WO2024048981A1 - 이상 배터리 검출 장치 및 방법 - Google Patents

이상 배터리 검출 장치 및 방법 Download PDF

Info

Publication number
WO2024048981A1
WO2024048981A1 PCT/KR2023/009914 KR2023009914W WO2024048981A1 WO 2024048981 A1 WO2024048981 A1 WO 2024048981A1 KR 2023009914 W KR2023009914 W KR 2023009914W WO 2024048981 A1 WO2024048981 A1 WO 2024048981A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery
batteries
correlation coefficient
calculating
command
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2023/009914
Other languages
English (en)
French (fr)
Inventor
김응룡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
LG Energy Solution Ltd
Original Assignee
LG Energy Solution Ltd
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 LG Energy Solution Ltd filed Critical LG Energy Solution Ltd
Priority to EP23860663.6A priority Critical patent/EP4462141A4/en
Priority to US18/836,417 priority patent/US20250116707A1/en
Priority to CN202380020966.9A priority patent/CN118661107A/zh
Priority to JP2024542963A priority patent/JP7827252B2/ja
Publication of WO2024048981A1 publication Critical patent/WO2024048981A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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]
    • 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
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • 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 an apparatus and method for detecting a defective battery, and more specifically, to an apparatus and method for detecting a defective battery among a plurality of batteries using correlation analysis.
  • Secondary batteries are batteries that can be reused by charging even after discharge, and can be used as an energy source for small devices such as portable phones, tablet PCs, and vacuum cleaners, and as an energy source for medium to large devices such as automobiles and ESS (Energy Storage System) for smart grids. It is also used as a
  • Secondary batteries are applied to the system in the form of an assembly such as a battery module in which multiple battery cells are connected in series or parallel, or a battery pack in which battery modules are connected in series or parallel, depending on the requirements of the system.
  • a high-capacity battery system with multiple battery packs connected in parallel can be applied to meet the required capacity of the device.
  • the purpose of the present invention to solve the above problems is to provide an abnormal battery detection device with improved detection accuracy.
  • Another object of the present invention to solve the above problems is to provide a method for detecting a defective battery using such a defective battery detection device.
  • a faulty battery detection device for achieving the above object is a faulty battery detection device that detects a faulty battery among a plurality of batteries, and includes at least one processor; It includes a memory that stores at least one instruction executed through the at least one processor.
  • the at least one command includes: a command to collect status data for each of a plurality of batteries; A command for performing correlation analysis between battery states based on the collected state data and calculating a correlation coefficient for each of the batteries; and a command for detecting an abnormal battery among a plurality of batteries based on the calculated correlation coefficient.
  • the command for calculating the correlation coefficient for each of the batteries includes a command for calculating the correlation coefficient for each of the batteries using a correlation analysis model defined based on the standard deviation and covariance of the battery state value. It can be included.
  • the command for calculating the correlation coefficient for each of the batteries is a command for calculating the correlation coefficient in which the influence of the sensing noise of the condition measurement sensor is removed using a correlation analysis model reflecting a predefined noise constant. It can be included.
  • the noise constant may be defined based on the measurement error value of the state measurement sensor.
  • the command for calculating the correlation coefficient for each of the batteries includes a first correlation analysis model defined based on the standard deviation and covariance of the battery state value, and the first correlation analysis model, and sensing of the state measurement sensor. It may include a command for calculating a correlation coefficient for each of the batteries using one of the second correlation analysis models reflecting a noise constant to remove the influence of noise.
  • the command for calculating the correlation coefficient for each of the batteries includes a command for checking the operation mode of the batteries; And when in charge/discharge mode, the correlation coefficient may be calculated using the first correlation analysis model, and when in rest mode, the correlation coefficient may be calculated using the second correlation analysis model.
  • the command for calculating the correlation coefficient for each of the batteries includes: a command for calculating the covariance of the battery state value and the covariance of the noise component value; and if the covariance of the battery state value exceeds the covariance of the noise component value, a correlation coefficient is calculated using the first correlation analysis model, and if the covariance of the battery state value is less than or equal to the covariance of the noise component value, A command for calculating a correlation coefficient using a second correlation analysis model may be included.
  • the command for detecting an abnormal battery among the plurality of batteries may include a command for determining a battery with a correlation coefficient less than or equal to a predefined threshold as an abnormal battery.
  • the command for collecting the status data may include a command for collecting one or more of a voltage value and a current value for each of the batteries per unit time.
  • a faulty battery detection method for achieving the above other object is a faulty battery detection method by a faulty battery detection device that detects a faulty battery among a plurality of batteries, and detects a faulty battery for each of the plurality of batteries. collecting status data; Based on the collected state data, performing correlation analysis between battery states to calculate a correlation coefficient for each of the batteries; and detecting an abnormal battery among the plurality of batteries based on the calculated correlation coefficient.
  • the step of calculating the correlation coefficient for each of the batteries includes calculating the correlation coefficient for each of the batteries using a correlation analysis model defined based on the standard deviation and covariance of the battery state value. It can be included.
  • the step of calculating the correlation coefficient for each of the batteries may include calculating a correlation coefficient in which the influence of the sensing noise of the condition measurement sensor is removed using a correlation analysis model reflecting a predefined noise constant. there is.
  • the noise constant may be defined based on the measurement error value of the state measurement sensor.
  • the step of calculating the correlation coefficient for each of the batteries includes: a first correlation analysis model defined based on the standard deviation and covariance of the battery state value, and sensing of the state measurement sensor in the first correlation analysis model. It may include calculating a correlation coefficient for each of the batteries using one of a second correlation analysis model reflecting a noise constant to remove the influence of noise.
  • Calculating the correlation coefficient for each of the batteries includes checking the operation mode of the batteries; And when in charge/discharge mode, calculating a correlation coefficient using the first correlation analysis model, and when in rest mode, calculating a correlation coefficient using the second correlation analysis model.
  • Calculating a correlation coefficient for each of the batteries includes calculating a covariance of a battery state value and a covariance of a noise component value; and if the covariance of the battery state value exceeds the covariance of the noise component value, a correlation coefficient is calculated using the first correlation analysis model, and if the covariance of the battery state value is less than or equal to the covariance of the noise component value, It may include calculating a correlation coefficient using a second correlation analysis model.
  • Detecting an abnormal battery among the plurality of batteries may include determining a battery having a correlation coefficient less than or equal to a predefined threshold as an abnormal battery.
  • Collecting the status data may include collecting one or more of a voltage value and a current value for each of the batteries per unit time.
  • a defective battery can be detected more accurately by detecting a defective battery based on a correlation coefficient derived using a correlation analysis model.
  • 1 is an operation flowchart of a method for detecting a defective battery according to the prior art.
  • Figure 2 is an example of misdiagnosis by a defective battery detection method according to the prior art.
  • Figure 3 is a block diagram showing a defective battery detection system according to an embodiment of the present invention.
  • Figure 4 is an operation flowchart of a method for detecting a defective battery according to an embodiment of the present invention.
  • Figure 5 is an operation flowchart of a method for deriving a correlation coefficient according to an embodiment of the present invention.
  • Figure 6 is an operation flowchart of a method for deriving a correlation coefficient according to an embodiment of the present invention.
  • Figure 6 is an operation flowchart of a method for deriving a correlation coefficient according to another embodiment of the present invention.
  • Figure 11 is a block diagram of an abnormal battery detection device according to an embodiment of the present invention.
  • first, second, A, B, etc. may be used to describe various components, but the components should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another.
  • a first component may be named a second component, and similarly, the second component may also be named a first component without departing from the scope of the present invention.
  • the term “and/or” includes any of a plurality of related stated items or a combination of a plurality of related stated items.
  • a battery cell is the smallest unit that stores power, and a battery module refers to an assembly of multiple battery cells electrically connected.
  • a battery pack or battery rack refers to a system with a minimal single structure that electrically connects module units set by the battery manufacturer and can be monitored and controlled through a BMS, including multiple battery modules and one BPU or protection device. It can be configured.
  • a battery bank may refer to a large-scale battery rack system set by connecting a plurality of battery racks in parallel. Monitoring and control of the rack BMS (RBMS) at the battery rack level can be performed through the BMS at the battery bank level.
  • RBMS rack BMS
  • a battery assembly refers to an assembly that includes a plurality of electrically connected battery cells and is applied to a specific system or device to function as a power source.
  • the battery assembly may mean a battery module, battery pack, battery rack, or battery bank, but the scope of the present invention is not limited to these entities.
  • 1 is an operation flowchart of a method for detecting a defective battery according to the prior art.
  • a method for detecting a faulty battery is a method of detecting a faulty battery among a plurality of batteries by using deviations in state values of the batteries. More specifically, the abnormal battery detection device collects status data on batteries included in the battery assembly (S110). Thereafter, the abnormal battery detection device derives the deviation of the state value for each battery based on the collected state data (S120). Thereafter, the abnormal battery detection device detects a battery in which the deviation of the derived state value exceeds a predefined threshold as an abnormal battery (S130).
  • Figure 2 is an example of misdiagnosis by a defective battery detection method according to the prior art.
  • FIG. 2(A) shows voltage values of batteries measured per unit time
  • FIG. 2(B) shows abnormality diagnosis results based on voltage differences between battery cells.
  • the present invention was made to solve the problems caused by the prior art, and relates to an apparatus and method for detecting a defective battery that can improve the detection accuracy of a defective battery by preventing misdiagnosis due to factors other than failure. .
  • Figure 3 is a block diagram showing a defective battery detection system according to an embodiment of the present invention.
  • the defective battery detection system includes a battery assembly 100 including a plurality of batteries 10 and a defective battery detection device 200.
  • a plurality of batteries 10 may be electrically connected to form a battery assembly 100 .
  • the abnormal battery detection system according to an embodiment of the present invention may be included and implemented in an electric vehicle, but the scope of the present invention is not limited to these entities. That is, the defective battery detection system according to the present invention can be applied to a device equipped with a plurality of batteries and operate to detect a defective battery by performing the defective battery detection method described below.
  • the abnormal battery detection device 200 may be implemented by being included in a BMS located inside the battery system.
  • the abnormal battery detection device 200 may collect status data for each of a plurality of batteries.
  • the state data may correspond to data about one or more state values of the voltage value and current value of the battery.
  • the abnormal battery detection device 200 may receive state data from a state measurement sensor that measures state values for each battery.
  • the abnormal battery detection device 200 may receive status data from a voltage measurement sensor that senses the voltage value of each of the batteries, or a current measurement sensor that senses the current value flowing through each of the batteries.
  • the abnormal battery detection device 200 may collect status data at each predefined unit time.
  • the abnormal battery detection device 200 may be configured to receive status data for each battery every second.
  • the abnormal battery detection apparatus 200 may perform correlation analysis between battery states based on the collected state data and calculate a correlation coefficient for each of the batteries. Thereafter, the abnormal battery detection device 200 may detect a faulty battery among the plurality of batteries based on the calculated correlation coefficient. Here, the abnormal battery detection device 200 may determine a battery with a correlation coefficient less than or equal to a predefined threshold as an abnormal battery.
  • the defective battery detection device can detect a defective battery based on the state values of batteries operating under the same conditions.
  • a method for detecting a defective battery based on the voltage values of batteries connected in parallel in a battery assembly will be described as an example, but the scope of the present invention is not limited thereto.
  • Figure 4 is an operation flowchart of a method for detecting a defective battery according to an embodiment of the present invention.
  • the abnormal battery detection device 200 may collect status data for each of the plurality of batteries (S410).
  • the abnormal battery detection device 200 may collect status data on one or more of the voltage value and current value for each battery per unit time.
  • the abnormal battery detection apparatus 200 may perform correlation analysis between battery states based on the collected state data and calculate a correlation coefficient (r) for each of the batteries (S420).
  • the abnormal battery detection apparatus 200 may calculate a correlation coefficient for each battery using a predefined correlation analysis model.
  • the correlation analysis model may be defined so that when state data for a plurality of batteries is input, a correlation coefficient for each of the batteries is output.
  • the correlation analysis model (hereinafter, first correlation analysis model) according to the first embodiment of the present invention may be defined based on the standard deviation and covariance of the battery state value.
  • the first correlation analysis model may be defined based on Equation 1 below.
  • r _ means the standard deviation of the state value of battery Y.
  • x is the state value of battery X
  • ⁇ x is the average value of the state value of battery It means the average value for the value.
  • the state data for the battery (Cell_1) is input as x, and the state data for other batteries are input to the correlation analysis model. It can be entered as y.
  • y may correspond to the average value or median value of the state values of other batteries.
  • the abnormal battery detection device 200 corrects the median value of the state values of other batteries according to a predefined process, and enters the corrected median value as y in the correlation analysis model. You can enter it.
  • the correlation coefficient when the change in voltage value ( ⁇ , the correlation coefficient can be calculated as the same value as the correlation coefficient according to equation 1, as shown in equation 2 below.
  • the abnormal battery detection device 200 calculates a correlation coefficient using a first correlation analysis model defined based on Equation 1, and detects a faulty battery using the calculated correlation coefficient, thereby detecting the open circuit voltage (OCV) or Misdiagnosis due to the influence of internal resistance (IR) can be prevented.
  • OCV open circuit voltage
  • IR internal resistance
  • the abnormal battery detection device 200 may calculate a correlation coefficient for each of the batteries using a correlation analysis model (hereinafter, second correlation analysis model) according to the second embodiment of the present invention.
  • the second correlation analysis model may be defined based on the standard deviation, covariance, and noise constant of the battery state value.
  • the correlation analysis model can be defined based on Equation 3 below.
  • N refers to the noise constant and can be defined as Equation 4 below.
  • N a * RMS(Noise)
  • RMS Noise
  • RMS Root Mean Square
  • the second correlation analysis model is a model in which a noise constant (N) to remove the influence of sensing noise of the state measurement sensor is reflected in the first correlation analysis model.
  • Equation 1 can be expressed as follows.
  • N means the noise component of x
  • M means the noise component of y
  • cas1 is a case where the amount of change in the intrinsic state value is greater than the noise component, and may correspond, for example, to the charging/discharging section of the battery.
  • Case 1 since the amount of change in the intrinsic state value is larger than the noise component, the influence of the sensing noise of the state measurement sensor is small, and even if the correlation coefficient is calculated using the first correlation analysis model, the detection accuracy is not significantly reduced.
  • Case 2 is a case where the amount of change in the eigenstate value is less than or equal to the noise component, and may correspond, for example, to the idle period of the battery.
  • the noise component since the noise component is larger than the change in the eigenstate value, when calculating the correlation coefficient using the first correlation analysis model, misdiagnosis may occur due to the influence of sensing noise.
  • Equation 6 Equation 6
  • the noise constant N can be defined as RMS (Noise) multiplied by the weighting coefficient a, according to Equation 4.
  • the noise constant N can be defined as the RMS value of 5 mV, which is the measurement error value of the voltage sensor, multiplied by a weighting factor of 0.8.
  • the weighting coefficient a is a value for adjusting detection accuracy and can be defined as a specific value between 0.2 and 1.1, and preferably, a specific value between 0.8 and 1.0.
  • the abnormal battery detection device 200 may calculate the correlation coefficient using a second correlation analysis model defined based on Equation 3 in case 2 (e.g., idle mode), but in case 1 (e.g., idle mode) , charge/discharge mode), the correlation coefficient may be calculated using a second correlation analysis model in order to achieve higher detection accuracy.
  • a second correlation analysis model defined based on Equation 3 in case 2 (e.g., idle mode), but in case 1 (e.g., idle mode) , charge/discharge mode)
  • the correlation coefficient may be calculated using a second correlation analysis model in order to achieve higher detection accuracy.
  • the abnormal battery detection apparatus 200 may compare the correlation coefficient (r) for each battery calculated in step S420 with a predefined threshold (r_th) (S430).
  • the correlation coefficient (r) indicates the degree to which the state of a specific battery is correlated with the state of other batteries, and can be calculated as a specific value between -1 and 1.
  • a battery with a correlation coefficient (r) close to 1 can be considered to have high correlation with other batteries, and a battery with a correlation coefficient (r) close to 0 can be viewed as having low correlation with other batteries. there is.
  • the abnormal battery detection apparatus 200 may determine a battery having a correlation coefficient less than or equal to the threshold value (r_th) as an abnormal battery (S440). For example, when the threshold (r_th) is defined as 0.5, the abnormal battery detection device 200 may determine a battery with a correlation coefficient of 0.5 or less among a plurality of batteries as an abnormal battery. Meanwhile, the threshold value (r_th) may be determined as an appropriate value as needed and may be defined as a specific value between 0.4 and 0.8.
  • Figure 5 is an operation flowchart of a method for deriving a correlation coefficient according to an embodiment of the present invention.
  • the abnormal battery detection device 200 can check the operation mode of the batteries (S510).
  • the operation mode may include charge/discharge mode and rest mode.
  • the abnormal battery detection device 200 may determine an operation mode based on output current values or input current values for the batteries. For example, if the output or input current value of the batteries is 0, the idle mode may be determined, and if it is not 0, the charge/discharge mode may be determined.
  • the abnormal battery detection device 200 may determine the operation mode based on a battery operating state signal received from an external device. For example, a battery operation state signal may be received from a battery charge/discharge control device to determine whether the battery is in a charge/discharge state or an idle state.
  • the abnormal battery detection device 200 may determine a first correlation analysis model defined based on Equation 1 as a model for calculating the correlation coefficient. There is (S530).
  • the abnormal battery detection device 200 may determine a second correlation analysis model defined based on Equation 3 as a model for calculating the correlation coefficient. (S540).
  • the abnormal battery detection apparatus 200 may derive a correlation coefficient (r) for each of the batteries using a correlation analysis model determined according to the operation mode of the battery (S550).
  • Figure 6 is an operation flowchart of a method for deriving a correlation coefficient according to another embodiment of the present invention.
  • the abnormal battery detection device 200 may calculate COV X,Y and COV N,M based on the state data of the batteries (S610).
  • COV X,Y and COV N,M can be calculated based on the equation below.
  • the abnormal battery detection device 200 may compare COV X,Y and COV N,M (S620).
  • the abnormal battery detection apparatus 200 may derive a correlation coefficient (r) for each of the batteries using a correlation analysis model determined according to the operation mode of the battery (S650).
  • Figure 7 shows voltage measurement values for each of eight batteries (Cells 1 to 8) connected in parallel. Referring to FIG. 7, it can be seen that an abnormal voltage phenomenon occurs in Cell 1 and Cell 2 at approximately 1375 sec.
  • FIG. 8 to 10 show correlation coefficients for each battery cell calculated by applying a correlation analysis model according to an embodiment of the present invention.
  • FIG. 8 is a graph showing the results of applying the first correlation analysis model
  • FIG. 9 is a graph showing the results of applying the second correlation analysis model where the weighting coefficient a is defined as 0.1 and the RMS (Noise) is defined as an RMS value of 0.5 mV
  • FIG. 10 is a graph showing the results of applying the first correlation analysis model.
  • This is a graph of the results of applying the second correlation analysis model, where the weighting coefficient a is 1.0 and the RMS (Noise) is defined as an RMS value of 0.5 mV.
  • the threshold (r_th) for detecting an abnormal battery was set to 0.5.
  • Figure 11 is a block diagram of an abnormal battery detection device according to an embodiment of the present invention.
  • the abnormal battery detection device 200 includes at least one processor 210, a memory 220 that stores at least one command executed through the processor, and is connected to a network to perform communication. It may include a transmitting and receiving device 230.
  • the at least one command may include a command to collect status data for each of a plurality of batteries; A command for performing correlation analysis between battery states based on the collected state data and calculating a correlation coefficient for each of the batteries; and a command for detecting an abnormal battery among a plurality of batteries based on the calculated correlation coefficient.
  • the command for calculating the correlation coefficient for each of the batteries includes a command for calculating the correlation coefficient for each of the batteries using a correlation analysis model defined based on the standard deviation and covariance of the battery state value. It can be included.
  • the command for calculating the correlation coefficient for each of the batteries is a command for calculating the correlation coefficient in which the influence of the sensing noise of the condition measurement sensor is removed using a correlation analysis model reflecting a predefined noise constant. It can be included.
  • the noise constant may be defined based on the measurement error value of the state measurement sensor.
  • the command for calculating the correlation coefficient for each of the batteries includes a first correlation analysis model defined based on the standard deviation and covariance of the battery state value, and the first correlation analysis model, and sensing of the state measurement sensor. It may include a command for calculating a correlation coefficient for each of the batteries using one of the second correlation analysis models reflecting a noise constant to remove the influence of noise.
  • the command for calculating the correlation coefficient for each of the batteries includes a command for checking the operation mode of the batteries; And when in charge/discharge mode, the correlation coefficient may be calculated using the first correlation analysis model, and when in rest mode, the correlation coefficient may be calculated using the second correlation analysis model.
  • the command for calculating the correlation coefficient for each of the batteries includes: a command for calculating the covariance of the battery state value and the covariance of the noise component value; and if the covariance of the battery state value exceeds the covariance of the noise component value, a correlation coefficient is calculated using the first correlation analysis model, and if the covariance of the battery state value is less than or equal to the covariance of the noise component value, A command for calculating a correlation coefficient using a second correlation analysis model may be included.
  • the command for detecting an abnormal battery among the plurality of batteries may include a command for determining a battery with a correlation coefficient less than or equal to a predefined threshold as an abnormal battery.
  • the command for collecting the status data may include a command for collecting one or more of a voltage value and a current value for each of the batteries per unit time.
  • the abnormal battery detection device 200 may further include an input interface device 240, an output interface device 250, a storage device 260, etc. Each component included in the abnormal battery detection device 200 is connected by a bus 270 and can communicate with each other.
  • the processor 210 may refer to a central processing unit (CPU), a graphics processing unit (GPU), or a dedicated processor on which methods according to embodiments of the present invention are performed.
  • Memory or storage device may be comprised of at least one of a volatile storage medium and a non-volatile storage medium.
  • the memory may consist of at least one of read only memory (ROM) and random access memory (RAM).
  • Computer-readable recording media include all types of recording devices that store data that can be read by a computer system. Additionally, computer-readable recording media can be distributed across networked computer systems so that computer-readable programs or codes can be stored and executed in a distributed manner.
  • a block or device corresponds to a method step or feature of a method step.
  • aspects described in the context of a method may also be represented by corresponding blocks or items or features of a corresponding device.
  • Some or all of the method steps may be performed by (or using) a hardware device, such as a microprocessor, programmable computer, or electronic circuit, for example. In some embodiments, one or more of the most important method steps may be performed by such an apparatus.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

본 발명의 일 실시예에 따른 이상 배터리 검출 장치는, 복수의 배터리들 중 이상 배터리를 검출하는 이상 배터리 검출 장치로서, 적어도 하나의 프로세서; 상기 적어도 하나의 프로세서를 통해 실행되는 적어도 하나의 명령을 저장하는 메모리;를 포함한다. 여기에서, 상기 적어도 하나의 명령은, 복수의 배터리들 각각에 대한 상태 데이터를 수집하는 명령; 상기 수집된 상태 데이터를 기초로, 배터리 상태 간의 상관성 분석(correlation analysis)을 수행하여, 배터리들 각각에 대한 상관 계수(correlation coefficient)를 산출하는 명령; 및 상기 산출된 상관 계수를 기초로, 복수의 배터리들 중 이상 배터리를 검출하는 명령;을 포함할 수 있다.

Description

이상 배터리 검출 장치 및 방법
본 출원은 2022년 8월 31일 한국특허청에 제출된 한국 특허 출원 제10-2022-0109748호의 출원일의 이익을 주장하며, 해당 한국 특허 출원의 문헌에 개시된 모든 내용은 본 명세서에 포함된다.
본 발명은 이상 배터리 검출 장치 및 방법에 관한 것으로, 보다 구체적으로는 상관성 분석을 이용해 복수의 배터리들 중 이상 배터리를 검출하는, 이상 배터리 검출 장치 및 방법에 관한 것이다.
이차 전지는 방전 이후에도 충전을 통해 재사용이 가능한 전지로, 휴대용 전화기, 태블릿 PC, 청소기 등 소형 디바이스의 에너지원으로 활용될 수 있으며, 자동차, 스마트 그리드용 ESS(Energy Storage System) 등 중대형 디바이스의 에너지원으로서도 활용되고 있다.
이차 전지는 시스템의 요구 조건에 따라 다수의 배터리 셀들이 직병렬로 연결된 배터리 모듈, 또는 배터리 모듈들이 직병렬로 연결된 배터리 팩 등의 어셈블리 형태로 시스템에 적용된다. 전기자동차 등 중대형 디바이스의 경우, 해당 디바이스의 요구 용량을 만족시키기 위하여, 다수의 배터리 팩이 병렬로 연결된 고용량의 배터리 시스템이 적용될 수 있다.
배터리 어셈블리에 포함되는 배터리 셀들은 동일한 조건에서 동작하므로, 동일하거나 매우 유사한 퇴화 과정을 거치게 된다. 따라서, 배터리 어셈블리 내의 배터리 셀들에 대한 상태 값(예를 들어, 전압 값)을 수집하고, 배터리 셀들의 상태 값을 비교하는 방식으로, 이상 배터리 셀을 검출할 수 있다.
이러한 상태 값의 편차를 이용한 이상 배터리 검출 방식의 경우, 배터리의 고장이 아닌, 다른 요인에 의해 나타나는 상태 값의 편차로 인해 오진단이 발생될 가능성 있다. 예를 들어, 개방 회로 전압(OCV; Open Circuit Voltage), 내부 저항(IR; Internal Resistance) 및 전압 센서의 측정 오차 등에 의해 배터리 셀들 간의 전압 편차가 나타날 수 있으며, 이러한 경우 특정 배터리에 고장이 발생되지 않았음에도 해당 배터리가 이상 배터리로 검출될 수 있다.
이러한 종래 기술의 문제점을 해결할 수 있는 기술로서, 이상 배터리를 보다 정확하게 검출할 수 있는 적절한 기술이 필요하다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 검출 정확도가 향상된 이상 배터리 검출 장치를 제공하는 데 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은 이러한 이상 배터리 검출 장치에 의한 이상 배터리 검출 방법을 제공하는 데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 이상 배터리 검출 장치는, 복수의 배터리들 중 이상 배터리를 검출하는 이상 배터리 검출 장치로서, 적어도 하나의 프로세서; 상기 적어도 하나의 프로세서를 통해 실행되는 적어도 하나의 명령을 저장하는 메모리;를 포함한다.
여기에서, 상기 적어도 하나의 명령은, 복수의 배터리들 각각에 대한 상태 데이터를 수집하는 명령; 상기 수집된 상태 데이터를 기초로, 배터리 상태 간의 상관성 분석(correlation analysis)을 수행하여, 배터리들 각각에 대한 상관 계수(correlation coefficient)를 산출하는 명령; 및 상기 산출된 상관 계수를 기초로, 복수의 배터리들 중 이상 배터리를 검출하는 명령;을 포함할 수 있다.
상기 배터리들 각각에 대한 상관 계수를 산출하는 명령은, 배터리 상태 값의 표준 편차 및 공분산(covariance)에 기초하여 정의되는 상관성 분석 모델을 이용하여, 상기 배터리들 각각에 대한 상관 계수를 산출하는 명령을 포함할 수 있다.
여기에서, 상기 배터리들 각각에 대한 상관 계수를 산출하는 명령은, 기정의된 노이즈 상수가 반영된 상관성 분석 모델을 이용하여, 상태 측정 센서의 센싱 노이즈에 의한 영향이 제거된 상관 계수를 산출하는 명령을 포함할 수 있다.
상기 노이즈 상수는, 상기 상태 측정 센서의 계측 오차값을 기초로 정의될 수 있다.
상기 배터리들 각각에 대한 상관 계수를 산출하는 명령은, 배터리 상태 값의 표준 편차 및 공분산(covariance)에 기초하여 정의되는 제1 상관성 분석 모델, 및 상기 제1 상관성 분석 모델에, 상태 측정 센서의 센싱 노이즈에 의한 영향을 제거하기 위한 노이즈 상수가 반영된 제2 상관성 분석 모델 중 어느 하나를 이용하여, 상기 배터리들 각각에 대한 상관 계수를 산출하는 명령을 포함할 수 있다.
상기 배터리들 각각에 대한 상관 계수를 산출하는 명령은, 상기 배터리들의 동작 모드를 확인하는 명령; 및 충방전 모드인 경우, 상기 제1 상관성 분석 모델을 이용하여 상관 계수를 산출하고, 휴지 모드인 경우, 상기 제2 상관성 분석 모델을 이용하여 상관 계수를 산출하는 명령을 포함할 수 있다.
상기 배터리들 각각에 대한 상관 계수를 산출하는 명령은, 배터리 상태 값의 공분산 및 노이즈 성분 값의 공분산을 산출하는 명령; 및 상기 배터리 상태 값의 공분산이 상기 노이즈 성분 값의 공분산을 초과하면, 상기 제1 상관성 분석 모델을 이용하여 상관 계수를 산출하고, 상기 배터리 상태 값의 공분산이 상기 노이즈 성분 값의 공분산 이하하면, 상기 제2 상관성 분석 모델을 이용하여 상관 계수를 산출하는 명령을 포함할 수 있다.
상기 복수의 배터리들 중 이상 배터리를 검출하는 명령은, 기정의된 임계 값 이하의 상관 계수를 갖는 배터리를 이상 배터리로 결정하는 명령을 포함할 수 있다.
상기 상태 데이터를 수집하는 명령은, 상기 배터리들 각각에 대한 전압 값 및 전류 값 중 하나 이상을 단위 시간마다 수집하는 명령을 포함할 수 있다.
상기 다른 목적을 달성하기 위한 본 발명의 일 실시예에 따른 이상 배터리 검출 방법은, 복수의 배터리들 중 이상 배터리를 검출하는 이상 배터리 검출 장치에 의한 이상 배터리 검출 방법으로서, 복수의 배터리들 각각에 대한 상태 데이터를 수집하는 단계; 상기 수집된 상태 데이터를 기초로, 배터리 상태 간의 상관성 분석(correlation analysis)을 수행하여, 배터리들 각각에 대한 상관 계수(correlation coefficient)를 산출하는 단계; 및 상기 산출된 상관 계수를 기초로, 복수의 배터리들 중 이상 배터리를 검출하는 단계;를 포함할 수 있다.
상기 배터리들 각각에 대한 상관 계수를 산출하는 단계는, 배터리 상태 값의 표준 편차 및 공분산(covariance)에 기초하여 정의되는 상관성 분석 모델을 이용하여, 상기 배터리들 각각에 대한 상관 계수를 산출하는 단계를 포함할 수 있다.
상기 배터리들 각각에 대한 상관 계수를 산출하는 단계는, 기정의된 노이즈 상수가 반영된 상관성 분석 모델을 이용하여, 상태 측정 센서의 센싱 노이즈에 의한 영향이 제거된 상관 계수를 산출하는 단계를 포함할 수 있다.
상기 노이즈 상수는, 상기 상태 측정 센서의 계측 오차값을 기초로 정의될 수 있다.
상기 배터리들 각각에 대한 상관 계수를 산출하는 단계는, 배터리 상태 값의 표준 편차 및 공분산(covariance)에 기초하여 정의되는 제1 상관성 분석 모델, 및 상기 제1 상관성 분석 모델에, 상태 측정 센서의 센싱 노이즈에 의한 영향을 제거하기 위한 노이즈 상수가 반영된 제2 상관성 분석 모델 중 어느 하나를 이용하여, 상기 배터리들 각각에 대한 상관 계수를 산출하는 단계를 포함할 수 있다.
상기 배터리들 각각에 대한 상관 계수를 산출하는 단계는, 상기 배터리들의 동작 모드를 확인하는 단계; 및 충방전 모드인 경우, 상기 제1 상관성 분석 모델을 이용하여 상관 계수를 산출하고, 휴지 모드인 경우, 상기 제2 상관성 분석 모델을 이용하여 상관 계수를 산출하는 단계를 포함할 수 있다.
상기 배터리들 각각에 대한 상관 계수를 산출하는 단계는, 배터리 상태 값의 공분산 및 노이즈 성분 값의 공분산을 산출하는 단계; 및 상기 배터리 상태 값의 공분산이 상기 노이즈 성분 값의 공분산을 초과하면, 상기 제1 상관성 분석 모델을 이용하여 상관 계수를 산출하고, 상기 배터리 상태 값의 공분산이 상기 노이즈 성분 값의 공분산 이하하면, 상기 제2 상관성 분석 모델을 이용하여 상관 계수를 산출하는 단계를 포함할 수 있다.
상기 복수의 배터리들 중 이상 배터리를 검출하는 단계는, 기정의된 임계 값 이하의 상관 계수를 갖는 배터리를 이상 배터리로 결정하는 단계를 포함할 수 있다.
상기 상태 데이터를 수집하는 단계는, 상기 배터리들 각각에 대한 전압 값 및 전류 값 중 하나 이상을 단위 시간마다 수집하는 단계를 포함할 수 있다.
상기와 같은 본 발명의 실시예에 따르면, 상관성 분석 모델을 이용해 도출되는 상관 계수를 기초로 이상 배터리를 검출함으로써, 이상 배터리를 보다 정확하게 검출할 수 있다.
도 1은 종래 기술에 따른 이상 배터리 검출 방법의 동작 순서도이다.
도 2는 종래 기술에 따른 이상 배터리 검출 방법에 의한 오진단의 예시이다.
도 3은 본 발명의 실시예에 따른 이상 배터리 검출 시스템을 나타내는 블록 구성도이다.
도 4는 본 발명의 실시예에 따른 이상 배터리 검출 방법의 동작 순서도이다.
도 5는 본 발명의 실시예에 따른 상관 계수 도출 방법의 동작 순서도이다.
도 6은 본 발명 도 5는 본 발명의 실시예에 따른 상관 계수 도출 방법의 동작 순서도이다.
도 6은 본 발명의 다른 실시예에 따른 상관 계수 도출 방법의 동작 순서도이다.
도 7 내지 10은 본 발명의 실시예에 따른 상관성 분석 모델을 이용하여 이상 배터리를 검출한 결과를 나타낸다.
도 11은 본 발명의 실시예에 따른 이상 배터리 검출 장치의 블록 구성도이다.
10 : 배터리
100: 배터리 어셈블리
200: 이상 배터리 검출 장치
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.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는"이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 명세서에 사용되는 일부 용어를 정의하면 다음과 같다.
배터리 셀은 전력을 저장하는 역할을 수행하는 최소 단위이며, 배터리 모듈은 복수의 배터리 셀들이 전기적으로 연결된 집합체를 의미한다.
배터리 팩 또는 배터리 랙은, 배터리 제조사에서 설정한 모듈 단위를 전기적으로 연결하여 BMS를 통해 모니터링과 제어가 가능한 최소 단일 구조의 시스템을 의미하며, 여러 개의 배터리 모듈과 1개의 BPU 또는 보호장치를 포함하여 구성될 수 있다.
배터리 뱅크(Bank)는, 복수의 배터리 랙들을 병렬 연결하여 구성되는 큰 규모의 배터리 랙 시스템의 집합 군을 의미할 수 있다. 배터리 뱅크 단위의 BMS를 통해 배터리 랙 단위의 랙 BMS(RBMS)에 대한 모니터링과 제어를 수행할 수 있다.
배터리 어셈블리는, 전기적으로 연결된 복수의 배터리 셀을 포함하여 구성되며, 특정 시스템 또는 장치에 적용되어 전력 공급원으로 기능하는 집합체를 의미한다. 여기서, 배터리 어셈블리는 배터리 모듈, 배터리 팩, 배터리 랙 또는 배터리 뱅크 등을 의미할 수 있으나, 본 발명의 범위가 이들 개체에 한정되는 것은 아니다.
도 1은 종래 기술에 따른 이상 배터리 검출 방법의 동작 순서도이다.
도 1을 참조하면, 종래 기술에 따른 이상 배터리 검출 방법은, 배터리들의 상태 값의 편차를 이용하여 복수의 배터리들 중 이상 배터리를 검출하는 방식이다. 보다 구체적으로, 이상 배터리 검출 장치는, 배터리 어셈블리에 포함되는 배터리들에 대한 상태 데이터를 수집한다(S110). 이후, 이상 배터리 검출 장치는, 수집된 상태 데이터를 기초로, 배터리들 각각에 대한 상태 값의 편차를 도출한다(S120). 이후, 이상 배터리 검출 장치는, 도출된 상태 값의 편차가 기정의된 임계값을 초과하는 배터리를 이상 배터리로 검출한다(S130).
이러한 종래 기술에 따르면, 배터리의 고장이 아닌, 다른 요인에 의해 나타나는 상태 값의 편차로 인해 오진단이 발생될 가능성 있다.
도 2는 종래 기술에 따른 이상 배터리 검출 방법에 의한 오진단의 예시이다.
도 2(A)는, 단위 시간마다 측정된 배터리들의 전압 값을 나타내고, 도 2(B)는, 배터리 셀들 간의 전압 편차에 기초한 이상 진단 결과를 나타낸다.
도 2(A)를 참조하면, 개방 회로 전압(OCV), 내부 저항(IR)의 영향으로 인해, 특정 배터리 (Cell 9)의 전압이 다른 배터리들의 전압과 차이를 나타내며, 도 2(B)에 도시된 바과 같이, 해당 시점에서의 높은 전압 편차로 인해, 고장이 아님에도 이상 배터리로 검출되는 오진단이 발생될 수 있다.
본 발명은, 이러한 종래 기술에 따른 문제점을 해결하기 위해 안출된 것으로, 고장이 아닌 다른 요인에 의한 오진단을 방지하여 이상 배터리의 검출 정확도를 향상시킬 수 있는, 이상 배터리 검출 장치 및 방법에 관한 것이다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 3은 본 발명의 실시예에 따른 이상 배터리 검출 시스템을 나타내는 블록 구성도이다.
도 3을 참조하면, 이상 배터리 검출 시스템은, 복수의 배터리(10)들을 포함하여 구성되는 배터리 어셈블리(100)와, 이상 배터리 검출 장치(200)를 포함한다.
복수의 배터리(10)들은 전기적으로 연결되어 배터리 어셈블리(100)에 구성될 수 있다.
본 발명의 실시예에 따른 이상 배터리 검출 시스템은, 전기 자동차에 포함되어 구현될 수 있으나, 본 발명의 범위가 이들 개체에 한정되는 것은 아니다. 즉, 본 발명에 따른 이상 배터리 검출 시스템은, 복수의 배터리들이 구비된 디바이스에 적용되어, 이하에서 설명하는 이상 배터리 검출 방법을 수행하여 이상 배터리를 검출하도록 동작할 수 있다.
실시예에서, 이상 배터리 검출 장치(200)는, 배터리 시스템 내부에 위치한 BMS에 포함되어 구현될 수 있다.
이상 배터리 검출 장치(200)는, 복수의 배터리들 각각에 대한 상태 데이터를 수집할 수 있다. 여기에서, 상태 데이터는, 배터리의 전압 값 및 전류 값 중 하나 이상의 상태 값에 대한 데이터에 해당할 수 있다.
이상 배터리 검출 장치(200)는, 배터리들 각각에 대한 상태 값을 측정하는 상태 측정 센서로부터 상태 데이터를 수신할 수 있다. 예를 들어, 이상 배터리 검출 장치(200)는, 배터리들 각각에 대한 전압 값을 센싱하는 전압 측정 센서, 또는 배터리들 각각에 흐르는 전류 값을 센싱하는 전류 측정 센서로부터 상태 데이터를 수신할 수 있다.
이상 배터리 검출 장치(200)는, 기정의된 단위 시간마다 상태 데이터를 수집할 수 있다. 예를 들어, 이상 배터리 검출 장치(200)는, 1초마다 배터리들 각각에 대한 상태 데이터를 수신하도록 구성될 수 있다.
이상 배터리 검출 장치(200)는, 수집된 상태 데이터를 기초로, 배터리 상태 간의 상관성 분석(correlation analysis)을 수행하여, 배터리들 각각에 대한 상관 계수(correlation coefficient)를 산출할 수 있다. 이후, 이상 배터리 검출 장치(200)는, 산출된 상관 계수를 기초로, 복수의 배터리들 중 이상 배터리를 검출할 수 있다. 여기에서, 이상 배터리 검출 장치(200)는, 기정의된 임계 값 이하의 상관 계수를 갖는 배터리를 이상 배터리로 결정할 수 있다.
본 발명에 따른 이상 배터리 검출 장치는, 동일한 조건 하에서 동작하는 배터리들의 상태 값에 기초하여 이상 배터리를 검출할 수 있다. 이하에서는, 배터리 어셈블리 내에 병렬 연결되어 구성되는 배터리들의 전압 값에 기초하여 이상 배터리를 검출하는 방법을 예시로 하여 설명하나, 본 발명의 범위는 이에 한정되지 않는다.
도 4는 본 발명의 실시예에 따른 이상 배터리 검출 방법의 동작 순서도이다.
이상 배터리 검출 장치(200)는, 복수의 배터리들 각각에 대한 상태 데이터를 수집할 수 있다(S410). 여기에서, 이상 배터리 검출 장치(200)는, 배터리들 각각에 대한 전압 값 및 전류 값 중 하나 이상에 대한 상태 데이터를 단위 시간마다 수집할 수 있다.
이상 배터리 검출 장치(200)는, 수집된 상태 데이터를 기초로, 배터리 상태 간의 상관성 분석을 수행하여, 배터리들 각각에 대한 상관 계수(r)를 산출할 수 있다(S420).
이상 배터리 검출 장치(200)는, 기정의된 상관성 분석 모델을 이용해 배터리들 각각에 대한 상관 계수를 산출할 수 있다. 여기에서, 상관성 분석 모델은, 복수의 배터리들에 대한 상태 데이터가 입력되면, 배터리들 각각에 대한 상관 계수가 출력되도록 정의될 수 있다.
본 발명의 제1 실시예에 따른 상관성 분석 모델(이하, 제1 상관성 분석 모델)은, 배터리 상태 값의 표준 편차 및 공분산(covariance)에 기초하여 정의될 수 있다. 예를 들어, 제1 상관성 분석 모델은, 아래 수학식 1에 기초하여 정의될 수 있다.
[수학식 1]
Figure PCTKR2023009914-appb-img-000001
여기에서, rX,Y는 배터리 X와 배터리 Y의 상관계수, COVX,Y는 배터리 X와 배터리 Y의 상태 값의 공분산(covariance), σX는 배터리 X의 상태 값의 표준 편차, σY는 배터리 Y의 상태 값의 표준 편차를 의미한다. 또한, x는 배터리 X의 상태 값, μx는 기정의된 기간 동안의 배터리 X의 상태 값에 대한 평균 값, y는 배터리 Y의 상태 값, μy는 기정의된 기간 동안의 배터리 Y의 상태 값에 대한 평균 값을 의미한다.
수학식 1에 기초하여, 특정 배터리(예 : Cell_1)에 대한 상관 계수를 도출하는 경우, 상관성 분석 모델에, 해당 배터리(Cell_1)에 대한 상태 데이터가 x로 입력되고, 다른 배터리에 대한 상태 데이터가 y로 입력될 수 있다. 여기에서, y는, 다른 배터리 들의 상태 값의 평균 값, 또는 중앙 값에 해당할 수 있다. 실시예에서, 상관 계수의 정확한 산출을 위해, 이상 배터리 검출 장치(200)는, 다른 배터리들의 상태 값의 중앙 값을 기정의된 프로세스에 따라 보정하고, 보정된 중앙 값을 상관성 분석 모델에 y로 입력할 수 있다.
본 발명의 실시예에 따른 제1 상관성 분석 모델을 이용하여 상관 계수가 산출되고, 산출된 상관 계수에 기초하여 이상 배터리가 검출되는 경우, 개방 회로 전압(OCV) 또는 내부 저항(IR)의 영향에 의한 오진단이 방지될 수 있다.
보다 구체적으로, 상기 수학식 1에, 개방 회로 전압(OCV) 또는 내부 저항(IR)의 영향으로 인한 전압 값의 변동(αX+β)이 반영되는 경우, 전압 값의 평균 값 역시 동일하게 변동되므로, 상관 계수는, 아래 수학식 2와 같이, 수학식 1에 따른 상관 계수와 동일한 값으로 산출될 수 있다.
[수학식 2]
Figure PCTKR2023009914-appb-img-000002
이상 배터리 검출 장치(200)는, 수학식 1에 기초하여 정의되는 제1 상관성 분석 모델을 이용해 상관 계수를 산출하고, 산출된 상관 계수를 이용하여 이상 배터리를 검출함으로써, 개방 회로 전압(OCV) 또는 내부 저항(IR)의 영향에 의한 오진단을 방지할 수 있다.
단계 S420에서, 이상 배터리 검출 장치(200)는, 본 발명의 제2 실시예에 따른 상관성 분석 모델(이하, 제2 상관성 분석 모델)을 이용하여, 배터리들 각각에 대한 상관 계수를 산출할 수 있다. 여기에서, 제2 상관성 분석 모델은, 배터리 상태 값의 표준 편차, 공분산(covariance) 및 노이즈 상수에 기초하여 정의될 수 있다. 예를 들어, 상관성 분석 모델은, 아래 수학식 3에 기초하여 정의될 수 있다.
[수학식 3]
Figure PCTKR2023009914-appb-img-000003
여기에서, N은 노이즈 상수를 의미하며, 아래 수학식 4와 같이 정의될 수 있다.
[수학식 4]
N = a * RMS(Noise)
여기에서, RMS(Noise)는 상태 측정 센서의 계측 오차값의 RMS(Root Mean Square) 값이며, a는 가중 계수이다.
수학식 3을 참조하면, 제2 상관성 분석 모델은, 제1 상관성 분석 모델에 상태 측정 센서의 센싱 노이즈에 의한 영향을 제거하기 위한 노이즈 상수(N)가 반영된 모델이다.
일반적으로, 상태 측정 센서에 의해 측정되는 상태 값은, 노이즈 성분이 포함된다. 이러한 노이즈 성분을 수학식 1에 반영하면, 수학식 1은 아래와 같이 표현될 수 있다.
[수학식 5]
Figure PCTKR2023009914-appb-img-000004
여기에서, N 은 x 의 노이즈 성분, M은 y의 노이즈 성분을 의미한다.
노이즈 성분과 고유 상태 값(측정 값에서 노이즈 성분이 제거된 값)의 관계에 따라, 아래와 같은 두 가지 케이스를 가정할 수 있다.
(case1)
COVX,Y > COVN,M
(case2)
COVX,Y ≤ COVN,M
cas1은, 고유 상태 값의 변화량이 노이즈 성분보다 큰 경우로, 예를 들어, 배터리의 충방전 구간에 해당할 수 있다. Case1의 경우, 고유 상태 값의 변화량이 노이즈 성분보다 크기 때문에, 상태 측정 센서의 센싱 노이즈에 의한 영향이 작아, 제1 상관성 분석 모델을 이용하여 상관 계수를 산출하더라도, 검출 정확도가 크게 저하되지 않는다.
case2는, 고유 상태 값의 변화량이 노이즈 성분 이하인 경우로, 예를 들어, 배터리의 휴지 구간에 해당할 수 있다. Case2의 경우, 노이즈 성분이 고유 상태 값의 변화량보다 크기 때문에, 제1 상관성 분석 모델을 이용하여 상관 계수를 산출하는 경우, 센싱 노이즈에 의한 영향으로 오진단이 발생될 수 있다.
case2에서, COVX,Y = COVN,M 인 경우, 노이즈 성분과 고유 상태 값이 동일한 수준의 변화량을 가지므로, 수학식 5는 아래와 같이 단순화될 수 있다.
[수학식 6]
Figure PCTKR2023009914-appb-img-000005
여기에서, 노이즈 성분이 백색 노이즈(white noise)라면, 노이즈 성분의 평균 값(μN,μM)은 0 이고, 배터리들의 상태 값이 동일한 센서에 의해 측정되었다면, N = M 이므로, 수학식 6은 아래와 같이 표현될 수 있다.
[수학식 7]
Figure PCTKR2023009914-appb-img-000006
즉, case 2의 경우, 수학식 1의 분자와 분모에 각각 적절한 노이즈 상수 N을 합하여 상관 계수(rX+N,Y+M)를 계산하더라도 동일한 결과가 얻어질 수 있으므로, 수학식 3에 따라 정의되는 제2 상관성 분석 모델이 이용될 수 있다.
노이즈 상수 N은, 수학식 4에 따라, RMS(Noise)에 가중 계수 a가 곱해진 값으로 정의될 수 있다. 예를 들어, 노이즈 상수 N은, 전압 센서의 계측 오차값인 5mV의 RMS값에 가중 계수 0.8을 곱한 값으로 정의될 수 있다.
가중 계수 a는, 검출 정확도를 조정하기 위한 값으로, 0.2 이상 1.1 이하의 특정 값으로 정의될 수 있으며, 바람직하게는, 0.8 이상 1.0 이하의 특정 값으로 정의될 수 있다.
이상 배터리 검출 장치(200)는, case2(예를 들어, 휴지 모드)의 경우, 수학식 3에 기초하여 정의되는 제2 상관성 분석 모델을 이용하여 상관 계수를 산출할 수 있으나, case1(예를 들어, 충방전 모드)의 경우에도, 보다 높은 검출 정확도를 나타내기 위해, 제2 상관성 분석 모델을 이용하여 상관 계수를 산출하도록 구성될 수 있다.
이상 배터리 검출 장치(200)는, 단계 S420에서 산출된, 배터리들 각각에 대한 상관 계수(r)를 기정의된 임계값(r_th)과 비교할 수 있다(S430). 본 발명의 실시예에 따른 상관 계수(r)는, 특정 배터리의 상태가 다른 배터리의 상태와 어느 정도의 상관성을 갖는지를 나타내며, -1 내지 1 사이의 특정 값으로 산출될 수 있다. 1에 가까운 값의 상관 계수(r)를 갖는 배터리는, 다른 배터리들과 높은 상관성을 가지며, 0 에 가까운 값의 상관 계수(r)를 갖는 배터리는, 다른 배터리들과 낮은 상관성을 가지는 것으로 볼 수 있다.
이상 배터리 검출 장치(200)는, 임계 값(r_th) 이하의 상관 계수를 갖는 배터리를 이상 배터리로 결정할 수 있다(S440). 예를 들어, 임계 값(r_th)이 0.5로 정의되는 경우, 이상 배터리 검출 장치(200)는, 복수의 배터리들 중 0.5의 이하의 상관 계수를 갖는 배터리를 이상 배터리로 결정할 수 있다. 한편, 임계 값(r_th)은, 필요에 따라 적절한 값으로 결정될 수 있으며, 0.4 이상 0.8 이하의 특정 값으로 정의될 수 있다.
도 5는 본 발명의 실시예에 따른 상관 계수 도출 방법의 동작 순서도이다.
이상 배터리 검출 장치(200)는, 배터리들의 동작 모드를 확인할 수 있다(S510). 여기에서, 동작 모드는, 충방전 모드 및 휴지 모드를 포함할 수 있다.
이상 배터리 검출 장치(200)는, 배터리들에 대한 출력 전류 값 또는 입력 전류 값에 기초하여, 동작 모드를 결정할 수 있다. 예를 들어, 배터리들의 출력 또는 입력 전류값이 0이면 휴지 모드로 결정되고, 0 이 아니면 충방전 모드로 결정될 수 있다.
이상 배터리 검출 장치(200)는, 외부 장치로부터 수신되는 배터리의 동작 상태 신호에 기초하여 동작 모드를 결정할 수 있다. 예를 들어, 배터리의 충방전 제어 장치로부터 배터리의 동작 상태 신호를 수신하여, 배터리가 충방전 상태인지 또는 휴지 상태인지 결정할 수 있다.
배터리의 동작 모드가 충방전 모드인 경우(S520의 Y), 이상 배터리 검출 장치(200)는, 상관 계수의 산출을 위한 모델로, 수학식 1에 기초하여 정의되는 제1 상관성 분석 모델을 결정할 수 있다(S530).
배터리의 동작 모드가 휴지 모드인 경우(S520의 N), 이상 배터리 검출 장치(200)는, 상관 계수의 산출을 위한 모델로, 수학식 3에 기초하여 정의되는 제2 상관성 분석 모델을 결정할 수 있다(S540).
이상 배터리 검출 장치(200)는, 배터리의 동작 모드에 따라 결정된 상관성 분석 모델을 이용하여, 배터리들 각각에 대한 상관 계수(r)를 도출할 수 있다(S550).
도 6은 본 발명의 다른 실시예에 따른 상관 계수 도출 방법의 동작 순서도이다.
이상 배터리 검출 장치(200)는, 배터리들의 상태 데이터를 기초로, COVX,Y 및 COVN,M를 산출할 수 있다(S610).
여기에서, COVX,Y 및 COVN,M는 아래 수학식에 기초하여 산출될 수 있다.
[수학식 8]
Figure PCTKR2023009914-appb-img-000007
[수학식 9]
Figure PCTKR2023009914-appb-img-000008
이상 배터리 검출 장치(200)는, COVX,Y 및 COVN,M를 비교할 수 있다(S620).
COVX,Y 가 COVN,M를 초과하는 경우(S620의 Y), 이상 배터리 검출 장치(200)는, 상관 계수의 산출을 위한 모델로, 수학식 1에 기초하여 정의되는 제1 상관성 분석 모델을 결정할 수 있다(S630).
COVX,Y 가 COVN,M이하인 경우 (S620의 N), 이상 배터리 검출 장치(200)는, 상관 계수의 산출을 위한 모델로, 수학식 3에 기초하여 정의되는 제2 상관성 분석 모델을 결정할 수 있다(S640).
이상 배터리 검출 장치(200)는, 배터리의 동작 모드에 따라 결정된 상관성 분석 모델을 이용하여, 배터리들 각각에 대한 상관 계수(r)를 도출할 수 있다(S650).
도 7 내지 10은 본 발명의 실시예에 따른 상관성 분석 모델을 이용하여 이상 배터리를 검출한 결과를 나타낸다.
도 7은, 병렬 연결된 8개의 배터리들(Cell 1 ~ 8) 각각에 대한 전압 측정 값을 나타낸다. 도 7을 참조하면, 약 1375 sec 시점에 Cell 1과 Cell 2에 이상 전압 현상이 발생됨을 확인할 수 있다.
도 8 내지 10은, 본 발명의 실시예에 따른 상관성 분석 모델을 적용하여 산출된, 배터리셀들 각각에 대한 상관 계수를 나타낸다. 도 8은 제1 상관성 분석 모델이 적용된 결과 그래프이고, 도 9는 가중 계수 a가 0.1, RMS(Noise)가 0.5mV의 RMS 값으로 정의된 제2 상관성 분석 모델이 적용된 결과 그래프이고, 도 10은 가중 계수 a가 1.0, RMS(Noise)가 0.5mV의 RMS 값으로 정의된 제2 상관성 분석 모델이 적용된 결과 그래프이다. 이상 배터리를 검출하기 위한 임계 값(r_th)은 0.5로 설정되었다.
도 8을 참조하면, 제1 상관성 분석 모델을 이용한 경우, 이상 전압 현상이 발생한 시점 이외의 구간에서, 임계 값(0.5) 이하의 상관 계수를 갖는 배터리가 검출되었으며, Cell 3 ~ 8이 이상 배터리로 오검출되었다.
도 9를 참조하면, 가중 계수 a가 0.1로 정의된 제2 상관성 분석 모델을 이용한 경우, 이상 전압 현상이 발생한 시점 이외의 구간에서, 임계 값(0.5) 이하의 상관 계수를 갖는 배터리가 검출되었으며, 도 8의 경우와 마찬가지로, Cell 3 ~ 8이 이상 배터리로 오검출되었다.
도 10을 참조하면, 가중 계수 a가 1.0으로 정의된 제2 상관성 분석 모델을 이용한 경우, 임계 값(0.5) 이하의 상관 계수를 갖는 배터리로 Cell 1과 Cell 2가 검출되었다.
도 8 내지 10을 참조하면, 최적 범위 내의 가중 계수(0.2 이상 1.1 이하)가 적용된 제2 상관성 분석 모델이 적용되는 경우, 높은 정확도로 이상 배터리가 검출될 수 있음을 확인할 수 있다.
도 11은 본 발명의 실시예에 따른 이상 배터리 검출 장치의 블록 구성도이다.
본 발명의 실시예에 따른 이상 배터리 검출 장치(200)는, 적어도 하나의 프로세서(210), 상기 프로세서를 통해 실행되는 적어도 하나의 명령을 저장하는 메모리(220) 및 네트워크와 연결되어 통신을 수행하는 송수신 장치(230)를 포함할 수 있다.
상기 적어도 하나의 명령은, 복수의 배터리들 각각에 대한 상태 데이터를 수집하는 명령; 상기 수집된 상태 데이터를 기초로, 배터리 상태 간의 상관성 분석(correlation analysis)을 수행하여, 배터리들 각각에 대한 상관 계수(correlation coefficient)를 산출하는 명령; 및 상기 산출된 상관 계수를 기초로, 복수의 배터리들 중 이상 배터리를 검출하는 명령;을 포함할 수 있다.
상기 배터리들 각각에 대한 상관 계수를 산출하는 명령은, 배터리 상태 값의 표준 편차 및 공분산(covariance)에 기초하여 정의되는 상관성 분석 모델을 이용하여, 상기 배터리들 각각에 대한 상관 계수를 산출하는 명령을 포함할 수 있다.
여기에서, 상기 배터리들 각각에 대한 상관 계수를 산출하는 명령은, 기정의된 노이즈 상수가 반영된 상관성 분석 모델을 이용하여, 상태 측정 센서의 센싱 노이즈에 의한 영향이 제거된 상관 계수를 산출하는 명령을 포함할 수 있다.
상기 노이즈 상수는, 상기 상태 측정 센서의 계측 오차값을 기초로 정의될 수 있다.
상기 배터리들 각각에 대한 상관 계수를 산출하는 명령은, 배터리 상태 값의 표준 편차 및 공분산(covariance)에 기초하여 정의되는 제1 상관성 분석 모델, 및 상기 제1 상관성 분석 모델에, 상태 측정 센서의 센싱 노이즈에 의한 영향을 제거하기 위한 노이즈 상수가 반영된 제2 상관성 분석 모델 중 어느 하나를 이용하여, 상기 배터리들 각각에 대한 상관 계수를 산출하는 명령을 포함할 수 있다.
상기 배터리들 각각에 대한 상관 계수를 산출하는 명령은, 상기 배터리들의 동작 모드를 확인하는 명령; 및 충방전 모드인 경우, 상기 제1 상관성 분석 모델을 이용하여 상관 계수를 산출하고, 휴지 모드인 경우, 상기 제2 상관성 분석 모델을 이용하여 상관 계수를 산출하는 명령을 포함할 수 있다.
상기 배터리들 각각에 대한 상관 계수를 산출하는 명령은, 배터리 상태 값의 공분산 및 노이즈 성분 값의 공분산을 산출하는 명령; 및 상기 배터리 상태 값의 공분산이 상기 노이즈 성분 값의 공분산을 초과하면, 상기 제1 상관성 분석 모델을 이용하여 상관 계수를 산출하고, 상기 배터리 상태 값의 공분산이 상기 노이즈 성분 값의 공분산 이하하면, 상기 제2 상관성 분석 모델을 이용하여 상관 계수를 산출하는 명령을 포함할 수 있다.
상기 복수의 배터리들 중 이상 배터리를 검출하는 명령은, 기정의된 임계 값 이하의 상관 계수를 갖는 배터리를 이상 배터리로 결정하는 명령을 포함할 수 있다.
상기 상태 데이터를 수집하는 명령은, 상기 배터리들 각각에 대한 전압 값 및 전류 값 중 하나 이상을 단위 시간마다 수집하는 명령을 포함할 수 있다.
이상 배터리 검출 장치(200)는 또한, 입력 인터페이스 장치(240), 출력 인터페이스 장치(250), 저장 장치(260) 등을 더 포함할 수 있다. 이상 배터리 검출 장치(200)에 포함된 각각의 구성 요소들은 버스(bus)(270)에 의해 연결되어 서로 통신을 수행할 수 있다.
여기서, 프로세서(210)는 중앙처리장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(또는 저장 장치)는 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중에서 적어도 하나로 구성될 수 있다.
본 발명의 실시예에 따른 방법의 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다.
본 발명의 일부 측면들은 장치의 문맥에서 설명되었으나, 그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고, 여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다. 유사하게, 방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다. 방법 단계들의 몇몇 또는 전부는 예를 들어, 마이크로프로세서, 프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여) 수행될 수 있다. 몇몇의 실시예에서, 가장 중요한 방법 단계들의 하나 이상은 이와 같은 장치에 의해 수행될 수 있다.
이상 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (18)

  1. 복수의 배터리들 중 이상 배터리를 검출하는, 이상 배터리 검출 장치로서,
    적어도 하나의 프로세서;
    상기 적어도 하나의 프로세서를 통해 실행되는 적어도 하나의 명령을 저장하는 메모리;를 포함하고,
    상기 적어도 하나의 명령은,
    복수의 배터리들 각각에 대한 상태 데이터를 수집하는 명령;
    상기 수집된 상태 데이터를 기초로, 배터리 상태 간의 상관성 분석(correlation analysis)을 수행하여, 배터리들 각각에 대한 상관 계수(correlation coefficient)를 산출하는 명령; 및
    상기 산출된 상관 계수를 기초로, 복수의 배터리들 중 이상 배터리를 검출하는 명령;을 포함하는, 이상 배터리 검출 장치.
  2. 청구항 1에 있어서,
    상기 배터리들 각각에 대한 상관 계수를 산출하는 명령은,
    배터리 상태 값의 표준 편차 및 공분산(covariance)에 기초하여 정의되는 상관성 분석 모델을 이용하여, 상기 배터리들 각각에 대한 상관 계수를 산출하는 명령을 포함하는, 이상 배터리 검출 장치.
  3. 청구항 2에 있어서,
    상기 배터리들 각각에 대한 상관 계수를 산출하는 명령은,
    기정의된 노이즈 상수가 반영된 상관성 분석 모델을 이용하여, 상태 측정 센서의 센싱 노이즈에 의한 영향이 제거된 상관 계수를 산출하는 명령을 포함하는, 이상 배터리 검출 장치.
  4. 청구항 3에 있어서,
    상기 노이즈 상수는,
    상기 상태 측정 센서의 계측 오차값을 기초로 정의되는, 이상 배터리 검출 장치.
  5. 청구항 1에 있어서,
    상기 배터리들 각각에 대한 상관 계수를 산출하는 명령은,
    배터리 상태 값의 표준 편차 및 공분산(covariance)에 기초하여 정의되는 제1 상관성 분석 모델, 및 상기 제1 상관성 분석 모델에, 상태 측정 센서의 센싱 노이즈에 의한 영향을 제거하기 위한 노이즈 상수가 반영된 제2 상관성 분석 모델 중 어느 하나를 이용하여, 상기 배터리들 각각에 대한 상관 계수를 산출하는 명령을 포함하는, 이상 배터리 검출 장치.
  6. 청구항 5에 있어서,
    상기 배터리들 각각에 대한 상관 계수를 산출하는 명령은,
    상기 배터리들의 동작 모드를 확인하는 명령; 및
    충방전 모드인 경우, 상기 제1 상관성 분석 모델을 이용하여 상관 계수를 산출하고, 휴지 모드인 경우, 상기 제2 상관성 분석 모델을 이용하여 상관 계수를 산출하는 명령을 포함하는, 이상 배터리 검출 장치.
  7. 청구항 5에 있어서,
    상기 배터리들 각각에 대한 상관 계수를 산출하는 명령은,
    배터리 상태 값의 공분산 및 노이즈 성분 값의 공분산을 산출하는 명령; 및
    상기 배터리 상태 값의 공분산이 상기 노이즈 성분 값의 공분산을 초과하면, 상기 제1 상관성 분석 모델을 이용하여 상관 계수를 산출하고, 상기 배터리 상태 값의 공분산이 상기 노이즈 성분 값의 공분산 이하하면, 상기 제2 상관성 분석 모델을 이용하여 상관 계수를 산출하는 명령을 포함하는, 이상 배터리 검출 장치.
  8. 청구항 1에 있어서,
    상기 복수의 배터리들 중 이상 배터리를 검출하는 명령은,
    기정의된 임계 값 이하의 상관 계수를 갖는 배터리를 이상 배터리로 결정하는 명령을 포함하는, 이상 배터리 검출 장치.
  9. 청구항 1에 있어서,
    상기 상태 데이터를 수집하는 명령은,
    상기 배터리들 각각에 대한 전압 값 및 전류 값 중 하나 이상을 단위 시간마다 수집하는 명령을 포함하는, 이상 배터리 검출 장치.
  10. 복수의 배터리들 중 이상 배터리를 검출하는 이상 배터리 검출 장치에 의한, 이상 배터리 검출 방법으로서,
    복수의 배터리들 각각에 대한 상태 데이터를 수집하는 단계;
    상기 수집된 상태 데이터를 기초로, 배터리 상태 간의 상관성 분석(correlation analysis)을 수행하여, 배터리들 각각에 대한 상관 계수(correlation coefficient)를 산출하는 단계; 및
    상기 산출된 상관 계수를 기초로, 복수의 배터리들 중 이상 배터리를 검출하는 단계;를 포함하는, 이상 배터리 검출 방법.
  11. 청구항 10에 있어서,
    상기 배터리들 각각에 대한 상관 계수를 산출하는 단계는,
    배터리 상태 값의 표준 편차 및 공분산(covariance)에 기초하여 정의되는 상관성 분석 모델을 이용하여, 상기 배터리들 각각에 대한 상관 계수를 산출하는 단계를 포함하는, 이상 배터리 검출 방법.
  12. 청구항 11에 있어서,
    상기 배터리들 각각에 대한 상관 계수를 산출하는 단계는,
    기정의된 노이즈 상수가 반영된 상관성 분석 모델을 이용하여, 상태 측정 센서의 센싱 노이즈에 의한 영향이 제거된 상관 계수를 산출하는 단계를 포함하는, 이상 배터리 검출 방법.
  13. 청구항 12에 있어서,
    상기 노이즈 상수는,
    상기 상태 측정 센서의 계측 오차값을 기초로 정의되는, 이상 배터리 검출 방법.
  14. 청구항 10에 있어서,
    상기 배터리들 각각에 대한 상관 계수를 산출하는 단계는,
    배터리 상태 값의 표준 편차 및 공분산(covariance)에 기초하여 정의되는 제1 상관성 분석 모델, 및 상기 제1 상관성 분석 모델에, 상태 측정 센서의 센싱 노이즈에 의한 영향을 제거하기 위한 노이즈 상수가 반영된 제2 상관성 분석 모델 중 어느 하나를 이용하여, 상기 배터리들 각각에 대한 상관 계수를 산출하는 단계를 포함하는, 이상 배터리 검출 방법.
  15. 청구항 14에 있어서,
    상기 배터리들 각각에 대한 상관 계수를 산출하는 단계는,
    상기 배터리들의 동작 모드를 확인하는 단계; 및
    충방전 모드인 경우, 상기 제1 상관성 분석 모델을 이용하여 상관 계수를 산출하고, 휴지 모드인 경우, 상기 제2 상관성 분석 모델을 이용하여 상관 계수를 산출하는 단계를 포함하는, 이상 배터리 검출 방법.
  16. 청구항 14에 있어서,
    상기 배터리들 각각에 대한 상관 계수를 산출하는 단계는,
    배터리 상태 값의 공분산 및 노이즈 성분 값의 공분산을 산출하는 단계; 및
    상기 배터리 상태 값의 공분산이 상기 노이즈 성분 값의 공분산을 초과하면, 상기 제1 상관성 분석 모델을 이용하여 상관 계수를 산출하고, 상기 배터리 상태 값의 공분산이 상기 노이즈 성분 값의 공분산 이하하면, 상기 제2 상관성 분석 모델을 이용하여 상관 계수를 산출하는 단계를 포함하는, 이상 배터리 검출 방법.
  17. 청구항 10에 있어서,
    상기 복수의 배터리들 중 이상 배터리를 검출하는 단계는,
    기정의된 임계 값 이하의 상관 계수를 갖는 배터리를 이상 배터리로 결정하는 단계를 포함하는, 이상 배터리 검출 방법.
  18. 청구항 10에 있어서,
    상기 상태 데이터를 수집하는 단계는,
    상기 배터리들 각각에 대한 전압 값 및 전류 값 중 하나 이상을 단위 시간마다 수집하는 단계를 포함하는, 이상 배터리 검출 방법.
PCT/KR2023/009914 2022-08-31 2023-07-12 이상 배터리 검출 장치 및 방법 Ceased WO2024048981A1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP23860663.6A EP4462141A4 (en) 2022-08-31 2023-07-12 APPARATUS AND METHOD FOR DETECTING DEFECTIVE BATTERIES
US18/836,417 US20250116707A1 (en) 2022-08-31 2023-07-12 Faulty Battery Detection Apparatus and Method
CN202380020966.9A CN118661107A (zh) 2022-08-31 2023-07-12 故障电池检测设备和方法
JP2024542963A JP7827252B2 (ja) 2022-08-31 2023-07-12 異常電池検出装置及び方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220109748A KR20240030553A (ko) 2022-08-31 2022-08-31 이상 배터리 검출 장치 및 방법
KR10-2022-0109748 2022-08-31

Publications (1)

Publication Number Publication Date
WO2024048981A1 true WO2024048981A1 (ko) 2024-03-07

Family

ID=90098055

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/009914 Ceased WO2024048981A1 (ko) 2022-08-31 2023-07-12 이상 배터리 검출 장치 및 방법

Country Status (6)

Country Link
US (1) US20250116707A1 (ko)
EP (1) EP4462141A4 (ko)
JP (1) JP7827252B2 (ko)
KR (1) KR20240030553A (ko)
CN (1) CN118661107A (ko)
WO (1) WO2024048981A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240040991A (ko) * 2022-09-22 2024-03-29 주식회사 엘지에너지솔루션 배터리 장기 시험 분석 장치 및 방법
KR20260046677A (ko) * 2024-09-30 2026-04-07 주식회사 엘지에너지솔루션 배터리 진단 장치 및 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4506606B2 (ja) * 2005-07-28 2010-07-21 日産自動車株式会社 組電池の電圧検出装置
CN103792495A (zh) * 2014-01-29 2014-05-14 北京交通大学 基于德尔菲法和灰色关联理论的电池性能评价方法
KR20170051059A (ko) * 2015-11-02 2017-05-11 삼성전자주식회사 배터리 관리 방법 및 배터리 관리 장치
US20220077514A1 (en) * 2020-09-07 2022-03-10 Hyundai Motor Company Battery management apparatus and energy storage system having the same
KR20220037169A (ko) * 2020-09-17 2022-03-24 한화솔루션 주식회사 에너지 저장 시스템의 충전 상태 추정장치 및 방법
KR20220109748A (ko) 2021-01-29 2022-08-05 (주)케이시크 자율주행자동차 좌석장치 최적화 서비스 방법 및 시스템

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8796993B2 (en) 2011-09-12 2014-08-05 Southwest Electronic Energy Corporation Historical analysis of battery cells for determining state of health
US11187758B2 (en) * 2016-10-19 2021-11-30 San Diego State University Research Foundation Methods and circuitry for fault detection and automatic equalizers for battery packs
JPWO2019243950A1 (ja) * 2018-06-22 2021-07-26 株式会社半導体エネルギー研究所 蓄電装置の異常検知方法、及び蓄電装置の制御装置
CN110712528B (zh) * 2019-10-25 2020-11-06 优必爱信息技术（北京）有限公司 一种动力电池组实时监控方法及设备
CN112946522A (zh) * 2021-02-05 2021-06-11 四川大学 低温工况导致电池储能系统内短路故障的在线监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4506606B2 (ja) * 2005-07-28 2010-07-21 日産自動車株式会社 組電池の電圧検出装置
CN103792495A (zh) * 2014-01-29 2014-05-14 北京交通大学 基于德尔菲法和灰色关联理论的电池性能评价方法
KR20170051059A (ko) * 2015-11-02 2017-05-11 삼성전자주식회사 배터리 관리 방법 및 배터리 관리 장치
US20220077514A1 (en) * 2020-09-07 2022-03-10 Hyundai Motor Company Battery management apparatus and energy storage system having the same
KR20220037169A (ko) * 2020-09-17 2022-03-24 한화솔루션 주식회사 에너지 저장 시스템의 충전 상태 추정장치 및 방법
KR20220109748A (ko) 2021-01-29 2022-08-05 (주)케이시크 자율주행자동차 좌석장치 최적화 서비스 방법 및 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4462141A4

Also Published As

Publication number Publication date
JP7827252B2 (ja) 2026-03-10
EP4462141A1 (en) 2024-11-13
JP2025506616A (ja) 2025-03-13
US20250116707A1 (en) 2025-04-10
EP4462141A4 (en) 2025-09-03
CN118661107A (zh) 2024-09-17
KR20240030553A (ko) 2024-03-07

Similar Documents

Publication Publication Date Title
WO2021085836A1 (ko) 배터리 진단 장치 및 방법
WO2023068899A1 (ko) 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법
WO2024048981A1 (ko) 이상 배터리 검출 장치 및 방법
WO2021230642A1 (ko) 배터리를 진단하기 위한 장치 및 그 방법
WO2014204179A1 (en) Method for verifying bad pattern in time series sensing data and apparatus thereof
WO2022098096A1 (ko) 배터리 진단 장치 및 방법
WO2019074221A1 (ko) 이차 전지의 충전 상태를 추정하기 위한 장치 및 그 방법
WO2022149917A1 (ko) 배터리 관리 장치 및 방법
WO2018151431A1 (ko) 에너지 저장장치 충전상태 추정방법
WO2022030971A1 (ko) 배터리 진단 디바이스, 배터리 팩, 배터리 시스템 및 배터리 진단 방법
WO2021261781A1 (ko) 배터리 상태 관리 시스템 및 방법
WO2022145998A1 (ko) 배터리 진단 장치 및 방법
WO2024058625A1 (ko) 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
WO2022250390A1 (ko) 배터리 모니터링 장치 및 방법
WO2021040217A1 (ko) 에너지저장시스템(ess)의 셀 안정화 방법 및 시스템
WO2021054716A1 (ko) 배터리 전압 데이터 및 온도 데이터를 이용한 이상 상태 사전 감지 시스템
WO2021066393A1 (ko) 병렬 연결 셀의 연결 고장 검출 방법 및 시스템
WO2023224414A1 (ko) 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차
WO2021137642A1 (ko) 배터리 관리 장치 및 방법
WO2023106592A1 (ko) 배터리 상태 모니터링 장치 및 방법, 그리고 배터리 보호 장치
WO2023106675A1 (ko) 배터리 압력 측정 센서 및 이를 포함하는 배터리 압력 측정 장치
WO2024053870A1 (ko) 배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법
WO2024080484A1 (ko) 누설 전류 감지를 위한 배터리 진단 장치 및 방법
WO2025089929A1 (ko) 배터리 관리 장치 및 방법
WO2024071591A1 (ko) 통신 이상 상황의 대응을 위한 배터리 제어 장치 및 이를 포함하는 에너지 저장 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: 23860663

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2024542963

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 18836417

Country of ref document: US

Ref document number: 2023860663

Country of ref document: EP

Ref document number: 23860663

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 202380020966.9

Country of ref document: CN

ENP Entry into the national phase

Ref document number: 2023860663

Country of ref document: EP

Effective date: 20240807

NENP Non-entry into the national phase

Ref country code: DE

WWP Wipo information: published in national office

Ref document number: 18836417

Country of ref document: US