 배터리의 SOH는 100%보다 낮은 퍼센트로 나타낸다. 만약, SOH가 일정 수준 이하로 떨어지면 배터리의 성능이 한계 이상으로 저하된 것이므로 배터리의 교체가 필요하다.
배터리는 성능의 퇴화 상태에 따라서 충방전 제어 로직을 다르게 설정해야만 배터리의 퇴화 속도를 최대한 지연시켜 사용 수명을 연장할 수 있다. 이를 위해서는, 동일 모델의 다수의 배터리들에 대한 성능 변화를 중앙 집중식으로 모니터하고, 전기차 배터리의 충방전에 사용되는 각종 제어 로직에 대한 업데이트를 효율적으로 진행할 수 있는 방안이 요구된다.
본 발명은 위와 같은 종래 기술의 배경하에 창안된 것으로서, 전기차 충전 스테이션에서 전기차가 충전되는 동안 충전 스테이션으로부터 배터리 성능 평가 정보를 누적해서 수집하고 수집된 빅데이터에 기반하여 배터리의 성능(예컨대, 퇴화도)를 진단하고 진단된 성능에 따라 배터리의 충방전 제어에 사용되는 제어 팩터의 업데이트를 플랫폼 기반으로 수행할 수 있는 배터리 성능관리 시스템 및 방법을 제공하는데 그 목적이 있다.
상기 기술적 과제를 달성하기 위한 본 발명에 따른 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템은, 지역에 분산 설치된 복수의 충전 스테이션과 네트워크를 통해 통신 가능하도록 연결된 배터리 성능관리 서버; 및 상기 배터리 성능관리 서버와 연결되고, 전기차의 퇴화도 정보가 저장되는 데이터베이스를 포함한다.
바람직하게, 상기 배터리 성능관리 서버는, 상기 충전 스테이션으로부터 배터리의 식별정보 및 동작 특성 누적 정보, 전기차의 식별정보 및 운행 특성 누적 정보, 및 배터리의 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 네트워크를 통해 수집하여 상기 데이터베이스에 저장하고; 배터리 성능 평가 정보를 입력 받아 배터리의 퇴화도를 출력하도록 미리 학습된 인공 지능 모델을 이용하여 상기 수집된 배터리 성능 평가 정보에 대응되는 현재 퇴화도를 결정하고; 상기 데이터베이스를 참조하여 현재 퇴화도가 직전 퇴화도 대비 기준치 이상 증가한 경우 배터리 동작의 제어에 사용되는 제어 팩터와 퇴화도 간의 상관 관계 정보를 이용하여 현재 퇴화도에 대응되는 최신 제어 팩터를 결정하고; 상기 충전 스테이션이 전기차의 제어 시스템으로 상기 최신 제어 팩터를 전달하여 제어 팩터를 갱신할 수 있도록 상기 최신 제어 팩터를 네트워크를 통해 충전 스테이션으로 전송하도록 구성될 수 있다.
일 측면에 따르면, 상기 배터리의 동작 특성 누적 정보는, 전압 구간별 누적 동작 시간, 전류 구간별 누적 동작 시간 및 온도 구간별 누적 동작 시간을 포함하는 군에서 선택된 적어도 하나 이상을 포함할 수 있다.
다른 측면에 따르면, 상기 전기차의 운행 특성 누적 정보는, 속도 구간별 누적 운행 시간, 운행 지역별 누적 운행 시간 및 습도 구간별 누적 운행 시간을 포함하는 군에서 선택된 적어도 하나 이상을 포함할 수 있다.
또 다른 측면에 따르면, 상기 최신 충전 특성 정보는 복수의 시점에서 측정 또는 예측된 배터리의 충전 상태, 전압, 전류 및 온도 데이터를 포함하는 군에서 선택된 적어도 하나 이상을 포함할 수 있다.
바람직하게, 상기 배터리 성능관리 서버는,
복수의 전기차 충전 스테이션으로부터 배터리 성능 평가 정보가 수신될 때마다, 상기 최신 충전 특성 정보가 배터리의 현재 퇴화도를 결정할 수 있을 정도의 데이터를 포함하고 있다고 판단되면, 상기 최신 충전 특성 정보로부터 배터리의 현재 퇴화도를 결정하고, 상기 배터리의 동작 특성 누적 정보, 상기 전기차의 운행 특성 누적 정보 및 상기 최신 충전 특성 정보를 상기 인공 지능 모델의 학습 입력 데이터로서 상기 데이터베이스에 저장하고, 상기 배터리의 현재 퇴화도를 상기 인공 지능 모델의 학습 출력 데이터로서 상기 데이터베이스에 저장하도록 구성될 수 있다.
바람직하게, 상기 배터리 성능관리 서버는, 상기 데이터베이스에 기준치 이상의 학습 입력 데이터와 학습 출력 데이터가 누적 저장될 때마다 상기 인공 지능 모델을 반복적으로 학습시킬 수 있다.
일 측면에 따르면, 상기 배터리 성능관리 서버는, 상기 배터리의 식별정보 및/또는 상기 전기차의 식별정보 및/또는 상기 전기차 운행 지역과 매칭시켜 상기 학습 입력 데이터 및 상기 학습 출력 데이터를 데이터베이스에 저장하고, 기준치 이상의 학습 입력 데이터 및 학습 출력 데이터가 상기 배터리의 식별정보 및/또는 상기 전기차의 식별정보 및/또는 상기 전기차 운행 지역과 매칭되어 누적 저장될 때마다 상기 배터리의 식별정보 및/또는 상기 전기차의 식별정보 및/또는 상기 전기차 운행 지역에 대응되도록 인공 지능 모델을 반복적으로 학습시킬 수 있다.
다른 측면에 따르면, 상기 배터리 성능관리 서버는, 상기 배터리 성능 평가 정보를 분석하여 상기 배터리의 식별정보 및/또는 상기 전기차의 식별정보 및/또는 상기 전기차 운행 지역에 대응되도록 학습된 인공 지능 모델을 이용하여 배터리의 퇴화도를 결정하도록 구성될 수 있다.
본 발명에 있어서, 상기 배터리 성능관리 서버는, 네트워크를 통해 배터리 데이터 제공 서버로부터 배터리에 대한 각 충방전 사이클이 진행될 때마다 측정된 동작 특성 누적 정보 및 최신 충전 특성 정보를 포함하는 사이클 별 성능 평가 정보와 사이클 별 퇴화도를 수신하여 데이터베이스에 저장할 수 있다.
이 경우, 상기 배터리 성능관리 서버는 상기 데이터베이스에 저장된 상기 사이클 별 성능 평가 정보와 사이클 별 퇴화도를 이용하여 배터리의 동작 특성 누적 정보 및 최신 충전 특성 정보로부터 퇴화도를 출력하도록 학습된 보조 인공 지능 모델을 더 포함할 수 있다.
바람직하게, 상기 배터리 성능관리 서버는, 상기 인공 지능 모델의 학습이 완료되지 않았을 때, 상기 배터리 성능 평가 정보에 포함된 배터리의 동작 특성 누적 정보와 최신 충전 특성 정보를 상기 보조 인공 지능 모델에 입력하여 배터리의 퇴화도를 결정하도록 구성될 수 있다.
또한, 상기 배터리 성능관리 서버는, 상기 배터리 성능 평가 정보에 포함된 배터리의 동작 특성 누적 정보와 최신 충전 특성 정보를 상기 보조 인공 지능 모델에 입력하여 배터리의 퇴화도를 결정하도록 구성되고, 상기 인공 지능 모델로부터 결정된 퇴화도(제1값)과 상기 보조 인공 지능 모델로부터 결정된 퇴화도(제2값)의 가중 평균을 배터리의 퇴화도로 결정하도록 구성될 수 있다.
바람직하게, 상기 배터리 성능관리 서버는, 상기 인공 지능 모델의 학습량이 증가할수록 상기 가중 평균을 산출함에 있어서 상기 인공 지능 모델의 퇴화도에 부여되는 가중치(weight)를 증가시키도록 구성될 수 있다.
일 실시예에서, 상기 인공 지능 모델은 인공 신경망(Artificial Neural Network)일 수 있다.
본 발명에 있어서, 상기 제어 팩터는, (i) 충전상태 구간 별로 적용되는 충전전류 크기, 충전 상한 전압값, 방전 하한 전압값, 최대 충전전류, 최대 방전전류, 최소 충전전류, 최소 방전전류, 최대 온도, 최소 온도, 충전상태별 파워 맵, 및 충전상태 별 내부저항 맵 중에서 선택된 적어도 하나 이상; (ii) 펄스 전류 듀티비(펄스 휴지시간 대비 펄스 유지시간의 비율) 상한, 펄스 전류 듀티비의 하한, 펄스 전류 듀레이션의 상한, 펄스 전류 듀레이션의 하한, 펄스 전류의 최대값 및 펄스 전류의 최소값 중에서 선택된 적어도 하나 이상; 또는 (iii) 정전류 충전 (CC) 모드에서의 전류 크기, 정전류 충전(CC) 모드가 종료되는 컷오프 전압 및 정전압 충전(CV) 모드에서의 전압 크기 중에서 선택된 적어도 하나 이상을 포함할 수 있다.
본 발명의 다른 실시예에서, 상기 배터리 성능관리 서버는 전기차의 운행거리 및 현재 퇴화도와 전기차 식별정보를 보험사 서버로 전송하도록 구성되고, 상기 보험사 서버는, 전기차 식별정보를 참조하여 해당 전기차에 대한 보험료를 전기차의 운행 거리 및 현재 퇴화도를 참조하여 산출하도록 구성될 수 있다.
상기 기술적 과제를 달성하기 위한 본 발명의 다른 측면에 따른 전기차 충전 스테이션을 이용한 배터리 성능관리 방법은, 전기차가 충전 스테이션에서 충전되는 동안 네트워크를 통해 충전 스테이션으로부터 배터리의 식별정보 및 동작 특성 누적 정보, 전기차의 식별정보 및 운행 특성 누적 정보, 및 배터리의 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 수집하여 데이터베이스에 저장하는 단계; 배터리 성능 평가 정보를 입력 받아 배터리의 퇴화도를 출력하도록 미리 학습된 인공 지능 모델을 이용하여 상기 수집된 배터리 성능 평가 정보에 대응되는 현재 퇴화도를 결정하는 단계; 현재 퇴화도가 직전 퇴화도 대비 기준치 이상 증가한 경우 배터리 동작의 제어에 사용되는 제어 팩터와 퇴화도 간의 상관 관계 정보를 이용하여 현재 퇴화도에 대응되는 최신 제어 팩터를 결정하는 단계; 및 상기 충전 스테이션이 전기차의 제어 시스템으로 상기 최신 제어 팩터를 전달하여 제어 팩터를 갱신할 수 있도록 상기 최신 제어 팩터를 네트워크를 통해 충전 스테이션으로 전송하는 단계;를 포함할 수 있다.
상기 기술적 과제는 컴퓨터 디바이스에 의해서도 달성될 수 있다. 컴퓨터 디바이스는, 복수의 프로세서 실행 명령들을 저장하고 있는 비일시적(non-transitory) 메모리 디바이스; 및 상기 복수의 프로세서 실행 명령들을 실행하도록 구성된 프로세서를 포함할 수 있다. 상기 프로세서는, 상기 프로세서 실행 명령들을 실행하는 것에 의해, (a) 네트워크를 통해 충전 스테이션으로부터 배터리의 식별정보 및 동작 특성 누적 정보, 전기차의 식별정보 및 운행 특성 누적 정보, 및 배터리의 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 수신하고, (b) 배터리 성능 평가 정보로부터 배터리의 퇴화도를 출력하도록 인공 지능 모델을 학습시키고, (c) 학습된 인공 지능 모델을 이용하여 상기 수집된 배터리 성능 평가 정보에 대응되는 현재 퇴화도를 결정하고, (d) 데이터베이스로부터 배터리의 직전 퇴화도를 독출하고, (e) 현재 퇴화도가 직전 퇴화도 대비 기준치 이상 증가한 경우 배터리 동작의 제어에 사용되는 제어 팩터와 퇴화도 간의 상관 관계 정보를 이용하여 현재 퇴화도에 대응되는 최신 제어 팩터를 결정하고, (f) 상기 최신 제어 팩터를 네트워크를 통해 충전 스테이션으로 전송하도록 구성될 수 있다.
본 발명에 따르면, 복수의 충전 스테이션과 연계된 빅데이터 기반의 인공 지능 플랫폼 시스템을 이용하여 전기차의 운행 이력과 배터리의 동작 이력에 따라 배터리의 성능을 신뢰성 있게 평가하고 배터리의 충방전 제어에 사용되는 제어 팩터를 최적화시킬 수 있으므로 배터리의 사용 수명을 연장할 수 있을 뿐만 아니라 안전성도 증대시킬 수 있다.
신뢰성이 높은 배터리의 성능 관리 서비스를 전기차 사용자에게 제공함으로써 적절한 시점에 배터리의 교체를 유도할 수 있을 뿐만 아니라 배터리 제조 회사의 신뢰성 또한 재고할 수 있다.
전기차 사용자의 운전 성향이 반영된 배터리 성능 평가 정보를 빅데이터 기반의 데이터베이스로 구축함으로써 자동차 보험사의 정확한 보험료 산정 자료로 활용할 수 있다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 한 실시예를 예시하는 것이며, 후술하는 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일 실시예에 따른 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템의 구성을 나타낸 블록 다이어그램이다.
도 2 내지 도 4는 본 발명의 일 실시예에 따른 전기차 배터리의 동작 특성 누적 정보로부터 생성된 도수 분포 데이터를 예시적으로 나타낸 그래프들이다.
도 5 내지 도 7은 본 발명의 일 실시예에 따른 전기차의 운행 특성 누적 정보로부터 생성된 도수 분포 데이터를 예시적으로 나타낸 그래프들이다.
도 8은 본 발명의 일 실시예에 따른 인공 신경망의 구조를 예시적으로 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따른 보조 인공 신경망의 구조를 예시적으로 나타낸 도면이다.
도 10 내지 도 11은 본 발명의 일 실시예에 따른 전기차 충전 스테이션을 이용한 배터리 성능관리 방법에 관한 순서도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 설명하기로 한다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 출원을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 발명시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명의 일 실시예에 따른 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템의 구성을 나타낸 블록 다이어그램이다.
도 1을 참조하면, 본 발명의 실시예에 따른 배터리 성능관리 시스템(10)은, 복수의 충전 스테이션(EVC k)들과 배터리 성능관리 서버(11)를 포함한다. k는 도면부호가 지시된 객체가 복수임을 나타내기 위한 인덱스로서, 충전 스테이션(EVC k)이 10000곳에 설치되어 있다면, k는 1 내지 10000이다.
바람직하게, 충전 스테이션(EVC k)과 배터리 성능관리 서버(11)는 네트워크(12)를 통해 상호 통신이 가능하도록 연결될 수 있다.
네트워크(12)는, 충전 스테이션(EVC k)과 배터리 성능관리 서버(11) 사이의 통신을 지원하는 것이라면 그 종류에 제한이 없다.
네트워크(12)는 유선 네트워크, 무선 네트워크, 또는 이들의 결합을 포함한다. 유선 네트워크는, TCP/IP 프로토콜을 지원하는 근거리 또는 광역 인터넷을 포함한다. 무선 네트워크는, 기지국에 기반한 무선 통신망, 위성 통신망, 와이파이와 같은 근거리 무선 통신망 또는 이들의 결합을 포함한다.
네트워크(12)는, 일 예로, 2G(second generation) 내지 5G(fifth generation) 네트워크, LTE(Long Term Evolution) 네트워크, GSM(Global System for Mobile communication) 네트워크, 코드 분할 다중 엑세스(Code Division Multiple Accesses) 네트워크, EVDO(Evolution-Data Optimization) 네트워크, 퍼블릭 랜드 모바일(Public Land Mobile) 네트워크 및/또는 다른 네트워크를 포함할 수 있다.
네트워크(12)는, 또 다른 예로, 근거리 지역 네트워크(LAN: Local Area Network), 무선 근거리 지역 네트워크(WLAN: Wireless Local Area Network), 광역 네트워크(Wide Area Network), 메트로폴리탄 네트워크(MAN: Metropolitan Network), 공중 스위칭 전화 네트워크(PSTN: Public Switched Telephone Network), 에이디 훅 네트워크(ad hoc network), 관리 IP 네트워크(managed IP network), 가상 사설 네트워크(Virtual Private Network), 인트라넷, 인터넷, 광섬유 기반 네트워크, 및/또는 이들의 결합, 또는 다른 타입의 네트워크를 포함할 수 있다.
충전 스테이션(EVC k)은 전기차(EV n)의 배터리(B n)를 충전하기 위해 국내 및/또는 해외에 설치된 충전 디바이스이다. n은 도면부호로 지시된 객체가 복수임을 나타내기 위한 인덱스로서, 전기차의 수가 100만이라면, n은 1 내지 100만이다. 충전 스테이션(EVC k)은 국내 및/또는 해외의 주차장, 주유소, 공공기관, 빌딩, 아파트, 맨션, 개인 주택 등에 설치될 수 있다. 충전 스테이션(EVC k)은 배터리 성능관리 서버(11)와 통신이 가능하도록 네트워크(12)와 커플링될 수 있다.
바람직하게, 전기차(EV n)는 배터리(B n)와 제어 시스템(15)을 포함한다. 제어 시스템(15)은 컴퓨터 디바이스로서 배터리(B n)의 충방전 동작을 제어하고, 배터리(B n)의 충방전 시 배터리(B n)의 전압, 전류 및 온도를 측정하여 저장수단(15a)에 기록한다. 제어 시스템(15)은 또한 전기차(EV n)의 운행과 관련된 기계 메커니즘 및/또는 전자 메커니즘의 제어 동작을 수행할 수 있다.
저장수단(15a)은 비일시적 메모리 다비이스(non-transitory memory device)로서 데이터를 기록 및/또는 소거 및/또는 수정 및/또는 전송할 수 있는 컴퓨터 저장매체이다. 저장수단(15a)은 일 예로 플래시 메모리, 하드디스크, SSD(Solid State Disk) 또는 다른 타입의 데이터 저장용 하드웨어일 수 있다.
전기차(EV n)의 제어 시스템(15)은 배터리(B n)가 충전 또는 방전되는 동안 배터리(B n)의 동작 특성 정보를 수집하여 저장수단(15a)에 기록할 수 있다. 동작 특성 정보는 배터리(B n)의 전압, 전류 및 온도 중에서 선택된 하나 이상을 포함할 수 있다. 제어 시스템(15)은 배터리(B n)의 동작 특성 정보를 배터리(B n)의 충전상태(SOC) 및/또는 타임 스탬프와 함께 저장수단(15a)에 기록할 수 있다. 제어 시스템(15)은 당업계에 공지된 암페어 카운팅법, OCV법, 확장칼만필터 등을 이용하여 배터리(B n)의 충전상태를 추정할 수 있다. 제어 시스템(15)은 배터리(B n)의 동작 특성 정보를 수집하기 위해 배터리(B n)에 설치된 전압 센서, 전류 센서 및 온도 센서와 전기적으로 결합될 수 있다.
제어 시스템(15)은 전기차(EV n)의 운행 특성 정보를 저장수단(15a)에 기록할 수 있다. 운행 특성 정보는 전기차(EV n)의 속도, 전기차(EV n)의 운행 지역 및 습도로 이루어진 군에서 선택된 적어도 하나 이상을 포함한다. 바람직하게, 제어 시스템(15)은 전기차(EV n)의 운행 특성 정보를 타임 스탬프와 함께 저장수단(15a)에 기록할 수 있다. 제어 시스템(15)은 운행 특성 정보의 수집 및 저장을 위해, 속도 센서, GPS 센서 및 습도 센서와 전기적으로 결합될 수 있다.
충전 스테이션(EVC k)은 전기차(EV n)의 충전 포트를 통해 전기차(EV n)의 배터리(B n)를 충전하고, 배터리(B n)의 충전이 진행되는 동안 배터리 성능 평가 정보를 수집하여 배터리 성능관리 서버(11)로 전송한다. 또한, 충전 스테이션(EVC k)은 배터리 성능관리 서버(11)로부터 배터리(B n)의 충방전 제어 시 사용되는 다양한 제어 팩터를 전송 받아 전기차(EV n)의 제어 시스템(15)으로 전달할 수 있다. 그러면, 전기차(EV n)의 제어 시스템(15)은 배터리(B n)의 충방전 제어에 사용되는 제어 팩터를 갱신할 수 있다. 이에 대해서는 후술하기로 한다.
바람직하게, 배터리 성능관리 시스템(10)은 배터리 성능관리 서버(11)와 연결된 대용량 데이터베이스(16)를 포함할 수 있다.
일 측면에 따르면, 배터리 성능관리 서버(11)는, 전기차(EV n)가 충전 스테이션(EVC k)에서 충전되는 동안 네트워크(12)를 통해 충전 스테이션(EVC k)으로부터 전기차(EVn)의 운행 특성 누적 정보, 배터리(B n)의 동작 특성 누적 정보 및 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 수집하여 데이터베이스(16)의 성능 평가 정보 저장부(16a)에 저장할 수 있다.
바람직하게, 배터리(B n)의 동작 특성 누적 정보는, 전압 구간별 누적 동작 시간, 전류 구간별 누적 동작 시간 및 온도 구간별 누적 동작 시간을 포함하는 군에서 선택된 적어도 하나 이상을 포함할 수 있다.
바람직하게, 전기차(EV n)의 운행 특성 누적 정보는, 속도 구간별 누적 운행 시간, 운행 지역별 누적 운행 시간 및 습도 구간별 누적 운행 시간을 포함하는 군에서 선택된 적어도 하나 이상을 포함할 수 있다.
바람직하게, 최신 충전 특성 정보는 배터리(B n)가 충전되는 동안 측정 또는 예측된 배터리(B n)의 동작 특성 정보로서, 복수의 시점에서 측정 또는 예측된 배터리의 충전 상태, 전압, 전류 및 온도를 포함하는 군에서 선택된 적어도 하나 이상을 포함할 수 있다.
충전 스테이션(EVC k)은 전기차(EV n)의 충전이 이루어지는 동안, 전기차(EV n)의 제어 시스템(15)과 통신을 수행하여 정보 및/또는 데이터를 교환할 수 있다. 일 예에서, 통신은 충전 케이블에 포함된 데이터 통신 라인을 통해 이루어진다. 대안적으로, 통신은 충전 스테이션(EVC k)과 전기차(EV n) 상호 간의 무선 통신을 통해서 이루어진다. 이를 위해, 충전 스테이션(EVC k)과 전기차(EV n)는 근거리 무선 통신 디바이스를 포함할 수 있다.
충전 스테이션(EVC k)은 전기차(EV n)로부터 수집된 정보 및/또는 데이터를 네트워크(12)를 통해 미리 정의된 통신 프로토콜에 따라 배터리 성능관리 서버(11)로 전송할 수 있다.
배터리 성능관리 서버(11)는, 전기차(EV n)가 충전 스테이션(EVC k)에서 충전되는 동안 충전 스테이션(EVC k)으로부터 전기차(EV n)의 식별정보 및 배터리(B n)의 식별정보와, 배터리(B n)의 동작 특성 누적 정보, 전기차(EV n)의 운행 특성 누적 정보 및 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 전송 받아 데이터베이스(16)의 성능 평가 정보 저장부(16a)에 저장할 수 있다.
여기서, 전기차(EV n)의 식별정보는 자동차 모델 코드일 수 있고, 배터리(B n)의 식별정보는 배터리(B n)의 모델 코드일 수 있다.
바람직하게, 충전 스테이션(EVC k)은 전기차(EV n)의 식별정보 및 배터리(B n)의 식별정보와, 배터리(B n)의 동작 특성 누적 정보, 전기차(EV n)의 운행 특성 누적 정보 및 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 전기차(EV n)의 충전이 진행되는 동안 전기차(EV n)의 제어 시스템(15)으로부터 수신할 수 있고, 수신된 정보 및/또는 데이터를 네트워크(12)를 통해 배터리 성능관리 서버(11)로 전송할 수 있다.
일 측면에 따르면, 배터리 성능관리 서버(11)는 충전 스테이션(EVC k)으로부터 전송된 전기차(EV n)의 동작 특성 누적 정보를 분석하여 동작 특성 별로 도수 분포 데이터를 생성한 후, 전기차(EVn)의 식별정보 및/또는 배터리(B n)의 식별정보와 매칭시켜 데이터베이스(16)의 학습 데이터 저장부(16b)에 기록할 수 있다.
일 측면에 따르면, 동작 특성 누적 정보에 대한 도수 분포 데이터에 있어서 변량(variable)은 전압, 전류 또는 온도이고, 도수(frequency)는 각 변량에서의 배터리(B n)의 누적 동작 시간일 수 있다.
도 2는 배터리(B n)의 동작 특성 누적 정보 중 전압에 대한 도수 분포 데이터의 일 예를 나타낸 그래프이고, 도 3은 배터리(B n)의 동작 특성 누적 정보 중 전류에 대한 도수 분포 데이터의 일 예를 나타낸 그래프이고, 도 4는 배터리(B n)의 동작 특성 누적 정보 중 온도에 대한 도수 분포 데이터의 일 예를 나타낸 그래프이다.
도 2 내지 도 4를 참조하면, 도수 분포 데이터들은 전기차(EV n)가 운행하는 동안 전압 구간별 배터리(B n)의 누적 동작 시간, 전류 구간별 배터리(B n)의 누적 동작 시간 및 온도 구간별 배터리(B n)의 누적 동작 시간 정보를 제공할 수 있다. 도수 분포 데이터들은 전기차(EV n)의 운행 이력을 나타내며, 배터리 성능관리 서버(11)가 인공 지능 모델을 학습시키는데 사용될 수 있다. 이에 대해서는 후술하기로 한다.
다른 측면에 따르면, 배터리 성능관리 서버(11)는 충전 스테이션(EVC k)으로부터 전송된 전기차(EV n)의 운행 특성 누적 정보를 분석하여 운행 특성 별로 도수 분포 데이터를 생성한 후, 전기차(EV n)의 식별정보 및/또는 배터리(B n)의 식별정보와 매칭시켜 데이터베이스(16)의 학습 데이터 저장부(16b)에 기록할 수 있다.
운행 특성에 대한 도수 분포 데이터에 있어서, 변량(variable)은 전기차(EV n)의 속도, 전기차(EV n)의 운행 지역 또는 전기차(EV n)가 운행되는 지역의 습도이고, 도수(frequency)는 각 변량에서의 전기차(EV n)의 누적 운행 시간일 수 있다.
도 5는 전기차(EV n)의 운행 특성 누적 정보 중 속도에 대한 도수 분포 데이터의 일 예를 나타낸 그래프이고, 도 6은 전기차(EV n)의 운행 특성 누적 정보 중 전기차(EV n)의 운행 지역에 대한 도수 분포 데이터의 일 예를 나타낸 그래프이고, 도 7은 전기차(EV n)의 운행 특성 누적 정보 중 전기차(EV n)가 운행하는 지역의 습도에 대한 도수 분포 데이터의 일 예를 나타낸 그래프이다.
도 5 내지 도 7을 참조하면, 도수 분포 데이터들은 전기차(EV n)가 운행하는 동안 전기차(EV n)의 속도 구간별 누적 운행 시간, 운행 지역별 누적 운행 시간 및 습도 구간별 누적 운행 시간에 관한 정보를 제공할 수 있다. 지역은 국내 및/또는 해외의 행정구역일 수 있다. 일 예로, 지역은 도시(city)일 수 있으나, 본 발명이 이에 한정되는 것은 아니다. 도수 분포 데이터들은 배터리 성능관리 서버(11)가 인공 지능 모델을 학습시키는데 사용될 수 있다. 이에 대해서는 후술하기로 한다.
또 다른 측면에 따르면, 배터리 성능관리 서버(11)는 충전 스테이션(EVC k)으로부터 전송된 전기차(EV n)의 최신 충전 특성 정보를 데이터베이스(16)의 성능 평가 정보 저장부(16a)에 기록할 수 있다.
바람직하게, 최신 충전 특성 정보는 전기차(EV n)의 배터리(B n)가 충전 스테이션(EVC k)에서 충전되는 동안 복수의 시점에서 측정 또는 예측된 SOC, 전압, 전류 및 온도를 포함하는 군에서 선택된 적어도 하나 이상의 동작 특성 데이터들을 포함한다.
각 측정 시점에서 측정된 동작 특성 데이터는 4차원 벡터인 (SOC k, I k, V k, T k)로 나타낼 수 있다. k는 동작 특성의 측정 시점에 대한 index이다. 측정 회수가 n번이면, k는 자연수로서 1 내지 n이고, 최신 충전 특성 정보에 포함되는 데이터의 수는 n이다.
배터리 성능관리 서버(11)는 소정 조건이 충족될 때 최신 충전 특성 정보에 포함된 동작 특성 데이터들을 이용하여 배터리(B n)의 퇴화도를 결정하고, 퇴화도를 전기차(EV n)의 식별정보 및/또는 배터리(B n)의 식별정보와 함께 데이터베이스(16)의 학습 데이터 저장부(16b)에 기록할 수 있다.
일 예에서, 배터리 성능관리 서버(11)는 최신 충전 특성 정보가 미리 설정된 퇴화도 추정 전압 구간에서 수집되었는지 판단한다. 이를 위해, 배터리 성능관리 서버(11)는 최신 충전 특성 정보에 포함된 전압 데이터 V k의 분포를 검사할 수 있다. 배터리 성능관리 서버(11)는 해당 판단이 YES이면, 상기 퇴화도 추정 전압 구간에서 측정된 전류 데이터들을 적산하여 충전용량 변화량을 결정하고, 기준 충전용량 변화량 대비 상기 충전용량 변화량의 비율을 퇴화도로 결정할 수 있다. 기준 충전용량 변화량은 BOL 상태에 있는 배터리(B n)가 상기 퇴화도 추정 전압 구간에서 충전되는 동안 나타내는 충전용량 변화량으로서, 기준 충전용량 변화량은 배터리(B n) 모델 별로 데이터베이스(16)의 파라미터 저장부(16c)에 미리 기록될 수 있다.
다른 예에서, 배터리 성능관리 서버(11)는 최신 충전 특성 정보를 분석하여 미리 설정된 퇴화도 추정 전압 구간 내에서 배터리(B n)가 충전되었고, 가변 충전 전류 조건 하에서 복수의 전압 데이터가 측정되었는지 판단한다. 이를 위해, 배터리 성능관리 서버(11)는 최신 충전 특성 정보에 포함된 전압 데이터 V k와 전류 데이터 I k의 분포를 검사할 수 있다. 배터리 성능관리 서버(11)는 해당 판단이 YES이면, 최신 충전 특성 정보 중에서 미리 설정된 퇴화도 추정 전압 구간 내에서 측정된 복수의 전류 및 전압 데이터들에 대해 선형 회귀 분석을 실시하여 |dV/dI|의 평균값을 배터리(B n)의 내부저항값으로 결정하고, 상기 내부저항값 대비 기준 내부저항값의 비율을 배터리(B n)의 퇴화도로 결정할 수 있다. 본 실시예에서, 충전 스테이션(EVC k)은 배터리(B n)가 미리 설정된 퇴화도 추정 전압 구간 내에서 충전되는 동안 교류 충전 전류 및/또는 진폭이 다른 충전 펄스를 배터리(B n)에 인가할 수 있다. 그러면, 가변 충전 전류 조건 하에서 복수의 전압 데이터가 측정될 수 있다. 기준 내부저항값은 BOL 상태에 있는 배터리(B n)의 내부저항값이며, 기준 내부저항값은 배터리 모델(B n) 별로 데이터베이스(16)의 파라미터 저장부(16c)에 미리 기록될 수 있다.
배터리 성능관리 서버(11)는 인공 지능 모델을 이용하여 충전 스테이션(EVC k)으로부터 전송된 배터리(B n)의 동작 특성 누적 정보, 전기차(EV n)의 운행 특성 누적 정보 및 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보로부터 배터리(B n)의 퇴화도를 결정할 수 있다.
본 발명에 있어서, 최신 충전 특성 정보로부터 계산되는 퇴화도는 인공 지능 모델을 학습하는데 사용되는 빅데이터의 일부를 구성한다. 따라서, 본 발명의 기술적 과제를 달성하기 위한 퇴화도 결정은 실질적으로 빅데이터에 기초하여 학습된 인공 지능 모델에 의해 결정된다.
그 이유는, 최신 충전 특성 정보로부터 계산되는 퇴화도는 소정 조건이 충족될 때에만 결정될 수 있다는 제한이 있고, 배터리(B n)의 과거 사용 이력이 충분하게 고려되지 않은 것이므로 빅데이터에 기초하여 학습된 인공 지능 모델에 의해 결정되는 퇴화도가 정확도 및 신뢰성이 더 높기 때문이다.
바람직하게, 인공 지능 모델은 프로그램 언어로 코팅된 소프트웨어 알고리즘으로서, 인공 신경망일 수 있다. 하지만, 본 발명이 이에 한정되는 것은 아니다.
도 8은 본 발명의 일 실시예에 따른 인공 신경망(100)의 구조를 나타낸 도면이다.
도 8을 참조하면, 인공 신경망(100)은 입력층(101), 복수의 은닉층(102) 및 출력층(103)을 포함한다. 입력층(101), 복수의 은닉층(102) 및 출력층(103)은 복수의 노드들을 포함한다.
배터리 성능관리 서버(11)는 인공 신경망(100)을 학습할 때 또는 인경 신경망(100)을 이용하여 배터리(B n)의 퇴화도를 결정하고자 할 때, 입력층(101)으로 충전 스테이션(EVC k)으로부터 수집된 배터리(B n)의 동작 특성 누적 정보로부터 생성된 도수 분포 데이터, 전기차(EV n)의 운행 특성 누적 정보로부터 생성된 도수 분포 데이터 및 최신 충전 특성 정보에 포함된 데이터를 입력할 수 있다.
입력층(101)의 노드들에 입력(할당)되는 동작 특성 누적 정보는 전압 구간별 제1누적 시간 값 및/또는 전류 구간 별 제2누적 시간 값 및/또는 온도 구간별 제3누적 시간 값을 포함할 수 있다. 제1 내지 제3누적 시간 값은 배터리(Bn)의 보증 수명에 대응되는 전체 사용가능 시간을 기준으로 한 비율로서 정규화(normalization)하는 것이 바람직하다. 일 예에서, 특정 전압 구간에서의 누적 시간 값이 1000 시간이고, 전체 사용가능 시간이 20000시간이라면, 정규화된 누적 시간 값은 1/20(0.05)이다.
제1누적 시간 값의 개수는 전압 구간의 수에 대응하고, 제2누적 시간 값의 개수는 전류 구간의 수에 대응하고, 제3누적 시간 값의 개수는 온도 구간의 수에 대응할 수 있다. 예를 들어, 전압 구간의 수가 5 개, 전류 구간의 수가 9개, 온도 구간의 수가 10개라면, 제1 내지 제3누적 시간 값의 수는 각각 5개, 9개 및 10개이다.
바람직하게, 입력층(101)은 제1누적 시간 값의 수 및/또는 제2누적 시간 값의 수 및/또는 제3누적 시간 값의 수에 대응되는 수의 노드들을 포함할 수 있다.
입력층(101)의 노드들에 입력(할당)되는 운행 특성 누적 정보는 속도 구간별 제4누적 시간 값 및/또는 운행 지역별 제5누적 시간 값 및/또는 습도 구간별 제6누적 시간 값을 포함할 수 있다. 제4 내지 제6누적 시간 값은 배터리(B n)의 보증 수명에 대응되는 전체 사용가능 시간을 기준으로 한 비율로서 정규화하는 것이 바람직하다. 일 예에서, 특정 속도 구간에서의 누적 시간 값이 2000 시간이고, 전체 사용가능 시간이 20000시간이라면, 정규화된 누적 시간 값은 1/10(0.1)이다.
제4누적 시간 값의 개수는 속도 구간의 수에 대응하고, 제5누적 시간 값의 개수는 전기차(EV n)가 운행되는 지역의 수에 대응하고, 제6누적 시간 값의 개수는 습도 구간의 수에 대응할 수 있다. 예를 들어, 속도 구간의 수가 8 개, 운행 지역의 수가 20개, 온도 구간의 수가 6개라면, 제4 내지 제6누적 시간 값의 수는 각각 8개, 20개 및 6개이다.
바람직하게, 입력층(101)은 제4누적 시간 값의 수 및/또는 제5누적 시간 값의 수 및/또는 제6누적 시간 값의 수에 대응되는 수의 노드들을 포함할 수 있다.
입력층(101)의 노드들에 입력(할당)되는 최신 충전 특정 정보는 전압 데이터 및 온도 데이터를 포함할 수 있다. 배터리(B n)의 전압과 온도는 모두 SOC별로 측정되므로, 전압 데이터의 입력을 위해 100 개의 노드가 할당될 수 있고, 온도 데이터의 입력을 위해 또 다른 100 개의 노드가 할당될 수 있다.
여기서, 100은 SOC가 0%부터 100%까지 1%씩 변화한다고 할 때, 1%부터 100%까지의 SOC에 대응되는 노드의 수이다. 만약, 31% 내지 50%의 SOC 구간에서 배터리(B n)의 전압과 온도가 측정되었다면, 31% 내지 50%에 대응되는 20개의 노드에 전압 데이터가 입력되고, 31% 내지 50%에 대응되는 또 다른 20개의 노드에 온도 데이터가 입력될 수 있다. 그리고, 1% 내지 30% 구간의 SOC와 51% 내지 100% 구간의 SOC에 대응되는 노드에는 전압 데이터와 온도 데이터가 입력되지 않고 0이 할당될 수 있다.
한편, 소수점 이하의 값을 포함하는 SOC에서 측정된 전압 데이터와 온도 데이터에 대해서는 내삽법(interpolation) 또는 외삽법(extrapolation)을 통해 소수점이 없는 근처 SOC의 전압 데이터 및 온도 데이터로 변환할 수 있다. 경우에 따라, 인공 신경망의 학습 연산량을 줄이기 위해 온도 데이터는 입력 데이터에서 제외시킬 수 있다. 이 경우, 입력층(101)은 온도 데이터가 입력되는 노드들을 포함하지 않을 수 있다.
출력층(103)은, 배터리(B n)의 퇴화도 정보가 출력되는 노드를 포함할 수 있다. 도 8에 도시된 바와 같이, 인공 신경망(100)이 스토캐스틱 모델(stochastic model)에 기초하여 설계된 경우, 출력층(103)은 배터리(B n) 퇴화도의 확률 분포를 출력하기 위한 복수의 노드들을 포함할 수 있다.
일 예에서, 인공 신경망(100)이 71% 내지 100% 사이의 퇴화도를 1% 단위로 결정할 수 있도록 설계될 경우, 출력층(103)은 총 30 개의 노드를 포함할 수 있다. 이 경우, 30개의 노드들 중에서 가장 높은 확률 값이 출력되는 노드에 대응되는 퇴화도가 배터리(B n)의 퇴화도로 결정될 수 있다. 예를 들어, 10번째 노드에서 출력되는 확률이 가장 높다면, 배터리(B n)의 퇴화도는 80%로 결정될 수 있다. 퇴화도의 정확도를 향상시키기 위해 노드의 수를 더 증가시킬 수 있음은 당업자에게 자명하다.
대안적으로, 인공 신경망(100)이 결정 모델(deterministic model)에 기초하여 설계된 경우, 출력층(103)은 배터리(B n)의 퇴화도를 직접적으로 출력하기 위한 적어도 하나의 노드를 포함할 수 있다.
입력층(101)과 출력층(103) 사이에 개재되는 은닉층(102)들의 수와 각 은닉층(102)에 포함되는 노드들의 수는 인공 신경망(100)의 학습 연산량과 인공 신경망(100)의 정확도 및 신뢰성을 고려하여 적절하게 선택할 수 있다.
인공 신경망(100)에 있어서, 활성화 함수로는 시그모이드(Sigmoid) 함수가 사용될 수 있다. 대안적으로, SiLU(Sigmoid Linear Unit) 함수, ReLu(Rectified Linear Unit) 함수, 소프트플러스(softplus) 함수, ELU(Exponential Linear Unit) 함수, SQLU(Square Linear Unit) 함수 등 당업계에 공지된 다양한 활성화 함수가 사용될 수 있다.
인공 신경망(100)에 있어서, 노드들 상호 간의 연결 웨이트(weight)와 바이어스(bias)의 초기값은 랜덤하게 설정될 수 있다. 또한, 연결 웨이트와 바이어스는 인공 신경망의 학습 과정에서 최적화시킬 수 있다.
일 실시예에서, 인경 신경망은 역전파 알고리즘에 의해 학습될 수 있다. 또한, 인경 신경망이 학습되는 동안 연결 웨이트와 바이어스는 옵티마이저에 의해 최적화될 수 있다.
일 실시예에서, 옵티마이저로는 SGD(Stochastic Gradient Descent) 알고리즘이 사용될 수 있다. 대안적으로, NAG(Nesterov Accelerated Gradient) 알고리즘, Momentum 알고리즘, Nadam 알고리즘, Adagrad 알고리즘, RMSProp 알고리즘, Adadelta 알고리즘, Adam 알고리즘 등이 사용될 수 있다.
배터리 성능관리 서버(11)는 데이터베이스(16)의 학습데이터 저장부(16)에 저장된 학습 데이터를 이용하여 인공 신경망(100)을 주기적으로 반복 학습시킬 수 있다.
이를 위해, 배터리 성능관리 서버(11)는 상술한 방법을 이용하여 복수의 충전 스테이션(EVC k)들에서 수많은 전기차(EV n)가 충전되는 동안 학습 데이터를 수집하여 데이터베이스(16)의 학습 데이터 저장부(16b)에 누적해서 기록한다.
학습 데이터는 학습 입력 데이터와 학습 출력 데이터로 구성된다. 학습 입력 데이터는 전기차(EV n)의 운행 특성 누적 정보로부터 생성된 도수 분포 데이터, 배터리(B n)의 동작 특성 누적 정보로부터 생성된 도수 분포 데이터 및 최신 충전 특성 정보에 포함된 데이터를 포함할 수 있다. 또한, 학습 출력 데이터는 배터리(B n)의 퇴화도를 포함한다. 학습 데이터는 전기차(EV n)가 충전 스테이션(EVC k)에서 충전되는 동안 얻을 수 있다.
바람직하게, 학습 데이터는 전기차(EV n)의 식별정보 및/또는 배터리(B n)의 식별정보와 매칭되어 데이터베이스(16)의 학습 정보 저장부(16b) 기록될 수 있다. 따라서, 학습 데이터 저장부(16b)에는 동일 모델의 배터리(B n)를 장착하고 있는 동일 모델의 전기차(EV n)로부터 수집된 수많은 학습 데이터들이 기록될 수 있다. 또한, 학습 데이터는 충전 스테이션(EVC k)에서 지속적으로 수집되므로 그 량은 점점 더 증가될 수 있다.
바람직하게, 배터리 성능관리 서버(11)는 데이터의 분산 처리를 통해 인공 신경망(100) 학습의 연산 로드를 줄이고 인공 신경망(100)이 예측하는 출력의 신뢰성을 향상시키기 위해 전기차(EV n)의 모델 및/또는 배터리(B n) 모델별로 인공 신경망을 별도로 학습시킬 수 있다.
즉, 배터리 성능관리 서버(11)는 인공 신경망(100)을 주기적으로 학습시킬 때 학습 데이터 저장부(16b)에 저장된 학습 데이터들 중에서 전기차(EV n)의 모델 및/또는 배터리(B n) 모델이 동일한 학습 데이터들만을 추출하여 해당하는 전기차(EV n)의 모델 및/또는 배터리(B n) 모델에 전속된 인공 신경망(100)을 독립적으로 학습시킬 수 있다. 또한, 배터리 성능관리 서버(11)는 전기차(EV n)의 모델 및/또는 배터리(B n) 모델에 대해 신규로 수집된 학습 데이터의 량이 기준치 이상으로 증가하면, 해당하는 인공 신경망(100)의 학습을 재개하여 인공 신경망(100)의 정확도를 더욱 향상시킬 수 있다.
한편, 전기차(EV n)의 운행 특성 누적 정보 중에서 운행 지역별 운행 누적 시간 정보로부터 생성되는 도수 분포 데이터(도 6 참조)의 변량이 지나치게 많은 경우, 복수의 지역을 그룹핑한 광역지역 별로 인공 신경망(100)을 별도로 학습시킬 수 있다.
일 예로, 전기차(EV n)의 모델이 총 100 개이고, 전기차(EV n)에 탑재된 배터리(B n) 모델이 총 10개이고, 전기차(EV n)의 운행 도시가 국내 및 해외를 포함하여 총1000개인 경우를 가정해 보자. 이 경우, 배터리 성능관리 서버(11)는 도시들을 소정 기준에 따라 그룹핑하고, 총 100*10*(지역들의 그룹핑 수)에 대응하는 수의 인공 신경망을 학습시킬 수 있다. 일 예에서, 도시들의 그룹핑은 나라 단위로 이루어질 수 있다. 다른 예에서, 그룹핑은 동일 국가 내에서 소정 수의 인접 도시들 단위로 이루어질 수 있다.
이 경우, 배터리 성능관리 서버(11)는 인공 신경망(100)을 학습시킬 때 학습 데이터 저장부(16b)에 저장된 학습 데이터들 중에서 전기차(EV n)의 모델 및/또는 배터리(B n) 모델이 동일하고 운행 지역에 대한 도수 분포 데이터의 변량(도시들)이 동일한 학습 데이터들만을 추출하고, 운행 지역 및/또는 전기차(EV n)의 모델 및/또는 배터리(B n) 모델에 전속된 인공 신경망(100)을 독립적으로 학습시킬 수 있다. 또한, 배터리 성능관리 서버(11)는 운행 지역 및/또는 전기차(EV n)의 모델 및/또는 배터리(B n) 모델이 동일한 신규 학습 데이터의 량이 기준치 이상으로 증가하면, 해당 인공 신경망(100)의 학습을 재개하여 인공 신경망(100)의 정확도를 더욱 향상시킬 수 있다.
본 발명에 있어서, 인공 지능 모델은 인공 신경망에 한정되지 않는다. 따라서, 따라서, 인공 신경망 이외에도 가우시안 프로세스 모델(Gaussian Process Model)등이 사용될 수 있다. 전기차(EV n)의 누적 운행 특성 정보 및/또는 배터리(B n)의 누적 동작 특성 정보 및/또는 최신 충전 특성 데이터와 퇴화도 사이의 상관 관계에 대한 학습 시에는 SVM(Support Vector Machine), K-Nearest Neighbor Algorithm, Naive-Bayes Classifier등을 활용할 수 있다. 학습에 사용된 퇴화도 정보의 신뢰성에 문제가 있는 경우 K-Means Clustering 등을 퇴화도 정보를 얻는 보조 수단으로서 사용할 수 있다.
한편, 배터리 성능관리 서버(11)는 배터리 제조사로부터 제공된 사이클별 동작 특성 누적 정보와 사이클별 최신 충전 특성 정보를 이용하여 학습된 보조 인공 신경망을 구비할 수 있다.
도 9는 본 발명의 일 실시예에 따른 보조 인공 신경망(100')의 구조를 예시적으로 나타낸 도면이다.
도 9를 참조하면, 보조 인공 신경망(100')은 입력층(101'), 다수의 은닉층(102') 및 출력층(103')을 포함한다. 보조 인공 신경망(100')은 입력층(101')에 전기차(EV n)의 운행 특성 누적 정보에 대응되는 데이터가 입력되는 노드들이 없다는 점을 제외하면, 도 8에 도시된 인공 신경망(100)과 실질적으로 동일하다.
보조 인공 신경망(100')은 인공 신공망(100)의 학습이 충분히 이루어지지 않은 경우, 배터리(B n)의 퇴화도를 결정하는데 활용될 수 있다.
배터리 성능관리 서버(11)는 보조 인공 신경망(100')의 학습에 사용되는 데이터를 수집하기 위해 네트워크(12)를 통해 배터리 데이터 제공 서버(17)와 통신이 가능하도록 연결될 수 있다.
바람직하게, 배터리 데이터 제공 서버(17)는 배터리 제조회사 내에 설치될 수 있다. 배터리 데이터 제공 서버(17)는 전기차(EV n)에 탑재되는 배터리(B n)에 관한 충방전 사이클 실험에서 얻은 사이클별 동작 특성 누적 정보, 사이클별 최신 충전 특성 정보 및 사이클별 배터리(B n)의 퇴화도를 배터리(B n)의 식별정보와 함께 네트워크(12)를 통해 배터리 성능관리 서버(11)로 전송할 수 있다.
충방전 사이클 실험은 충방전 시뮬레이터라는 장비를 이용하여 배터리(B n)에 대해 다양한 충방전 조건 하에서 충전과 방전을 소정 회수 반복하는 실험을 지칭한다. 충방전 사이클 실험은 배터리(B n)가 상용화되기 전에 배터리 제조사에서 필수적으로 진행하는 실험이다. 충방전 조건은 전기차(EV n)의 다양한 운행 조건(산악 주행, 험로 주행, 도심 주행, 고속도로 주행 등)과 기후 조건(온도, 습도 등)을 모사하는 것이 바람직하다.
충방전 시뮬레이터는 제어 컴퓨터, 충방전 장치 및 온도/습도 조절 챔버가 결합된 자동화된 실험 장비이다. 충방전 시뮬레이터는 각 사이클의 충전이 진행될 때 마다, 전압 구간별 누적 동작 시간 및/또는 전류 구간별 누적 동작 시간 및/또는 온도 구간별 누적 동작 시간을 적산하여 동작 특성 누적 정보를 생성하고, 충전이 진행되는 동안 SOC 및/또는 전압 및/또는 전류 및/또는 온도 를 측정 또는 예측하여 최신 충전 특성 정보를 생성하여 저장수단에 기록할 수 있다.
또한, 충방전 시뮬레이터는 각 사이클의 충전이 완료되면, 충전 완료 시점을 기준으로 배터리(B n)의 퇴화도를 결정할 수 있다. 퇴화도는 소정의 충전 전압 구간에서 암페어 카운팅법으로 결정한 충전용량 변화량 또는 소정의 충전 전압 구간에서 측정한 전압 및 전류 데이터의 선형 회귀 분석을 통해 얻은 배터리의 내부저항을 통해서 산출할 수 있으며, 이에 대해서는 이미 상술하였다.
배터리 데이터 제공 서버(17)는 충방전 사이클 실험을 통해서 얻은 데이터를 저장하는 데이터베이스(18)를 포함할 수 있다. 배터리 데이터 제공 서버(17)는 배터리(B n)에 대해 각 충방전 사이클에서 사이클별 동작 특성 누적 정보, 사이클별 최신 충전 특성 정보 및 사이클별 퇴화도를 배터리(B n)의 식별정보와 매칭시켜 데이터베이스(18)에 저장할 수 있다. 데이터베이스(18)에 저장되는 데이터는 충방전 시뮬레이터로부터 네트워크(12)를 통해 전송될 수 있다.
배터리 데이터 제공 서버(17)는 주기적으로 데이터베이스(18)에 저장된 사이클별 동작 특성 누적 정보, 사이클별 최신 충전 특성 정보 및 사이클별 퇴화도를 포함하는 보조 학습 데이터를 배터리(B n) 식별정보와 함께 네트워크(12)를 통해 배터리 성능관리 서버(11)로 전송할 수 있다. 보조 학습 데이터의 수는 충방전 사이클 실험을 행한 회수에 대응한다. 예를 들어, 특정 모델의 배터리에 대한 충방전 사이클 실험이 200회 진행되었다면, 보조 학습 데이터의 수는 200개이다.
배터리 성능관리 서버(11)는 배터리 데이터 제공 서버(17)로부터 전송된 보조 학습 데이터를 배터리(B n)의 식별정보와 매칭시켜 데이터베이스(16)의 학습 데이터 저장부(16b)에 기록할 수 있다.
바람직하게, 보조 학습 데이터 중에서, 동작 특성 누적 정보에 포함된 전압 구간별 누적 동작 시간 및/또는 전류 구간별 누적 동작 시간 및/또는 온도 구간별 누적 동작 시간에 관한 정보는 도수 분포 데이터로 변환되어 데이터베이스(16)의 학습 데이터 저장부(16b)에 저장될 수 있다.
배터리 성능관리 서버(11)는 데이터베이스(16)에 보조 학습 데이터가 저장된 이후에, 보조 학습 데이터를 이용하여 배터리 모델 별로 보조 인공 신경망(100')을 학습시킬 수 있다.
보조 인공 신경망(100')의 구조는 도 8에 나타낸 인공 신경망(100)의 구조와 유사하다. 차이점은, 전기차(EV n)의 운행 특성 누적 정보로부터 생성된 도수 분포 데이터가 입력되는 노드가 비활성화된다는 것이다. 하지만, 보조 인공 신경망(100')에 대한 학습 방법이나 나머지 특징들은 전술한 바와 실질적으로 동일하다.
배터리 성능관리 서버(11)는 배터리 데이터 제공 서버(17)로부터 전송된 보조 학습 데이터에 의해 학습된 보조 인공 신경망(100')과 복수의 충전 스테이션(EVC k)으로부터 전송된 데이터에 의해 학습된 인공 신경망(100)을 상호 보완적으로 사용하여 충전 스테이션(EVC k)에서 전기차(EV n)가 충전된 이후에 배터리(B n)의 퇴화도를 결정하고, 결정된 퇴화도에 따라 배터리(B n)의 충방전 제어에 사용되는 제어 팩터를 전기차(EV n)의 제어 시스템(15)으로 제공할 수 있다.
이하에서는, 도 10 및 도 11을 참조하여, 충전 스테이션(EVC K)에서 전기차(EV n)가 충전되는 동안 인공 지능 모델의 학습 데이터가 수집되는 과정, 배터리(B n)의 퇴화도를 결정하는 과정, 결정된 퇴화도에 따라 배터리(B n)의 충방전 제어에 사용되는 제어 팩터가 업데이트되는 과정을 상세히 설명한다.
도 10을 참조하면, 단계 S10에서, 배터리 성능관리 서버(11)는 충전 스테이션(EVC k)에서 전기차(EV n)의 충전이 진행되는 중에 또는 충전이 완료된 이후에 네트워크(12)를 통해 충전 스테이션(EVC k)으로부터 배터리(B n)의 식별정보 및 전기차(EV n)의 식별정보와, 전기차(EV n)의 운행 특성 누적 정보, 배터리(B n)의 동작 특성 누적 정보 및 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 전송 받는다. 단계 S10에서, 배터리 성능관리 서버(11)는 네트워크(12)를 통해 전송된 배터리 성능 평가 정보를 데이터베이스(16)의 성능 평가 정보 저장부(16a)에 기록할 수 있다.
단계 S20에서, 배터리 성능관리 서버(11)는 최신 충전 특성 정보에 포함된 전압 데이터(V k) 및/또는 전류 데이터(I k)를 참조하여 퇴화도 산출이 가능한 조건이 충족되는지 판단한다.
일 예에서, 퇴화도 산출 가능 조건은 전압 데이터(V k)가 미리 설정된 퇴화도 추정 전압 구간 내에서 배터리(B n)가 충전되었을 때 성립될 수 있다. 다른 예에서, 퇴화도 산출 가능 조건은 미리 설정된 퇴화도 추정 전압 구간 내에서 배터리(B n)가 충전되었고, 가변 충전 전류 조건 하에서 복수의 전압 데이터(V k)가 측정되었을 때 성립될 수 있다.
단계 S20의 판단이 YES이면 단계 S30이 실행되고, 단계 S20의 판단이 NO이면 단계 S60이 실행된다.
단계 S30에서, 배터리 성능관리 서버(11)는 최신 충전 특성 정보에 포함된 전압 데이터(V k) 및/또는 전류 데이터(I k)를 이용하여 배터리(B n)의 퇴화도를 결정한다. 퇴화도 결정 방법은 이미 상술하였다. 단계 S30 이후에, 단계 S40이 진행된다.
단계 S40에서, 배터리 성능관리 서버(11)는 배터리(B n)의 동작 특성 누적 정보로부터 전압 및/또는 전류 및/또는 온도에 대한 도수 분포 데이터를 생성하고, 전기차(EV n)의 운행 특성 누적 정보로부터 속도 및/또는 운행 지역 및/또는 습도에 대한 도수 분포 데이터를 생성한다. 단계 S40 이후에 단계 S50이 진행된다.
단계 S50에서, 배터리 성능관리 서버(11)는 동작 특성 누적 정보로부터 생성된 도수 분포 데이터, 운행 특성 누적 정보로부터 생성된 도수 분포 데이터, 최신 충전 특성 정보 및 단계 S30에서 결정된 배터리(B n)의 퇴화도를 배터리(B n)의 식별정보 및/또는 전기차(EV n)의 식별정보와 매칭시켜 데이터베이스(16)의 학습정보 저장부(16b)에 기록한다. 여기서, 동작 특성 누적 정보로부터 생성된 도수 분포 데이터, 운행 특성 누적 정보로부터 생성된 도수 분포 데이터 및 최신 충전 특성 정보는 학습 입력 데이터에 해당하고, 배터리(B n)의 퇴화도는 학습 출력 데이터에 해당한다. 단계 S50 이후에, 단계 S60이 진행된다.
단계 S60에서, 배터리 성능관리 서버(11)는 배터리(B n)의 식별정보 및/또는 전기차(EV n)의 식별정보를 참조하여, 배터리(B n)의 모델 및/또는 전기차(EV n)의 모델에 대응되는 학습된 인공 신경망(100)이 준비되어 있는지 판단한다.
일 예로, 배터리(B n)의 모델이 BBB001이고, 전기차(EV n)의 모델이 EV001이라고 가정해 보자. 이 경우, 배터리 성능관리 서버(11)는 BBB001 모델의 배터리를 탑재한 EV001 모델의 전기차들이 충전 스테이션(EVC k)에서 충전되는 과정에서 수집된 기준치 이상의 데이터를 이용하여 학습된 인경 신경망(100)이 존재하는지 판단한다. 기준치는 일 예로, 수백 내지 수천일 수 있다.
단계 S60에서, 배터리 성능관리 서버(11)는 단계 S40에서 생성된 운행 지역별 도수 분포 데이터를 참조하여, 배터리(B n)의 모델 및/또는 전기차(EV n)의 모델이 동일하고 운행 지역이 동일한 전기차(EV n)로부터 수집된 데이터에 의해 학습된 인공 신경망(100)이 존재하는지 판단할 수 있다.
일 예로, 배터리(B n)의 모델이 BBB001이고, 전기차(EV n)의 모델이 EV001이고, 전기차(EV n)의 운행 지역으로부터 생성된 도수 분포 데이터의 지역 변량이 대한민국 내의 도시라고 가정해 보자. 이 경우, 배터리 성능관리 서버(11)는 BBB001 모델의 배터리를 탑재한 EV001 모델의 전기차들이 대한민국 내의 충전 스테이션(EVC k)에서 충전되는 과정에서 수집된 기준치 이상의 데이터를 이용하여 학습된 인경 신경망(100)이 준비되어 있는지 판단한다. 기준치는 일 예로, 수백 내지 수천일 수 있다.
단계 S60의 판단이 YES이면 단계 S70이 진행된다.
단계 S70에서, 배터리 성능관리 서버(11)는 인경 신경망(100)의 입력층(101)으로 전기차(EV n)의 운행 특성 누적 정보로부터 생성된 도수 분포 데이터와 배터리(B n)의 동작 특성 누적 정보로부터 생성된 도수 분포 데이터와 배터리(B n)의 최신 충전 특성 정보에 포함된 전압 데이터(V k) 및 온도 데이터(T k)를 입력한다. 인경 신경망(100)은 기준치 이상의 학습 데이터에 의해 학습된 상태에 있으므로 입력층(101)을 통해 데이터가 입력되면 출력층(103)을 통해 배터리(B n)의 퇴화도를 출력한다. 그러면, 배터리 성능관리 서버(11)는 인공 신경망(100)을 통해 배터리(B n)의 현재 퇴화도를 결정할 수 있다. 단계 S70 이후에 도 11의 단계 S80이 진행된다.
한편, 단계 S60의 판단이 NO이면, 배터리 성능관리 서버(11)는 단계 S70'에서 보조 인공 신경망(100')의 입력층(101')으로 배터리(B n)의 동작 특성 누적 정보로부터 생성된 도수 분포 데이터（도　２　내지　도　５　참조）와 배터리(B n)의 최신 충전 특성 정보에 포함된 전압 데이터(V k) 및 온도 데이터(T k)를 입력하여 배터리(B n)의 현재 퇴화도를 결정할 수 있다.　보조 인공 신경망(100')은　배터리　데이터　제공　서버（17）로부터　제공된 배터리（B n）에　대한　충방전　사이클　실험　데이터를　이용하여　사전에　학습된　인공　신경망으로서　그것의　학습　방법에　대해서는　이미　상술하였다．
단계 S70　또는　단계　Ｓ70'에서　배터리（B n）의　현재　퇴화도가　결정되면　도 11의 단계　S80이 진행된다．
단계 S80에서, 배터리 성능관리 서버(11)는 데이터베이스(16)의 퇴화도 정보 저장부(16d)에 인공　신경망(100)　또는　보조　인공 신경망(100')을　통해　결정된　퇴화도를 전기차(EV n)의 식별정보 및/또는 배터리(B n)의 식별정보와 매칭시켜 타임 스탬프와 함께 저장한다. 단계 S80 이후에 단계 S90이 진행된다.
단계 S90에서, 배터리 성능관리 서버(11)는 데이터베이스(16)의 퇴화도 정보 저장부(16d)에 기록된 배터리(B n)의 이전 퇴화도와 현재 퇴화도를 비교하여 현재 퇴화도가 기준치 이상으로 증가하였는지 판단한다.
기준치는 사전에 정의되는 값으로서, 배터리(B n)의 충방전 제어 과정에서 사용되는 다양한 제어 팩터에 대한 갱신 로직을 실행할 것인지 여부를 결정하기 위한 것이다. 일 예로, 기준치는 3-5%일 수 있다.
일 예에서, 제어 팩터는 충전상태 구간 별로 적용되는 충전전류 크기, 충전 상한 전압값, 방전 하한 전압값, 최대 충전전류, 최대 방전전류, 최소 충전전류, 최소 방전전류, 최대 온도, 최소 온도, 충전상태별 파워 맵, 및 충전상태 별 내부저항 맵 중에서 선택된 적어도 하나 이상일 수 있다.
다른 예에서, 제어 팩터는 배터리(B n)가 펄스 충방전될 때 사용되는 것으로서, 펄스 전류 듀티비(펄스 휴지시간 대비 펄스 유지시간의 비율)의 상한, 펄스 전류 듀티비의 하한, 펄스 전류 듀레이션의 상한, 펄스 전류 듀레이션의 하한, 펄스 전류의 최대값 및 펄스 전류의 최소값 중에서 선택된 적어도 하나 이상을 포함할 수 있다.
또 다른 예에서, 제어 팩터는 배터리(B n)가 스텝 충전될 때 사용되는 것으로서, 충전상태 구간 별로 적용되는 충전전류 크기를 포함할 수 있다.
또 다른 예에서, 제어 팩터는 배터리(B n)가 CC/CV 모드로 충전될 경우, 사용되는 것으로서, 정전류 충전 (CC) 모드에서의 전류 크기, 정전류 충전(CC) 모드가 종료되는 컷오프 전압 및 정전압 충전(CV) 모드에서의 전압 크기 중에서 선택된 적어도 하나를 포함할 수 있다.
단계 S90의 판단이 YES이면 단계 S100이 실행된다.
단계 S100에서, 배터리 성능관리 서버(11)는 데이터베이스(16)의 제어팩터 저장부(16e)를 참조하여 배터리(B n)의 현재 퇴화도에 대응되는 최신 제어 팩터를 독출하여 현재 퇴화도와 최신 제어 팩터를 포함하는 배터리 성능 평가 결과를 네트워크(12)를 통해 충전 스테이션(EVC k)으로 전송한다.
제어팩터 저장부(16e)는 배터리(B n)의 퇴화도별로 제어 팩터 정보를 정의한 룩업 테이블을 수록하고 있다. 룩업 테이블은 배터리(B n)의 식별정보 및/또는 전기차(EV n)의 식별정보와 매칭되어 기록된다. 따라서, 제어 팩터는 배터리(B n)의 모델 및/또는 전기차(EV n)의 모델에 대응되는 룩업 테이블로부터 독출되는 것이 바람직하다. 단계 S100 이후에 단계 S110이 진행된다.
단계 S110에서, 충전 스테이션(EVC k)는 배터리(B n)의 현재 퇴화도 및 이에 대응되는 최신 제어 팩터를 포함하는 배터리 성능 평가 결과를 네트워크(12)를 통해 전송 받은 후 충전 케이블의 통신 라인 또는 근거리 무선 통신을 통해 전기차(EV n)의 제어 시스템(15)으로 전송한다. 단계 S110 이후에 단계 S120이 진행된다.
단계 S120에서, 전기차(EV n)의 제어 시스템(15)은 배터리 성능 평가 결과에 포함된 최신 제어 팩터를 참조하여 배터리(B n)의 충방전을 제어하는데 사용하는 이전의 제어 팩터를 갱신한다. 이로써, 제어 시스템(15)는 충전 스테이션(EVC k)에서 충전이 완료된 이후에는 배터리(B n)의 퇴화도에 따라 최적으로 갱신된 최신 제어 팩터를 이용하여 배터리(B n)의 충방전을 안전하게 제어할 수 있게 된다.
한편, 단계 S90의 판단이 NO이면 단계 S130이 실행된다.
단계 S130에서, 배터리 성능관리 서버(11)는 배터리(B n)의 현재 퇴화도가 기준치 이상으로 증가되지 않았으므로 제어 팩터의 갱신이 필요하지 않음을 나타내는 메시지와 현재 퇴화도를 포함하는 배터리 성능 평가 결과를 네트워크(12)를 통해 충전 스테이션(EVC k)으로 전송한다. 단계 S130 이후에 단계 S140이 진행된다.
단계 S140에서, 충전 스테이션(EVC k)은 배터리 성능 평가 결과가 수신되면, 충전 케이블을 통해 또는 근거리 무선 통신을 통해 전기차(EV n)의 제어 시스템(15)으로 배터리 성능 평가 결과를 전달한다. 단계 S140 이후에 단계 S150이 진행된다.
단계 S150에서, 전기차(EV n)의 제어 시스템(15)은 배터리 성능 평가 결과로부터 이전 제어 팩터의 갱신이 필요하지 않다는 메시지를 확인하고, 배터리(B n)의 충방전을 제어하는데 사용되는 제어 팩터를 그대로 유지한다.
도면에 도시하지 않았지만, 배터리 성능관리 서버(11)는 인공 신경망(100)의 학습이 완료된 이후에도, 배터리(B n)의 퇴화도를 결정할 때 보조 인공 신경망(100')을 보조적으로 활용할 수 있다.
즉, 배터리 성능관리 서버(11)는 단계 S70에서 인공 신경망(100)을 이용하여 배터리(B n)의 퇴화도(제1값)를 결정한 다음, 단계 S70'을 추가로 진행하여 보조 인공 신경망(100')을 이용하여 배터리(Bn)의 퇴화도(제2값)를 결정할 수 있다. 그런 다음, 제1값 및 제2값의 가중 평균 값을 배터리(B n)의 퇴화도로 결정할 수 있다. 이 경우, 제1값에 부여되는 가중치(weight)는 인공 신경망(100)을 학습하는데 사용되는 학습 데이터의 량이 증가할수록 제2값에 부여되는 가중치보다 점점 증가시킬 수 있다.
일 예로, 제1값에 부여되는 가중치(weight)는 인공 신경망(100)과 보조 인경 신경망(100')을 학습시키는데 사용된 데이터의 총량 대비 인공 신경망(100)의 학습에 사용된 데이터의 비율로서 결정할 수 있다.
위와 같은 변형 실시예에 의하면, 인경 신경망(100)의 학습이 반복해서 진행될수록 배터리(B n)의 퇴화도(제1값)는 인공 신경망(100)으로부터 결정된 퇴화도에 수렴한다. 반대로, 인공 신경망(100)의 학습에 사용된 학습 데이터의 량이 작은 경우 배터리(B n)의 퇴화도는 보조 인공 신경망(100)으로부터 결정된 퇴화도(제2값)에 수렴하게 된다.
본 발명에 있어서, 전기차(EV n)의 제어 시스템(15)은 충전 스테이션(EVC k)로부터 전송된 배터리 성능 평가 결과에 포함된 배터리(B n)의 현재 퇴화도를 전기차(EV n)에 설치된 통합 제어 디스플레이 패널을 통해 운전자에게 그래픽 유저 인터페이스로 제공할 수 있다. 바람직하게, 그래픽 유저 인터페이스는 퇴화도를 나타내는 숫자 및/또는 그래픽 게이지를 포함할 수 있다.
한편, 상술한 본 발명의 실시 예에 따른 배터리 성능관리 시스템(1０)은, 배터리 성능관리 서버(11)와 네트워크(12)를 통해 통신 가능하도록 연결된 보험사 서버(19)를 더 포함할 수 있다.
이 경우, 배터리 성능관리 서버(11)는 전기차(EV n)의 퇴화도와 총 운행거리 및 전기차(EV n)의 식별정보를 보험사 서버(19)로 전송하도록 구성될 수 있다. 전기차(EV n)의 총 운행거리는 전기차(EV n)가 충전 스테이션(EVC k)에서 충전되는 동안 충전 스테이션(EVC k)을 통해 전기차(EVn)의 제어 시스템(15)으로부터 전송 받을 수 있다.
보험사 서버(19)는, 전기차(EV n)의 식별정보를 참조하여 해당 전기차(EV n)에 대한 보험료를 퇴화도 정보를 참조하여 산출하도록 구성될 수 있다.
즉, 보험사 서버(19)는 배터리(B n)의 퇴화도가 높을수록 전기차(EV n)의 감가상각 비율을 증가시켜 전기차(EV n)의 가격을 산정할 수 있다. 또한, 보험사 서버(19)는 전기차(EV n)의 총 운행 거리에 비해 배터리(B n)의 퇴화도가 평균 대비 클 경우 운전자의 운전 습관이 좋지 않은 것으로 가정하여 자동차 사고에 따른 위험 요율을 증가시켜 보험료를 증액시킬 수 있다.
보험사 서버(19)에 의해 계산된 보험료는 보험사 서버(19)의 데이터베이스(미도시)에 저장된 후, 전기차(EV n)의 보험 갱신 과정에서 참조될 수 있음은 자명하다.
본 발명의 실시예에 따른 전기차 충전 스테이션을 이용한 배터리 성능관리 방법은 복수의 프로세서 실행 명령들로 코딩된 후 배터리 성능관리 서버(11)에 구비된 비일시적 메모리 디바이스(non-transitory memory device: 도1의 11a)에 저장될 수 있다. 프로세서 실행 명령들은 배터리 성능관리 서버(11)에 구비된 프로세서(도1의 11b)로 하여금 전술한 단계들의 적어도 일부를 실행하게 만들 수 있다. 대안적으로, 하드웨어 논리 회로들이 프로세서 실행 명령들을 대체하여 전술한 단계들의 적어도 일부를 수행하도록 배터리 성능관리 서버(11) 내에 제공될 수 있다. 하드웨어 논리 회로들은 ASIC(Application-Specific Integrated Circuit) 또는 필드-프로그래밍 게이트 어레이(Field-Programmable Gate Array)일 수 있다. 하지만, 실시예의 단계들이 특정한 프로세서 실행 명령들, 특정한 하드웨어 회로들 또는 그 조합뿐만 아니라 다른 공지된 소프트웨어, 하드웨어 회로 또는 그 조합에 의해서도 실행될 수 있음은 당업자에게 자명할 것이다.
본 발명에 따르면, 복수의 충전 스테이션과 연계된 빅데이터 기반의 인공 지능 플랫폼 시스템을 이용하여 전기차의 운행 이력과 배터리의 동작 이력에 따라 배터리의 성능을 신뢰성 있게 평가하고 배터리의 충방전 제어에 사용되는 제어 팩터를 최적화시킬 수 있으므로 배터리의 사용 수명을 연장할 수 있을 뿐만 아니라 안전성도 증대시킬 수 있다.
신뢰성이 높은 배터리의 성능 관리 서비스를 전기차 사용자에게 제공함으로써 적절한 시점에 배터리의 교체를 유도할 수 있을 뿐만 아니라 배터리 제조 회사의 신뢰성 또한 재고할 수 있다.
전기차 사용자의 운전 성향이 반영된 배터리 성능 평가 정보를 빅데이터 기반의 데이터베이스로 구축함으로써 자동차 보험사의 정확한 보험료 산정 자료로 활용할 수 있다.
본 발명의 다양한 실시 양태를 설명함에 있어서, '~서버'라 명명된 구성 요소들은 물리적으로 구분되는 요소들이라고 하기 보다 기능적으로 구분되는 요소들로 이해되어야 한다. 따라서 각각의 구성요소는 다른 구성요소와 선택적으로 통합되거나 각각의 구성요소가 제어 로직(들)의 효율적인 실행을 위해 서브 구성요소들로 분할될 수 있다. 하지만 구성요소들이 통합 또는 분할되더라도 기능의 동일성이 인정될 수 있다면 통합 또는 분할된 구성요소들도 본 발명의 범위 내에 있다고 해석되어야 함은 당업자에게 자명하다.
이상에서 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 이것에 의해 한정되지 않으며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형이 가능함은 물론이다.

Claims (17)

  1. 지역에 분산 설치된 복수의 충전 스테이션과 네트워크를 통해 통신 가능하도록 연결된 배터리 성능관리 서버; 및
    상기 배터리 성능관리 서버와 연결되고, 전기차의 퇴화도 정보가 저장되는 데이터베이스를 포함하고,
    상기 배터리 성능관리 서버는,
    상기 충전 스테이션으로부터 배터리의 식별정보 및 동작 특성 누적 정보, 전기차의 식별정보 및 운행 특성 누적 정보, 및 배터리의 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 네트워크를 통해 수집하여 상기 데이터베이스에 저장하고,
    배터리 성능 평가 정보를 입력 받아 배터리의 퇴화도를 출력하도록 미리 학습된 인공 지능 모델을 이용하여 상기 수집된 배터리 성능 평가 정보에 대응되는 현재 퇴화도를 결정하고,
    상기 데이터베이스를 참조하여 현재 퇴화도가 직전 퇴화도 대비 기준치 이상 증가한 경우 배터리 동작의 제어에 사용되는 제어 팩터와 퇴화도 간의 상관 관계 정보를 이용하여 현재 퇴화도에 대응되는 최신 제어 팩터를 결정하고,
    상기 충전 스테이션이 전기차의 제어 시스템으로 상기 최신 제어 팩터를 전달하여 제어 팩터를 갱신할 수 있도록 상기 최신 제어 팩터를 네트워크를 통해 충전 스테이션으로 전송하도록 구성된 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
  2. 제1항에 있어서,
    상기 배터리의 동작 특성 누적 정보는, 전압 구간별 누적 동작 시간, 전류 구간별 누적 동작 시간 및 온도 구간별 누적 동작 시간을 포함하는 군에서 선택된 적어도 하나 이상을 포함하는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
  3. 제1항에 있어서,
    상기 전기차의 운행 특성 누적 정보는, 속도 구간별 누적 운행 시간, 운행 지역별 누적 운행 시간 및 습도 구간별 누적 운행 시간을 포함하는 군에서 선택된 적어도 하나 이상을 포함하는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
  4. 제2항 또는 제3항에 있어서,
    상기 최신 충전 특성 정보는 복수의 시점에서 측정 또는 예측된 배터리의 충전 상태, 전압, 전류 및 온도 데이터를 포함하는 군에서 선택된 적어도 하나 이상을 포함하는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
  5. 제1항에 있어서,
    상기 배터리 성능관리 서버는,
    복수의 전기차 충전 스테이션으로부터 배터리 성능 평가 정보가 수신될 때마다, 상기 최신 충전 특성 정보가 배터리의 현재 퇴화도를 결정할 수 있을 정도의 데이터를 포함하고 있다고 판단되면, 상기 최신 충전 특성 정보로부터 배터리의 현재 퇴화도를 결정하고, 상기 배터리의 동작 특성 누적 정보, 상기 전기차의 운행 특성 누적 정보 및 상기 최신 충전 특성 정보를 상기 인공 지능 모델의 학습 입력 데이터로서 상기 데이터베이스에 저장하고, 상기 배터리의 현재 퇴화도를 상기 인공 지능 모델의 학습 출력 데이터로서 상기 데이터베이스에 저장하도록 구성되는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
  6. 제5항에 있어서,
    상기 배터리 성능관리 서버는,
    상기 데이터베이스에 기준치 이상의 학습 입력 데이터와 학습 출력 데이터가 누적 저장될 때마다 상기 인공 지능 모델을 반복적으로 학습시키는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
  7. 제5항에 있어서,
    상기 배터리 성능관리 서버는,
    상기 배터리의 식별정보 및/또는 상기 전기차의 식별정보 및/또는 상기 전기차 운행 지역과 매칭시켜 상기 학습 입력 데이터 및 상기 학습 출력 데이터를 데이터베이스에 저장하고,
    기준치 이상의 학습 입력 데이터 및 학습 출력 데이터가 상기 배터리의 식별정보 및/또는 상기 전기차의 식별정보 및/또는 상기 전기차 운행 지역과 매칭되어 누적 저장될 때마다 상기 배터리의 식별정보 및/또는 상기 전기차의 식별정보 및/또는 상기 전기차 운행 지역에 대응되도록 인공 지능 모델을 반복적으로 학습시키는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
  8. 제7항에 있어서,
    상기 배터리 성능관리 서버는,
    상기 배터리 성능 평가 정보를 분석하여 상기 배터리의 식별정보 및/또는 상기 전기차의 식별정보 및/또는 상기 전기차 운행 지역에 대응되도록 학습된 인공 지능 모델을 이용하여 배터리의 퇴화도를 결정하도록 구성된 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
  9. 제1항에 있어서,
    상기 배터리 성능관리 서버는,
    네트워크를 통해 배터리 데이터 제공 서버로부터 배터리에 대한 각 충방전 사이클이 진행될 때마다 측정된 동작 특성 누적 정보 및 최신 충전 특성 정보를 포함하는 사이클 별 성능 평가 정보와 사이클 별 퇴화도를 수신하여 데이터베이스에 저장하고,
    상기 배터리 성능관리 서버는 상기 데이터베이스에 저장된 상기 사이클 별 성능 평가 정보와 사이클 별 퇴화도를 이용하여 배터리의 동작 특성 누적 정보 및 최신 충전 특성 정보로부터 퇴화도를 출력하도록 학습된 보조 인공 지능 모델을 더 포함하는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
  10. 제9항에 있어서,
    상기 배터리 성능관리 서버는,
    상기 인공 지능 모델의 학습이 완료되지 않았을 때, 상기 배터리 성능 평가 정보에 포함된 배터리의 동작 특성 누적 정보와 최신 충전 특성 정보를 상기 보조 인공 지능 모델에 입력하여 배터리의 퇴화도를 결정하도록 구성된 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
  11. 제9항에 있어서,
    상기 배터리 성능관리 서버는, 상기 배터리 성능 평가 정보에 포함된 배터리의 동작 특성 누적 정보와 최신 충전 특성 정보를 상기 보조 인공 지능 모델에 입력하여 배터리의 퇴화도를 결정하도록 구성되고,
    상기 인공 지능 모델로부터 결정된 퇴화도와 상기 보조 인공 지능 모델로부터 결정된 퇴화도의 가중 평균을 배터리의 퇴화도로 결정하도록 구성된 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
  12. 제11항에 있어서,
    상기 배터리 성능관리 서버는, 상기 인공 지능 모델의 학습량이 증가할수록 상기 가중 평균을 산출함에 있어서 상기 인공 지능 모델의 퇴화도에 부여되는 웨이트(weight)를 증가시키도록 구성된 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
  13. 제1항에 있어서,
    상기 인공 지능 모델은 인공 신경망(Artificial Neural Network)임을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
  14. 제1항에 있어서,
    상기 제어 팩터는,
    충전상태 구간 별로 적용되는 충전전류 크기, 충전 상한 전압값, 방전 하한 전압값, 최대 충전전류, 최대 방전전류, 최소 충전전류, 최소 방전전류, 최대 온도, 최소 온도, 충전상태별 파워 맵, 및 충전상태 별 내부저항 맵 중에서 선택된 적어도 하나 이상;
    펄스 전류 듀티비(펄스 휴지시간 대비 펄스 유지시간의 비율)의 상한, 펄스 전류 듀티비의 하한, 펄스 전류 듀레이션의 상한, 펄스 전류 듀레이션의 하한, 펄스 전류의 최대값 및 펄스 전류의 최소값 중에서 선택된 적어도 하나 이상; 또는
    정전류 충전 (CC) 모드에서의 전류 크기, 정전류 충전(CC) 모드가 종료되는 컷오프 전압 및 정전압 충전(CV) 모드에서의 전압 크기 중에서 선택된 적어도 하나를 포함하는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
  15. 제1항에 있어서,
    상기 배터리 성능관리 서버는 전기차의 운행거리 및 현재 퇴화도와 전기차 식별정보를 보험사 서버로 전송하도록 구성되고,
    상기 보험사 서버는, 전기차 식별정보를 참조하여 해당 전기차에 대한 보험료를 전기차의 운행 거리 및 현재 퇴화도를 참조하여 산출하도록 구성된 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템.
  16. 전기차가 충전 스테이션에서 충전되는 동안 네트워크를 통해 충전 스테이션으로부터 배터리의 식별정보 및 동작 특성 누적 정보, 전기차의 식별정보 및 운행 특성 누적 정보, 및 배터리의 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 수집하여 데이터베이스에 저장하는 단계;
    배터리 성능 평가 정보를 입력 받아 배터리의 퇴화도를 출력하도록 미리 학습된 인공 지능 모델을 이용하여 상기 수집된 배터리 성능 평가 정보에 대응되는 현재 퇴화도를 결정하는 단계;
    현재 퇴화도가 직전 퇴화도 대비 기준치 이상 증가한 경우 배터리 동작의 제어에 사용되는 제어 팩터와 퇴화도 간의 상관 관계 정보를 이용하여 현재 퇴화도에 대응되는 최신 제어 팩터를 결정하는 단계; 및
    상기 충전 스테이션이 전기차의 제어 시스템으로 상기 최신 제어 팩터를 전달하여 제어 팩터를 갱신할 수 있도록 상기 최신 제어 팩터를 네트워크를 통해 충전 스테이션으로 전송하는 단계를 포함하는 것을 특징으로 하는 전기차 충전 스테이션을 이용한 배터리 성능관리 방법.
  17. 복수의 프로세서 실행 명령들을 저장하고 있는 비일시적(non-transitory) 메모리 디바이스; 및
    상기 복수의 프로세서 실행 명령들을 실행하도록 구성된 프로세서를 포함하고,
    상기 프로세서는, 상기 프로세서 실행 명령들을 실행하는 것에 의해,
    (a) 네트워크를 통해 충전 스테이션으로부터 배터리의 식별정보 및 동작 특성 누적 정보, 전기차의 식별정보 및 운행 특성 누적 정보, 및 배터리의 최신 충전 특성 정보를 포함하는 배터리 성능 평가 정보를 수신하고,
    (b) 배터리 성능 평가 정보로부터 배터리의 퇴화도를 출력하도록 인공 지능 모델을 학습시키고,
    (c) 학습된 인공 지능 모델을 이용하여 상기 수집된 배터리 성능 평가 정보에 대응되는 현재 퇴화도를 결정하고,
    (d) 데이터베이스로부터 배터리의 직전 퇴화도를 독출하고,
    (e) 현재 퇴화도가 직전 퇴화도 대비 기준치 이상 증가한 경우 배터리 동작의 제어에 사용되는 제어 팩터와 퇴화도 간의 상관 관계 정보를 이용하여 현재 퇴화도에 대응되는 최신 제어 팩터를 결정하고,
    (f) 상기 최신 제어 팩터를 네트워크를 통해 충전 스테이션으로 전송하도록 구성된 것을 특징으로 하는 컴퓨팅 디바이스.
PCT/KR2021/003673 2020-03-24 2021-03-24 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법 WO2021194267A1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP21776702.9A EP4064174A4 (en) 2020-03-24 2021-03-24 SYSTEM AND METHOD FOR BATTERY PERFORMANCE MANAGEMENT USING AN ELECTRIC VEHICLE CHARGING STATION
US17/641,148 US20220281345A1 (en) 2020-03-24 2021-03-24 Battery Performance Management System And Method
CN202180005576.5A CN114450706A (zh) 2020-03-24 2021-03-24 使用电动车辆充电站的电池性能管理***和方法
JP2022513895A JP7269437B2 (ja) 2020-03-24 2021-03-24 電気車充電ステーションを用いたバッテリー性能管理システム及び方法

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2020-0035892 2020-03-24
KR20200035892 2020-03-24
KR10-2021-0037625 2021-03-23
KR1020210037625A KR102627949B1 (ko) 2020-03-24 2021-03-23 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법

Publications (1)

Publication Number Publication Date
WO2021194267A1 true WO2021194267A1 (ko) 2021-09-30

Family

ID=77892775

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/003673 WO2021194267A1 (ko) 2020-03-24 2021-03-24 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법

Country Status (6)

Country Link
US (1) US20220281345A1 (ko)
EP (1) EP4064174A4 (ko)
JP (2) JP7269437B2 (ko)
KR (1) KR20240010078A (ko)
CN (1) CN114450706A (ko)
WO (1) WO2021194267A1 (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210136496A (ko) * 2020-05-08 2021-11-17 현대자동차주식회사 빅데이터를 이용한 배터리 수명 예측 시스템
KR20210142875A (ko) 2020-05-19 2021-11-26 현대자동차주식회사 빅데이터를 이용한 차량 파워 제어 시스템
KR20210144171A (ko) 2020-05-21 2021-11-30 현대자동차주식회사 분산 클라우딩을 이용한 차량 제어 시스템
US11615048B2 (en) * 2021-03-05 2023-03-28 Aspeed Technology Inc. Adaptive serial general-purpose input output interface and signal receiver thereof
KR20230157115A (ko) * 2022-05-09 2023-11-16 주식회사 에이젠글로벌 e-모빌리티 배터리 가치 판단 결과를 기반으로 금융 서비스를 제공하기 위한 배터리 포트폴리오 설정 방법 및 이러한 방법을 수행하는 장치
KR20230159013A (ko) * 2022-05-13 2023-11-21 주식회사 에이젠글로벌 e-모빌리티 배터리 가치 판단 결과를 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치
CN117200393B (zh) * 2023-09-12 2024-04-26 陕西太瓦时代能源科技有限公司 一种储能电站的运行数据处理方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110082621A1 (en) * 2009-10-02 2011-04-07 Eric Berkobin Method and system for predicting battery life based on vehicle battery, usage, and environmental data
KR20130082959A (ko) * 2011-12-26 2013-07-22 주식회사 케이티 전기자동차 관리 서비스 시스템 및 이를 이용한 서비스 방법
KR20160000317A (ko) * 2014-06-24 2016-01-04 삼성전자주식회사 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
KR20190100114A (ko) * 2019-08-09 2019-08-28 엘지전자 주식회사 배터리 장치 및 그 제어 방법
KR20200011828A (ko) * 2018-07-25 2020-02-04 주식회사 아이비스 보험료 관리시스템 및 그 관리방법
KR20200035892A (ko) 2018-09-27 2020-04-06 연세대학교 산학협력단 후각 검사용 키트
KR20210037625A (ko) 2020-03-31 2021-04-06 바이두 온라인 네트웍 테크놀러지 (베이징) 캄파니 리미티드 동영상 재생 방법, 장치, 전자기기와 저장매체

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4252909B2 (ja) 2004-02-13 2009-04-08 株式会社日立製作所 車両診断システム
JP4661250B2 (ja) 2005-02-09 2011-03-30 富士電機ホールディングス株式会社 予測方法、予測装置および予測プログラム
JP5362930B1 (ja) 2013-07-04 2013-12-11 レスク株式会社 電動車両用バッテリ交換システム及びプログラム
SG11202005953UA (en) * 2017-12-27 2020-07-29 Future Science Res Inc Secondary battery management device and secondary battery management program
CN111630399A (zh) * 2018-03-20 2020-09-04 本田技研工业株式会社 电池
WO2019235645A1 (ja) * 2018-06-08 2019-12-12 パナソニックＩｐマネジメント株式会社 バッテリ管理システム及びバッテリ管理方法
US20210181256A1 (en) * 2018-07-31 2021-06-17 Honda Motor Co., Ltd. Estimation system, estimation device, estimation method, program, and storage medium
CN112534671A (zh) 2018-08-28 2021-03-19 本田技研工业株式会社 提示装置、提示方法以及程序

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110082621A1 (en) * 2009-10-02 2011-04-07 Eric Berkobin Method and system for predicting battery life based on vehicle battery, usage, and environmental data
KR20130082959A (ko) * 2011-12-26 2013-07-22 주식회사 케이티 전기자동차 관리 서비스 시스템 및 이를 이용한 서비스 방법
KR20160000317A (ko) * 2014-06-24 2016-01-04 삼성전자주식회사 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
KR20200011828A (ko) * 2018-07-25 2020-02-04 주식회사 아이비스 보험료 관리시스템 및 그 관리방법
KR20200035892A (ko) 2018-09-27 2020-04-06 연세대학교 산학협력단 후각 검사용 키트
KR20190100114A (ko) * 2019-08-09 2019-08-28 엘지전자 주식회사 배터리 장치 및 그 제어 방법
KR20210037625A (ko) 2020-03-31 2021-04-06 바이두 온라인 네트웍 테크놀러지 (베이징) 캄파니 리미티드 동영상 재생 방법, 장치, 전자기기와 저장매체

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4064174A4

Also Published As

Publication number Publication date
CN114450706A (zh) 2022-05-06
JP2023103268A (ja) 2023-07-26
JP7487380B2 (ja) 2024-05-20
KR20240010078A (ko) 2024-01-23
JP2022547002A (ja) 2022-11-10
JP7269437B2 (ja) 2023-05-08
EP4064174A4 (en) 2023-01-11
EP4064174A1 (en) 2022-09-28
US20220281345A1 (en) 2022-09-08

Similar Documents

Publication Publication Date Title
WO2021194267A1 (ko) 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
WO2021246788A1 (ko) 배터리 서비스 제공 시스템 및 방법
KR102627949B1 (ko) 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
WO2022045842A1 (ko) 배터리 통합 관리 플랫폼 서비스 시스템 및 방법
WO2022103185A1 (ko) 전지의 용량 측정 장치 및 방법, 및 상기 장치를 포함하는 전지 제어 시스템
WO2019098722A1 (ko) 배터리 저항 추정 장치 및 방법
WO2019050330A1 (ko) 배터리 충전 상태 추정 장치 및 방법
WO2021235648A1 (en) Method and apparatus for accessing network cell
WO2020262789A1 (ko) 이상 배터리 셀 검출 방법
WO2020262787A1 (ko) 내부 단락 셀 검출 방법
WO2021101048A9 (ko) 차량센서를 활용한 전기차용 정보제공서비스 시스템
EP3438610B1 (en) Charging facility notification method and information presentation device
WO2023068899A1 (ko) 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법
CN111880106B (zh) 电池荷电状态检测方法、设备、存储介质及装置
WO2020153637A1 (ko) 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩
US20210247459A1 (en) Battery deterioration judging system, battery deterioration judging method, and non-transitory storage medium that stores a battery deterioration judging program
WO2023008980A1 (en) Method of load forecasting via attentive knowledge transfer, and an apparatus for the same
CN115315698A (zh) 检测异常充电事件的***和方法
EP3392076B1 (en) Information collection system for electric storage device
KR20210036638A (ko) 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 최적화 방법
CN110888082B (zh) 继电保护二次回路节点电压故障定位方法及装置
WO2021261781A1 (ko) 배터리 상태 관리 시스템 및 방법
WO2023096315A1 (ko) Lca 기반 배터리 관리 방법, 서버, 및 그 컴퓨터 프로그램
JP6833646B2 (ja) 事故原因分類装置
WO2022265458A1 (ko) 이차전지 저전압 불량 예측 장치 및 방법, 상기 장치를 포함하는 전지 제어 시스템

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21776702

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022513895

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2021776702

Country of ref document: EP

Effective date: 20220621

NENP Non-entry into the national phase

Ref country code: DE