WO2023149741A1 - 메타 학습 기반의 배터리 soc 추정 방법 및 장치 - Google Patents

메타 학습 기반의 배터리 soc 추정 방법 및 장치 Download PDF

Info

Publication number
WO2023149741A1
WO2023149741A1 PCT/KR2023/001565 KR2023001565W WO2023149741A1 WO 2023149741 A1 WO2023149741 A1 WO 2023149741A1 KR 2023001565 W KR2023001565 W KR 2023001565W WO 2023149741 A1 WO2023149741 A1 WO 2023149741A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery
soc
estimation model
learning
soc estimation
Prior art date
Application number
PCT/KR2023/001565
Other languages
English (en)
French (fr)
Inventor
배성우
정대웅
Original Assignee
한양대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Publication of WO2023149741A1 publication Critical patent/WO2023149741A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Definitions

  • the present invention relates to a method and apparatus for estimating SOC of a battery, and more particularly, to a method and apparatus for estimating SOC of a battery based on meta-learning.
  • Transfer learning has been proposed to solve the problem of obtaining training data for deep learning model training.
  • Transfer learning is a method of reducing the amount of data required for training by applying an already trained deep learning model to another model and applying the already trained results without training the deep learning model from scratch.
  • SOC estimation for a new target battery can be trained based on information on a previously trained battery.
  • the SOC estimation performance of a transfer learning-based deep learning model is mainly determined by the similarity between the pre-training battery data and the target battery data.
  • the process of constructing a lookup table by identifying the battery OCV-SOC relationship through a battery characteristic test is essential in developing a new BMS, and the internal battery required for constructing a battery equivalent model Battery characterization tests are required to determine modeling factors such as resistance.
  • An object of the present invention is to provide a method and apparatus for estimating SOC of a battery based on meta-learning capable of accurately estimating SOC of a battery using less training data.
  • the present invention is to provide a method and apparatus for estimating SOC of a battery based on meta-learning capable of accurately estimating the SOC of a target battery without being greatly affected by the similarity between charging and discharging data of a training battery and a target battery.
  • the present invention for achieving the above object, collecting training data for a plurality of reference batteries; performing meta-learning on a global SOC estimation model for estimating an SOC value for a target battery using a first learning parameter of a local SOC estimation model for each of the reference batteries, which is learned through the training data; and estimating an SOC value of the target battery using the global SOC estimation model on which the meta-learning has been performed.
  • receiving a global SOC estimation model for estimating the SOC value of the target battery adjusting a first learning parameter of the global SOC estimation model by performing learning on the global SOC estimation model using training data for the target battery; and estimating an SOC value for the target battery using a global SOC estimation model adjusted for the first learning parameter, wherein the global SOC estimation model is learned through training data for a plurality of reference batteries.
  • a battery SOC estimation method which is a meta-learned estimation model, using a second learning parameter of a local SOC estimation model for each of the reference batteries.
  • a memory and at least one processor electrically connected to the memory, wherein the processor uses a first learning parameter of a local SOC estimation model for each of the reference batteries, which is learned through training data for a plurality of reference batteries.
  • the learning parameters of the global SOC estimation model for the target battery are primarily determined through meta-learning, the learning parameters of the global SOC estimation model are determined through a small amount of training data for the target battery. can be effectively coordinated.
  • charge/discharge data for various types of reference batteries are used for learning, thereby solving the problem of transfer learning in which SOC estimation performance is greatly influenced by the similarity of charge/discharge data.
  • FIG. 1 is a diagram for explaining a method for estimating SOC of a battery according to an embodiment of the present invention.
  • FIG. 2 is a diagram for explaining a method for estimating SOC of a battery according to another embodiment of the present invention.
  • FIG. 3 is a diagram for explaining a method for estimating SOC of a battery according to another embodiment of the present invention.
  • FIG. 4 is a diagram for explaining an SOC estimating apparatus according to an embodiment of the present invention.
  • the deep learning model-based battery SOC estimation method can easily implement a deep learning SOC estimation model without theoretical prior knowledge of a battery equivalent model.
  • the battery SOC can be estimated based on the data measured by the BMS, it is easy to apply to ESSs that require large-scale battery management.
  • the present invention provides a meta-learning-based battery SOC estimation method that can solve these problems. Suggest.
  • the present invention can learn a deep learning model for estimating the battery SOC using a small amount of training data, and is not greatly affected by the similarity between the training battery and the charge/discharge data of the target battery, and the SOC of the target battery
  • a battery SOC estimation method may be performed in a computing device including a memory and a processor.
  • FIG. 1 is a diagram for explaining a method for estimating SOC of a battery according to an embodiment of the present invention.
  • a computing device collects training data for a plurality of reference batteries (S110).
  • the reference battery is a battery for training used to acquire data for training, and the reference battery may be a battery different from each other in at least one of a chemical structure and a battery capacity.
  • the batteries having different chemical structures refer to batteries having different elements included in the batteries. For example, even in the same lithium ion battery, a battery using a cathode material composed of nickel, cobalt, and manganese and a battery using a cathode material composed of phosphoric acid and iron have different chemical structures.
  • the training data is battery charging/discharging data, and includes voltage, current, temperature, and SOC values measured during charging and discharging of the battery, and may be obtained from the BMS of the battery.
  • Training data for the reference battery includes voltage, current, temperature, and SOC values measured during charging and discharging of the reference battery.
  • the SOC value may be labeled as a correct value for voltage, current, and temperature.
  • the computing device performs meta-learning on the global SOC estimation model for estimating the SOC value of the target battery using the first learning parameter of the local SOC estimation model for each reference battery (S120).
  • the computing device determines a second learning parameter of the global SOC estimation model by using meta-learning.
  • the learning parameter may be a weight of the SOC estimation model.
  • Each local SOC estimation model is a model learned to estimate the SOC for each reference battery, and is learned through training data for the reference battery. For example, the first local SOC estimation model is learned to estimate the SOC of the first reference battery through the training data for the first reference battery, and the second local SOC estimation model is trained to use the training data for the second reference battery. It is learned to estimate the SOC of the second reference battery through
  • the target battery may be a battery that is different from the reference battery in at least one of chemical structure and battery capacity.
  • the local and global SOC estimation models may be various deep learning models, and may be artificial neural networks such as a convolutional neural network (CNN), a deep neural network (DNN), and a recurrent neural network (RNN).
  • CNN convolutional neural network
  • DNN deep neural network
  • RNN recurrent neural network
  • the computing device determines a second learning parameter of the global SOC estimation model from the first learning parameter of the local SOC estimation model by using meta-learning.
  • the computing device may determine, as the second learning parameter, a first learning parameter for which a sum of loss values of the local SOC estimation model is minimized.
  • the second learning parameter may correspond to a learning parameter that minimizes the sum of loss values of the local SOC estimation model when the second learning parameter is applied to the local SOC estimation model.
  • the computing device estimates the SOC value of the target battery using the global SOC estimation model on which meta-learning has been performed (S130).
  • the global SOC estimation model outputs an SOC value of the target battery corresponding to the input charge/discharge data.
  • the computing device may adjust the second learning parameter of the global SOC estimation model to increase SOC estimation accuracy of the target battery.
  • the computing device performs learning on the global SOC estimation model using the training data for the target battery, and adjusts the second learning parameter. That is, the computing device adjusts the second learning parameter by performing re-learning on the global SOC estimation model for which the second learning parameter is determined through meta-learning using training data for a target battery. Then, the SOC value of the target battery is estimated using the global SOC estimation model adjusted for the second learning parameter.
  • the type of training data for the target battery is the same as the type of training data for the reference battery, but the amount of training data for the target battery may be less than the amount of training data for the reference battery. That is, the training data for the target battery, like the training data for the reference battery, includes voltage, current, temperature, and SOC values measured during charging and discharging of the target battery, but in a fully charged state in a discharged state of the target battery. It may be data obtained in a partial section of the entire section, rather than data acquired in the entire section up to .
  • the second learning parameter of the global SOC estimation model is primarily determined through the meta-learning process, even with a small amount of training data for the target battery, the SOC estimation performance for the target battery can be improved. Parameters can be effectively adjusted.
  • the present invention it is possible to estimate the SOC of a battery without performance degradation by using a smaller amount of training data than training data required when using a general deep learning SOC estimation model, and Since training data of is used, the time required for learning can be shortened.
  • FIG. 2 is a diagram for explaining a method for estimating SOC of a battery according to another embodiment of the present invention.
  • learning of the local SOC estimation model is performed in a separate computing device different from the computing device for estimating the battery SOC.
  • the local SOC estimation model learned in the separate computing device is input to the computing device for estimating the battery SOC.
  • the computing device receives a global SOC estimation model for estimating an SOC value of a target battery (S210). Then, the global SOC estimation model is learned using the training data for the target battery, and the second learning parameter of the global SOC estimation model is adjusted (S220). Then, the SOC value of the target battery is estimated using the global SOC estimation model adjusted for the second learning parameter (S220).
  • the global SOC estimation model is a meta-learned estimation model using the first learning parameter of the local SOC estimation model for each reference battery, and the local SOC estimation model is learned through training data for a plurality of reference batteries.
  • FIG. 3 is a diagram for explaining a method for estimating SOC of a battery according to another embodiment of the present invention.
  • a computing device sets training data for a plurality of reference batteries as a training data set ( ) and the test data set ( ) to separate (S310). Then, meta-learning is performed with the training data set to update the first learning parameter of the local SOC estimation model and the second learning parameter of the global SOC estimation model (S320).
  • a local SOC estimation model corresponds to each reference battery. That is, when N reference batteries are used, N local SOC estimation models are used.
  • the update process of the first learning parameter can be expressed as [Equation 1].
  • the computing device may perform learning so that the loss value of the SOC estimation model is minimized using gradient descent, and gradient descent methods such as Stochastic Gradient Descent (SGD), Momentum, and Adam (Adaptive Moment Estimation) can be used.
  • SGD Stochastic Gradient Descent
  • Momentum Momentum
  • Adam Adaptive Moment Estimation
  • Is the first learning parameter to be updated is an updated second learning parameter
  • L i is the loss function of the local SOC estimation model
  • ⁇ is the learning rate
  • i is the index of the local SOC estimation model
  • the second learning parameter is updated in a direction in which the sum of loss values of the loss function for the local SOC estimation model is minimized, and the second learning parameter may be updated to satisfy [Equation 2].
  • the computing device calculates the sum of the loss values of the local SOC estimation model using the test data set, and determines whether the calculated value becomes the minimum (S330). If the calculated value is not the minimum, step S320 is performed, and if the calculated value is minimum, the first learning parameter at this time is determined as the second learning parameter (S340). That is, when the determined second learning parameter is substituted into the local SOC estimation model, the sum of loss values of the local SOC estimation model may be minimized.
  • ⁇ represents the step size for determining the second learning parameter.
  • the computing device finely adjusts the second learning parameter of the global SOC estimation model using the training data for the target battery (S350).
  • the computing device may finely adjust the second learning parameter using [Equation 4].
  • Is a fine-tuned second learning parameter is the step size applied during the fine-tuning process
  • D target is the training data for the target battery
  • L f is the loss function of the global SOC estimation model for fine-tuning.
  • the loss function of the global SOC estimation model can be calculated as the mean square error between the estimated SOC value and the actual SOC value, as shown in [Equation 5].
  • SOC true represents the actual SOC value of the training data
  • SOC est represents the SOC value estimated by the global SOC estimation model.
  • the computing device estimates the SOC value of the target battery using the global SOC estimation model in which the second learning parameter is finely adjusted (S360).
  • the computing device may acquire the SOC value (Y) by inputting real-time charge/discharge data of the target battery to the global SOC estimation model, which may be expressed as [Equation 6].
  • a is an activation function
  • X is charge/discharge data of a target battery
  • b is a bias value
  • FIG. 4 is a diagram for explaining an SOC estimating apparatus according to an embodiment of the present invention.
  • the SOC estimation device includes a battery data collection unit 410, an artificial intelligence meta-learning unit 420, an artificial intelligence fine-tuning unit 430, and an artificial intelligence SOC estimation unit 440. includes
  • the battery data collection unit 410 collects training data for a reference battery.
  • the artificial intelligence meta-learning unit 420 performs meta-learning using the collected training data and determines learning parameters of the global SOC estimation model.
  • the artificial intelligence fine-tuning unit 430 fine-tunes the learning parameters of the global SOC estimation model using the training data (D target ) for the target battery.
  • the artificial intelligence SOC estimator 440 estimates the SOC value of the target battery using charge/discharge data (X) of the target battery and a global SOC estimation model in which learning parameters are finely adjusted.
  • an SOC estimation apparatus may include a memory and at least one processor electrically connected to the memory.
  • the processor performs meta-learning on the global SOC estimation model using a first learning parameter of a local SOC estimation model for each reference battery, which is learned through training data for a plurality of reference batteries, and the meta-learning is performed.
  • the SOC value of the target battery may be estimated using the performed global SOC estimation model.
  • the processor may determine a second learning parameter of the global SOC estimation model, perform learning on the global SOC estimation model using training data for a target battery, and adjust the second learning parameter of the global SOC estimation model.
  • the technical contents described above may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium.
  • the computer readable medium may include program instructions, data files, data structures, etc. alone or in combination.
  • Program commands recorded on the medium may be specially designed and configured for the embodiments or may be known and usable to those skilled in computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks.
  • - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like.
  • Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler.
  • a hardware device may be configured to act as one or more software modules to perform the operations of the embodiments and vice versa.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

메타 학습 기반으로 배터리 SOC를 추정 방법 및 장치가 개시된다. 개시된 배터리 SOC 추정 방법은 복수의 레퍼런스 배터리에 대한 훈련용 데이터를 수집하는 단계; 상기 훈련용 데이터를 통해 학습되는, 상기 레퍼런스 배터리 각각에 대한 로컬 SOC 추정 모델의 제1학습 파라미터를 이용하여, 타겟 배터리에 대한 SOC값을 추정하는 글로벌 SOC 추정 모델에 대한 메타 학습을 수행하는 단계; 및 상기 메타 학습이 수행된 상기 글로벌 SOC 추정 모델을 이용하여, 상기 타겟 배터리에 대한 SOC값을 추정하는 단계를 포함한다.

Description

메타 학습 기반의 배터리 SOC 추정 방법 및 장치
본 발명은 배터리 SOC를 추정 방법 및 장치에 관한 것으로서, 더욱 상세하게는 메타 학습 기반으로 배터리 SOC를 추정 방법 및 장치에 관한 것이다.
딥러닝 모델을 통해 배터리 SOC(State Of Charge)를 추정하는 알고리즘을 구현하기 위해서는 목표 배터리에 대한 대량의 충방전 데이터가 필요하다. 배터리의 충방전 데이터를 대량으로 확보하는 작업은 딥러닝 모델을 훈련시키기 위해 필수적으로 선행되는 과정이며, 이때 많은 비용과 시간을 소요하기 때문에 딥러닝 모델 기반 배터리 상태 추정 방법의 주요 단점으로 지적된다. 또한 목표 배터리의 종류가 달라지는 경우 훈련 데이터를 처음부터 다시 수집하여 딥러닝 모델을 재훈련해야 하며, 이러한 문제는 전기 자동차와 같이 차종의 다양화가 가능한 어플리케이션에서 BMS(Battery Management System) 개발 진행시 많은 비용과 기간이 요구되는 치명적인 단점으로 작용한다.
딥러닝 모델 훈련을 위한 훈련 데이터 확보 문제를 해결하기 위해 전이 학습이 제안되었다. 전이 학습은 이미 훈련된 딥러닝 모델을 다른 모델에 적용시켜, 딥러닝 모델을 처음부터 훈련하지 않고 이미 훈련된 결과를 적용하여 훈련에 필요한 데이터양을 줄이는 방법이다. 전이 학습을 배터리 SOC 추정에 적용하게 되면, 사전에 훈련한 배터리에 대한 정보를 토대로 새로운 목표 배터리에 대한 SOC 추정을 훈련할 수 있게 된다. 하지만 전이학습은 단일 배터리의 사전 훈련 데이터를 기반으로 훈련하기 때문에, 전이학습 기반 딥러닝 모델의 SOC 추정 성능은, 주로 사전 훈련 배터리 데이터와 대상 배터리 데이터간의 유사성에 의해 결정된다.
등가모델 기반의 배터리 SOC 추정 방법은 신규 BMS 개발에 있어 배터리 특성 시험을 통해 배터리 OCV-SOC 관계를 파악하여 룩업테이블을 구성하는 과정이 필수적으로 수행되어야 하며, 배터리 등가모델을 구성할 때 필요한 배터리 내부저항과 같은 모델링 요소를 결정하기 위한 배터리 특성 시험이 요구된다.
본 발명은 보다 적은 훈련용 데이터를 이용하여 배터리의 SOC를 정확하게 추정할 수 있는 메타 학습 기반의 배터리 SOC 추정 방법 및 장치를 제공하기 위한 것이다.
또한 본 발명은 훈련용 배터리와 타겟 배터리의 충방전 데이터의 유사성에 크게 영향을 받지 않고, 타겟 배터리의 SOC를 정확하게 추정할 수 있는 메타 학습 기반의 배터리 SOC 추정 방법 및 장치를 제공하기 위한 것이다.
상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 복수의 레퍼런스 배터리에 대한 훈련용 데이터를 수집하는 단계; 상기 훈련용 데이터를 통해 학습되는, 상기 레퍼런스 배터리 각각에 대한 로컬 SOC 추정 모델의 제1학습 파라미터를 이용하여, 타겟 배터리에 대한 SOC값을 추정하는 글로벌 SOC 추정 모델에 대한 메타 학습을 수행하는 단계; 및 상기 메타 학습이 수행된 상기 글로벌 SOC 추정 모델을 이용하여, 상기 타겟 배터리에 대한 SOC값을 추정하는 단계를 포함하는 배터리 SOC 추정 방법이 제공된다.
또한 상기한 목적을 달성하기 위한 본 발명의 다른 실시예에 따르면, 타겟 배터리에 대한 SOC값을 추정하는 글로벌 SOC 추정 모델을 입력받는 단계; 상기 타겟 배터리에 대한 훈련용 데이터를 이용해 상기 글로벌 SOC 추정 모델에 대한 학습을 수행하여, 상기 글로벌 SOC 추정 모델의 제1학습 파라미터를 조정하는 단계; 및 상기 제1학습 파라미터가 조정된 글로벌 SOC 추정 모델을 이용하여, 상기 타겟 배터리에 대한 SOC값을 추정하는 단계를 포함하며, 상기 글로벌 SOC 추정 모델은 복수의 레퍼런스 배터리에 대한 훈련용 데이터를 통해 학습되는, 상기 레퍼런스 배터리 각각에 대한 로컬 SOC 추정 모델의 제2학습 파라미터를 이용하여, 메타 학습된 추정 모델인 배터리 SOC 추정 방법이 개시된다.
또한 상기한 목적을 달성하기 위한 본 발명의 또 다른 실시예에 따르면, 메모리; 및 상기 메모리와 전기적으로 연결되는 적어도 하나의 프로세서를 포함하며, 상기 프로세서는 복수의 레퍼런스 배터리에 대한 훈련용 데이터를 통해 학습되는, 상기 레퍼런스 배터리 각각에 대한 로컬 SOC 추정 모델의 제1학습 파라미터를 이용하여, 글로벌 SOC 추정 모델에 대한 메타 학습을 수행하고, 상기 메타 학습이 수행된 상기 글로벌 SOC 추정 모델을 이용하여, 상기 타겟 배터리에 대한 SOC값을 추정하는 배터리 SOC 추정 장치가 개시된다.
본 발명의 일실시예에 따르면, 메타 학습을 통해 타겟 배터리에 대한 글로벌 SOC 추정 모델의 학습 파라미터가 1차적으로 결정되므로, 타겟 배터리에 대한 소량의 훈련용 데이터를 통해 글로벌 SOC 추정 모델의 학습 파라미터가 효과적으로 조정될 수 있다.
또한 본 발명의 일실시예에 따르면, 다양한 종류의 레퍼런스 배터리에 대한 충방전 데이터가 학습에 이용됨으로써, SOC 추정 성능이 충방전 데이터의 유사성에 크게 영향을 받는 전이 학습의 문제가 해결될 수 있다.
도 1은 본 발명의 일실시예에 따른 배터리 SOC 추정 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 다른 실시예에 따른 배터리 SOC 추정 방법을 설명하기 위한 도면이다.
도 3은 본 발명의 또 다른 실시예에 따른 배터리 SOC 추정 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 SOC 추정 장치를 설명하기 위한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
딥러닝 모델 기반의 배터리 SOC 추정 방법은, 배터리 등가 모델에 대한 이론적 사전 지식 없이도 딥러닝 SOC 추정 모델을 쉽게 구현할 수 있다. 또한 BMS에서 측정한 데이터를 기반으로 배터리 SOC를 추정할 수 있기 때문에, 대규모 배터리 관리가 필요한 ESS 등에 적용하기 용이하다.
다만, 딥러닝 모델 기반의 배터리 SOC 추정 방법과 전이 학습 기반의 배터리 SOC 추정 방법에 따르면, 전술된 문제점이 발생할 수 있으며, 본 발명은 이러한 문제점이 해결될 수 있는 메타 학습 기반의 배터리 SOC 추정 방법을 제안한다.
즉, 본 발명은 소량의 훈련용 데이터를 이용하여 배터리 SOC 추정을 위한 딥러닝 모델을 학습시킬 수 있으며, 훈련용 배터리와 타겟 배터리의 충방전 데이터의 유사성에 크게 영향을 받지 않고, 타겟 배터리의 SOC를 정확하게 추정할 수 있는 배터리 SOC 추정 방법을 제안한다.
본 발명의 일실시예에 따른 배터리 SOC 추정 방법은 메모리 및 프로세서를 포함하는 컴퓨팅 장치에서 수행될 수 있다.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 배터리 SOC 추정 방법을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 컴퓨팅 장치는 복수의 레퍼런스 배터리에 대한 훈련용 데이터를 수집(S110)한다. 여기서, 레퍼런스 배터리는 훈련용 데이터 획득을 위해 이용되는 훈련용 배터리로서, 레퍼런스 배터리는 화학적 구조 및 배터리 용량 중 적어도 하나가 서로 다른 배터리일 수 있다. 그리고 여기서 화학적 구조가 다른 배터리란, 배터리에 포함된 원소가 서로 다른 배터리를 의미한다. 예컨대, 동일한 리튬 이온 배터리라도, 니켈, 코발트, 망간으로 구성된 양극재를 이용하는 배터리와 인산, 철로 구성된 양극재를 이용하는 배터리는 서로 화학적 구조가 다르다.
그리고 훈련용 데이터는 배터리의 충방전 데이터로서, 배터리의 충전 및 방전시에 측정된 전압, 전류, 온도 및 SOC 값을 포함하며, 배터리의 BMS로부터 획득될 수 있다. 레퍼런스 배터리에 대한 훈련용 데이터는, 레퍼런스 배터리의 충전 및 방전시에 측정된 전압, 전류, 온도 및 SOC 값을 포함한다. SOC값은 전압, 전류, 온도에 대한 정답값으로 레이블링될 수 있다.
컴퓨팅 장치는 레퍼런스 배터리 각각에 대한 로컬 SOC 추정 모델의 제1학습 파라미터를 이용하여, 타겟 배터리에 대한 SOC값을 추정하는 글로벌 SOC 추정 모델에 대한 메타 학습을 수행(S120)한다. 컴퓨팅 장치는 메타 학습을 이용하여, 글로벌 SOC 추정 모델의 제2학습 파라미터를 결정한다. 학습 파라미터는 SOC 추정 모델의 가중치일 수 있다.
로컬 SOC 추정 모델 각각은 레퍼런스 배터리 각각에 대한 SOC를 추정하도록 학습된 모델로서, 레퍼런스 배터리에 대한 훈련용 데이터를 통해 학습된다. 예컨대, 제1로컬 SOC 추정 모델은, 제1레퍼런스 배터리에 대한 훈련용 데이터를 통해 제1레퍼런스 배터리의 SOC를 추정하도록 학습되며, 제2로컬 SOC 추정 모델은, 제2레퍼런스 배터리에 대한 훈련용 데이터를 통해 제2레퍼런스 배터리의 SOC를 추정하도록 학습된다.
그리고 타겟 배터리는 레퍼런스 배터리와 화학적 구조 및 배터리 용량 중 적어도 하나가 다른 배터리일 수 있다.
로컬 및 글로벌 SOC 추정 모델은, 다양한 딥러닝 모델일 수 있으며, Convolutional neural network(CNN), Deep neural network(DNN), Recurrent neural network(RNN) 등의 인공 신경망일 수 있다.
단계 S120에서 컴퓨팅 장치는 메타 학습을 이용하여, 로컬 SOC 추정 모델의 제1학습 파라미터로부터, 글로벌 SOC 추정 모델의 제2학습 파라미터를 결정한다. 일실시예로서, 컴퓨팅 장치는 로컬 SOC 추정 모델의 손실값의 합이 최소가 되는 제1학습 파라미터를 제2학습 파라미터로 결정할 수 있다. 다시 말해, 제2학습 파라미터는, 제2학습 파라미터가 로컬 SOC 추정 모델에 적용될 경우, 로컬 SOC 추정 모델의 손실값의 합이 최소가 되는 학습 파라미터에 대응될 수 있다.
전이 학습과 달리 다양한 종류의 레퍼런스 배터리에 대한 충방전 데이터가 학습에 이용됨으로써, 본 발명의 일실시예에 따르면, SOC 추정 성능이 충방전 데이터의 유사성에 크게 영향을 받는 전이 학습의 문제가 해결될 수 있다.
컴퓨팅 장치는, 메타 학습이 수행된 글로벌 SOC 추정 모델을 이용하여, 타겟 배터리에 대한 SOC값을 추정(S130)한다. 훈련용 데이터에 대응되는 타겟 배터리의 충방전 데이터가 글로벌 SOC 추정 모델로 입력되면, 글로벌 SOC 추정 모델은 입력된 충방전 데이터에 대응되는 타겟 배터리의 SOC값을 출력한다.
이 때, 컴퓨팅 장치는 타겟 배터리에 대한 SOC 추정 정확도를 높이기 위해, 글로벌 SOC 추정 모델의 제2학습 파라미터를 조정할 수 있다. 컴퓨팅 장치는 타겟 배터리에 대한 훈련용 데이터를 이용해 글로벌 SOC 추정 모델에 대한 학습을 수행하여, 제2학습 파라미터를 조정한다. 즉, 컴퓨팅 장치는 메타 학습을 통해 제2학습 파라미터가 결정된 글로벌 SOC 추정 모델에 대해, 타겟 배터리에 대한 훈련용 데이터를 이용하여 재학습을 수행함으로써, 제2학습 파라미터를 조정한다. 그리고 제2학습 파라미터가 조정된 글로벌 SOC 추정 모델을 이용하여, 타겟 배터리에 대한 SOC값을 추정한다.
타겟 배터리에 대한 훈련용 데이터의 종류는 레퍼런스 배터리에 대한 훈련용 데이터의 종류와 동일하되, 타겟 배터리에 대한 훈련용 데이터의 양은 레퍼런스 배터리에 대한 훈련용 데이터의 양보다 적을 수 있다. 즉, 타겟 배터리에 대한 훈련용 데이터는 레퍼런스 배터리에 대한 훈련용 데이터와 같이, 타겟 배터리의 충전 및 방전시에 측정된 전압, 전류, 온도 및 SOC 값을 포함하되, 타겟 배터리의 방전 상태에서 완충 상태까지의 전체 구간에서 획득된 데이터가 아니라, 전체 구간 중 일부 구간에서 획득된 데이터일 수 있다.
메타 학습 과정을 통해 글로벌 SOC 추정 모델의 제2학습 파라미터가 1차적으로 결정되기 때문에, 타겟 배터리에 대한 적은양의 훈련용 데이터만으로도, 타겟 배터리에 대한 SOC 추정 성능이 향상될 수 있도록, 제2학습 파라미터가 효과적으로 조정될 수 있다.
결국, 본 발명의 일실시예에 따르면, 일반적인 딥러닝 SOC 추정 모델을 이용할 때 요구되는 훈련용 데이터보다 소량의 훈련용 데이터를 이용하여, 성능 저하없이 배터리의 SOC를 추정할 수 있을 뿐만 아니라, 소량의 훈련용 데이터가 이용되기 때문에, 학습에 소요되는 시간이 단축될 수 있다.
도 2는 본 발명의 다른 실시예에 따른 배터리 SOC 추정 방법을 설명하기 위한 도면이다.
도 1의 실시예와 달리 도 2에 도시된 실시예에서는, 로컬 SOC 추정 모델에 대한 학습이, 배터리 SOC를 추정하는 컴퓨팅 장치와는 다른 별도의 컴퓨팅 장치에서 수행된다. 그리고 별도의 컴퓨팅 장치에서 학습된 로컬 SOC 추정 모델이, 배터리 SOC를 추정하는 컴퓨팅 장치로 입력된다.
도 2를 참조하면, 본 발명의 일실시예에 따른 컴퓨팅 장치는 타겟 배터리에 대한 SOC값을 추정하는 글로벌 SOC 추정 모델을 입력받는다(S210). 그리고 타겟 배터리에 대한 훈련용 데이터를 이용해 글로벌 SOC 추정 모델에 대한 학습을 수행하여, 글로벌 SOC 추정 모델의 제2학습 파라미터를 조정(S220)한다. 그리고 제2학습 파라미터가 조정된 글로벌 SOC 추정 모델을 이용하여, 타겟 배터리에 대한 SOC값을 추정(S220)한다.
글로벌 SOC 추정 모델은 레퍼런스 배터리 각각에 대한 로컬 SOC 추정 모델의 제1학습 파라미터를 이용하여, 메타 학습된 추정 모델이며, 로컬 SOC 추정 모델은 복수의 레퍼런스 배터리에 대한 훈련용 데이터를 통해 학습된다.
도 3은 본 발명의 또 다른 실시예에 따른 배터리 SOC 추정 방법을 설명하기 위한 도면이다.
도 3을 참조하면, 본 발명의 일실시예에 따른 컴퓨팅 장치는 복수의 레퍼런스 배터리에 대한 훈련용 데이터를 훈련 데이터 셋(
Figure PCTKR2023001565-appb-img-000001
)과, 테스트 데이터 셋(
Figure PCTKR2023001565-appb-img-000002
)으로 분리(S310)한다. 그리고 훈련 데이터 셋으로 메타 학습을 수행하여, 로컬 SOC 추정 모델의 제1학습 파라미터 및 글로벌 SOC 추정 모델의 제2학습 파라미터를 갱신(S320)한다.
로컬 SOC 추정 모델은 레퍼런스 배터리 각각에 대응된다. 즉, N개의 레퍼런스 배터리가 이용될 경우, N개의 로컬 SOC 추정 모델이 이용된다.
제1학습 파라미터의 갱신 과정은 [수학식 1]과 같이 표현될 수 있다. 컴퓨팅 장치는 경사 하강법(Gradient descent)을 이용하여 SOC 추정 모델의 손실값이 최소화되도록 학습을 수행할 수 있으며, Stochastic Gradient Descent(SGD), Momentum, Adam(Adaptive Moment Estimation)등과 같은 경사 하강법이 이용될 수 있다.
Figure PCTKR2023001565-appb-img-000003
여기서,
Figure PCTKR2023001565-appb-img-000004
는 갱신되는 제1학습 파라미터,
Figure PCTKR2023001565-appb-img-000005
는 갱신되는 제2학습 파라미터, Li는 로컬 SOC 추정 모델의 손실함수, α는 학습률, i는 로컬 SOC 추정 모델의 인덱스를 나타낸다.
메타 학습을 통해, 로컬 SOC 추정 모델에 대한 손실 함수의 손실값의 합이 최소화되는 방향으로 제2학습 파라미터가 갱신되며, 제2학습 파라미터는 [수학식 2]를 만족하도록 갱신될 수 있다.
Figure PCTKR2023001565-appb-img-000006
그리고 컴퓨팅 장치는 [수학식 3]과 같이, 테스트 데이터 셋을 이용하여, 로컬 SOC 추정 모델의 손실값의 합을 계산하고, 계산된 값이 최소가 되는지 여부를 판단(S330)한다. 계산된 값이 최소가 아닌 경우, 단계 S320을 수행하며, 계산된 값이 최소인 경우, 이 때의 제1학습 파라미터를 제2학습 파라미터로 결정(S340)한다. 즉, 결정된 제2학습 파라미터를 로컬 SOC 추정 모델에 대입할 경우, 로컬 SOC 추정 모델의 손실값의 합은 최소가 될 수 있다.
Figure PCTKR2023001565-appb-img-000007
여기서,
Figure PCTKR2023001565-appb-img-000008
는 메타 학습을 통해 결정된 제2학습 파라미터, β는 제2학습 파라미터를 결정하기 위한 스텝 사이즈를 나타낸다.
그리고 컴퓨팅 장치는 타겟 배터리에 대한 훈련용 데이터를 이용하여, 글로벌 SOC 추정 모델의 제2학습 파라미터를 미세하게 조정(S350)한다. 컴퓨팅 장치는 [수학식 4]를 이용하여, 제2학습 파라미터를 미세하게 조정할 수 있다.
Figure PCTKR2023001565-appb-img-000009
여기서,
Figure PCTKR2023001565-appb-img-000010
는 미세 조정된 제2학습 파라미터,
Figure PCTKR2023001565-appb-img-000011
는 미세 조정 과정동안 적용되는 스텝 사이즈, Dtarget는 타겟 배터리에 대한 훈련용 데이터, Lf는 미세 조정을 위한 글로벌 SOC 추정 모델의 손실함수를 나타낸다.
글로벌 SOC 추정 모델의 손실함수는 [수학식 5]와 같이, 추정된 SOC 값과 실제 SOC 값에 대한 평균제곱오차로 계산될 수 있다.
Figure PCTKR2023001565-appb-img-000012
여기서, SOCtrue는 훈련용 데이터의 실제 SOC값, SOCest은 글로벌 SOC 추정 모델에 의해 추정된 SOC값을 나타낸다.
컴퓨팅 장치는 제2학습 파라미터가 미세 조정된 글로벌 SOC 추정 모델을 이용하여, 타겟 배터리에 대한 SOC값을 추정(S360)한다. 컴퓨팅 장치는 타겟 배터리에 대한 실시간 충방전 데이터를 글로벌 SOC 추정 모델에 입력하여, SOC값(Y)을 획득할 수 있으며, 이는 [수학식 6]과 같이 표현될 수 있다.
Figure PCTKR2023001565-appb-img-000013
여기서, a는 활성화 함수, X는 타겟 배터리의 충방전 데이터, b는 바이어스 값을 나타낸다.
도 4는 본 발명의 일실시예에 따른 SOC 추정 장치를 설명하기 위한 도면이다.
도 4를 참조하면 본 발명의 일실시예에 따른 SOC 추정 장치는 배터리 데이터 수집부(410), 인공지능 메타 학습부(420), 인공지는 미세 조정부(430), 인공지능 SOC 추정부(440)를 포함한다.
배터리 데이터 수집부(410)는 레퍼런스 배터리에 대한 훈련용 데이터를 수집한다.
인공지능 메타 학습부(420)는 수집된 훈련용 데이터를 이용하여, 메타 학습을 수행하고, 글로벌 SOC 추정 모델의 학습 파라미터를 결정한다.
인공지능 미세 조정부(430)는 타겟 배터리에 대한 훈련용 데이터(Dtarget)를 이용하여, 글로벌 SOC 추정 모델의 학습 파라미터를 미세 조정한다.
인공지능 SOC 추정부(440)는 타겟 배터리에 대한 충방전 데이터(X)와, 학습 파라미터가 미세 조정된 글로벌 SOC 추정 모델을 이용하여, 타겟 배터리에 대한 SOC값을 추정한다.
한편, 본 발명의 다른 실시예에 따른 SOC 추정 장치는 메모리 및 메모리와 전기적으로 연결되는 적어도 하나의 프로세서를 포함할 수 있다. 그리고 프로세서는 복수의 레퍼런스 배터리에 대한 훈련용 데이터를 통해 학습되는, 레퍼런스 배터리 각각에 대한 로컬 SOC 추정 모델의 제1학습 파라미터를 이용하여, 글로벌 SOC 추정 모델에 대한 메타 학습을 수행하고, 메타 학습이 수행된 글로벌 SOC 추정 모델을 이용하여, 타겟 배터리에 대한 SOC값을 추정할 수 있다.
프로세서는 글로벌 SOC 추정 모델의 제2학습 파라미터를 결정하며, 타겟 배터리에 대한 훈련용 데이터를 이용하여 글로벌 SOC 추정 모델에 대한 학습을 수행하고, 글로벌 SOC 추정 모델의 제2학습 파라미터를 조정할 수 있다.
앞서 설명한 기술적 내용들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예들을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

Claims (13)

  1. 복수의 레퍼런스 배터리에 대한 훈련용 데이터를 수집하는 단계;
    상기 훈련용 데이터를 통해 학습되는, 상기 레퍼런스 배터리 각각에 대한 로컬 SOC 추정 모델의 제1학습 파라미터를 이용하여, 타겟 배터리에 대한 SOC값을 추정하는 글로벌 SOC 추정 모델에 대한 메타 학습을 수행하는 단계; 및
    상기 메타 학습이 수행된 상기 글로벌 SOC 추정 모델을 이용하여, 상기 타겟 배터리에 대한 SOC값을 추정하는 단계
    를 포함하는 배터리 SOC 추정 방법.
  2. 제 1항에 있어서,
    상기 훈련용 데이터는
    상기 래퍼런스 배터리의 충전 및 방전시에 측정된 전압, 전류, 온도 및 SOC값을 포함하는
    배터리 SOC 추정 방법.
  3. 제 1항에 있어서,
    상기 메타 학습을 수행하는 단계는
    상기 글로벌 SOC 추정 모델의 제2학습 파라미터를 결정하며,
    상기 제2학습 파라미터는
    상기 제2학습 파라미터가 상기 로컬 SOC 추정 모델에 적용될 경우, 상기 로컬 SOC 추정 모델의 손실값의 합이 최소가 되는 학습 파라미터인
    배터리 SOC 추정 방법.
  4. 제 1항에 있어서,
    상기 타겟 배터리에 대한 SOC값을 추정하는 단계는
    상기 타겟 배터리에 대한 훈련용 데이터를 이용해 상기 글로벌 SOC 추정 모델에 대한 학습을 수행하여, 상기 제2학습 파라미터를 조정하는 단계; 및
    상기 제2학습 파라미터가 조정된 글로벌 SOC 추정 모델을 이용하여, 상기 타겟 배터리에 대한 SOC값을 추정하는 단계
    를 포함하는 배터리 SOC 추정 방법.
  5. 제 4항에 있어서,
    상기 타겟 배터리에 대한 훈련용 데이터의 종류는
    상기 레퍼런스 배터리에 대한 훈련용 데이터의 종류와 동일하며,
    상기 타겟 배터리에 대한 훈련용 데이터의 양은
    상기 레퍼런스 배터리에 대한 훈련용 데이터의 양보다 적은
    배터리 SOC 추정 방법.
  6. 제 5항에 있어서,
    상기 타겟 배터리에 대한 훈련용 데이터는
    상기 타겟 배터리의 방전 상태에서 완충 상태까지의 전체 구간 중 일부 구간에서 획득된 훈련용 데이터인
    배터리 SOC 추정 방법.
  7. 제 1항에 있어서,
    상기 타겟 배터리는
    상기 레퍼런스 배터리와 화학적 구조 및 배터리 용량 중 적어도 하나가 다른 배터리인
    배터리 SOC 추정 방법.
  8. 제 1항에 있어서,
    상기 레퍼런스 배터리는
    화학적 구조 및 배터리 용량 중 적어도 하나가 서로 다른 배터리인
    배터리 SOC 추정 방법.
  9. 타겟 배터리에 대한 SOC값을 추정하는 글로벌 SOC 추정 모델을 입력받는 단계;
    상기 타겟 배터리에 대한 훈련용 데이터를 이용해 상기 글로벌 SOC 추정 모델에 대한 학습을 수행하여, 상기 글로벌 SOC 추정 모델의 제1학습 파라미터를 조정하는 단계; 및
    상기 제1학습 파라미터가 조정된 글로벌 SOC 추정 모델을 이용하여, 상기 타겟 배터리에 대한 SOC값을 추정하는 단계를 포함하며,
    상기 글로벌 SOC 추정 모델은
    복수의 레퍼런스 배터리에 대한 훈련용 데이터를 통해 학습되는, 상기 레퍼런스 배터리 각각에 대한 로컬 SOC 추정 모델의 제2학습 파라미터를 이용하여, 메타 학습된 추정 모델인
    배터리 SOC 추정 방법.
  10. 제 9항에 있어서,
    상기 제1학습 파라미터는
    상기 제1학습 파라미터가 상기 로컬 SOC 추정 모델에 적용될 경우, 상기 로컬 SOC 추정 모델의 손실값의 합이 최소가 되는 학습 파라미터인
    배터리 SOC 추정 방법.
  11. 메모리; 및
    상기 메모리와 전기적으로 연결되는 적어도 하나의 프로세서를 포함하며,
    상기 프로세서는
    복수의 레퍼런스 배터리에 대한 훈련용 데이터를 통해 학습되는, 상기 레퍼런스 배터리 각각에 대한 로컬 SOC 추정 모델의 제1학습 파라미터를 이용하여, 글로벌 SOC 추정 모델에 대한 메타 학습을 수행하고,
    상기 메타 학습이 수행된 상기 글로벌 SOC 추정 모델을 이용하여, 상기 타겟 배터리에 대한 SOC값을 추정하는
    배터리 SOC 추정 장치.
  12. 제 11항에 있어서,
    상기 프로세서는
    상기 글로벌 SOC 추정 모델의 제2학습 파라미터를 결정하며,
    상기 제2학습 파라미터는
    상기 제2학습 파라미터가 상기 로컬 SOC 추정 모델에 적용될 경우, 상기 로컬 SOC 추정 모델의 손실값의 합이 최소가 되는 학습 파라미터인
    배터리 SOC 추정 장치.
  13. 제 11항에 있어서,
    상기 프로세서는
    상기 타겟 배터리로부터 획득된 훈련용 데이터를 이용해 상기 글로벌 SOC 추정 모델을 학습하여, 상기 글로벌 SOC 추정 모델의 메타 학습 파라미터를 갱신하며,
    상기 갱신된 글로벌 SOC 추정 모델을 이용하여, 상기 타겟 배터리에 대한 SOC값을 추정하는
    배터리 SOC 추정 장치.
PCT/KR2023/001565 2022-02-04 2023-02-03 메타 학습 기반의 배터리 soc 추정 방법 및 장치 WO2023149741A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0014533 2022-02-04
KR1020220014533A KR20230118235A (ko) 2022-02-04 2022-02-04 메타 학습 기반의 배터리 soc 추정 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2023149741A1 true WO2023149741A1 (ko) 2023-08-10

Family

ID=87552692

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/001565 WO2023149741A1 (ko) 2022-02-04 2023-02-03 메타 학습 기반의 배터리 soc 추정 방법 및 장치

Country Status (2)

Country Link
KR (1) KR20230118235A (ko)
WO (1) WO2023149741A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100793616B1 (ko) * 2005-06-13 2008-01-10 주식회사 엘지화학 배터리 잔존량 추정 장치 및 방법
KR20190100114A (ko) * 2019-08-09 2019-08-28 엘지전자 주식회사 배터리 장치 및 그 제어 방법
KR20200063330A (ko) * 2018-11-21 2020-06-05 한국과학기술원 메타학습에 기반한 임의의 목표 데이터셋과 모델 구조로의 전이학습 방법 및 시스템
KR20210023641A (ko) * 2019-08-23 2021-03-04 삼성전자주식회사 기계 학습 모델 및 규칙 기반 모델을 포함하는 혼성 모델을 위한 방법 및 시스템
KR20210121411A (ko) * 2020-03-30 2021-10-08 주식회사 아르고스다인 신경망 기반의 배터리 용량 추정 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100793616B1 (ko) * 2005-06-13 2008-01-10 주식회사 엘지화학 배터리 잔존량 추정 장치 및 방법
KR20200063330A (ko) * 2018-11-21 2020-06-05 한국과학기술원 메타학습에 기반한 임의의 목표 데이터셋과 모델 구조로의 전이학습 방법 및 시스템
KR20190100114A (ko) * 2019-08-09 2019-08-28 엘지전자 주식회사 배터리 장치 및 그 제어 방법
KR20210023641A (ko) * 2019-08-23 2021-03-04 삼성전자주식회사 기계 학습 모델 및 규칙 기반 모델을 포함하는 혼성 모델을 위한 방법 및 시스템
KR20210121411A (ko) * 2020-03-30 2021-10-08 주식회사 아르고스다인 신경망 기반의 배터리 용량 추정 방법 및 장치

Also Published As

Publication number Publication date
KR20230118235A (ko) 2023-08-11

Similar Documents

Publication Publication Date Title
WO2022034983A1 (ko) 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치
CN111474490B (zh) 一种梯次利用电池快速筛选方法
CN111007399B (zh) 基于改进生成对抗网络的锂电池荷电状态预测方法
CN105183994B (zh) 一种基于改进的i-elm的动力电池soc预测方法及装置
WO2023221589A1 (zh) 一种电池健康状态的检测方法、装置及***
CN110133525B (zh) 一种应用于电池管理***的锂离子电池健康状态估计方法
WO2013051828A2 (ko) 배터리 관리 시스템 및 배터리 관리 방법
WO2021201387A1 (ko) 신경망 기반의 배터리 용량 추정 방법 및 장치
EP4341710A1 (en) Method and electronic device for evaluating remaining useful life (rul) of battery
WO2023075415A1 (ko) 배터리 수명 예측 방법 및 이러한 방법을 수행하는 장치
CN110045292A (zh) 基于大数据和bp神经网络的锂离子电池SOC预测方法
WO2021107422A1 (ko) 에너지 사용량 데이터의 비지도 학습 기반 부하 모니터링 방법
CN112163372B (zh) 一种动力电池的soc估算方法
WO2021040236A1 (ko) Ess 배터리의 상태진단 및 수명예측을 위한 장치 및 방법
CN111983464B (zh) 一种基于纯电动车用锂电池析锂测试方法
Zhao et al. Estimation of the SOC of energy-storage lithium batteries based on the voltage increment
WO2023149741A1 (ko) 메타 학습 기반의 배터리 soc 추정 방법 및 장치
CN112782594A (zh) 考虑内阻的数据驱动算法估算锂电池soc的方法
CN117096984A (zh) 基于强化学习的电池组均衡感知快充控制方法和***
WO2022035153A1 (ko) 배터리 용량 추정 장치 및 방법
WO2023101480A1 (en) Systems and methods for intelligent management of a battery
WO2024063445A1 (ko) 배터리 계측정보의 교정방법 및 그 장치
WO2021025295A1 (ko) 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩
CN116930769A (zh) 一种基于双向生成式对抗神经网络的锂电池建模方法
CN113673176B (zh) 基于Transformer的深度学习电池荷电状态预估***及方法

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: 23749974

Country of ref document: EP

Kind code of ref document: A1