WO2024136347A1 - 배터리 상태 예측 장치 및 그것의 동작 방법 - Google Patents

배터리 상태 예측 장치 및 그것의 동작 방법 Download PDF

Info

Publication number
WO2024136347A1
WO2024136347A1 PCT/KR2023/020817 KR2023020817W WO2024136347A1 WO 2024136347 A1 WO2024136347 A1 WO 2024136347A1 KR 2023020817 W KR2023020817 W KR 2023020817W WO 2024136347 A1 WO2024136347 A1 WO 2024136347A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery
data
machine learning
gas generation
prediction
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/KR2023/020817
Other languages
English (en)
French (fr)
Inventor
천주영
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
Priority claimed from KR1020230180528A external-priority patent/KR102925815B1/ko
Application filed by LG Energy Solution Ltd filed Critical LG Energy Solution Ltd
Priority to JP2025534186A priority Critical patent/JP2025540363A/ja
Priority to EP23907632.6A priority patent/EP4629395A4/en
Priority to CN202380086453.8A priority patent/CN120359647A/zh
Publication of WO2024136347A1 publication Critical patent/WO2024136347A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/44—Methods for charging or discharging
    • H01M10/441—Methods for charging or discharging for several batteries or cells simultaneously or sequentially
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing

Definitions

  • Embodiments disclosed in this document relate to a battery state prediction device and a method of operating the same.
  • Electric vehicles receive electricity from outside, charge the battery, and then use the voltage charged in the battery to drive the motor to obtain power.
  • the battery of an electric vehicle may generate heat due to a chemical reaction that occurs in the process of charging and discharging electricity, and this heat may damage the performance and lifespan of the battery and cause gas to be generated inside the battery.
  • BMS Battery Management System
  • the battery management device can predict the amount of gas generated by the battery by training battery data into an artificial intelligence model that analyzes the state of the battery.
  • an artificial intelligence model that analyzes the state of the battery.
  • the battery management device inputs the same battery data as input to the artificial intelligence model, it can always derive only the same output data (Output), which causes the actual battery to generate different distributions of gas generation in the same environment. There is a problem that it cannot reflect the actual distribution.
  • One purpose of the embodiments disclosed in this document is to provide a battery status prediction device and a method of operating the same that can obtain gas generation prediction data in the form of a probability distribution using a plurality of artificial intelligence models for predicting the battery gas generation amount. There is.
  • a battery state prediction device includes a generator that generates a plurality of machine learning models that are learned based on battery data and features included in the battery data to predict the amount of gas generation of the battery; It may include a controller that applies the battery data to the plurality of machine learning models to obtain a plurality of prediction data predicting the gas generation amount of the battery, and predicts the gas generation amount of the battery based on the plurality of prediction data.
  • the plurality of machine learning models include a plurality of deep neural network (DNN) models
  • the controller applies the battery data to the plurality of deep neural network models to generate the plurality of prediction data. can be obtained.
  • DNN deep neural network
  • the battery data includes cumulatively measured temperature, SOC, and SOH of the battery, and the characteristics of the battery data include at least one of an electrode type, assembly process, and separator type of the battery. can do.
  • the controller weights each of the plurality of prediction data based on a weight assigned based on characteristics of the battery data in the process of training the deep neural network model used to generate each of the plurality of prediction data. and inputting the plurality of weighted prediction data into an ensemble learning model to generate the gas generation prediction data in the form of a probability distribution.
  • the controller determines the accuracy of the plurality of machine learning models by calculating an average value of the gas generation prediction data in the form of the probability distribution and comparing the average value with a previously stored gas generation measurement value of the battery. can do.
  • a method of operating a battery state prediction device is learned based on battery data and features included in the battery data to generate a plurality of machine learning models that predict the amount of gas generation of the battery.
  • obtaining a plurality of prediction data predicting the gas generation amount of the battery by applying the battery data to the plurality of machine learning models, and predicting the gas generation amount of the battery based on the plurality of prediction data. may include.
  • the plurality of machine learning models include a plurality of deep neural network (DNN) models
  • the battery data is applied to the plurality of machine learning models to predict the amount of gas generation of the battery.
  • Obtaining the plurality of prediction data may include applying the battery data to the plurality of deep neural network models to obtain the plurality of prediction data.
  • the step of generating a plurality of machine learning models that predict the amount of gas generation of the battery based on the battery data is based on the battery data including the cumulatively measured temperature, SOC, and SOH of the battery. and generating the plurality of machine learning models, and the characteristics of the battery data may include at least one of an electrode type, an assembly process, and a separator type of the battery.
  • the step of predicting the gas generation amount of the battery based on the plurality of prediction data is based on the characteristics of the battery data in the process of training the deep neural network model that generates each of the plurality of prediction data. assigning weights to each of the plurality of prediction data based on the assigned weights, and inputting the plurality of prediction data to which the weights have been assigned into an ensemble learning model to generate the gas generation prediction data in the form of a probability distribution. It may include a creation step.
  • the step of predicting the gas generation amount of the battery based on the plurality of prediction data includes calculating an average value of the gas generation amount prediction data in the form of the probability distribution, and dividing the average value into a pre-stored gas generation amount of the battery. By comparing the measured values, the accuracy of the plurality of machine learning models can be determined.
  • the battery state prediction device and its operating method according to an embodiment disclosed in this document can obtain gas generation prediction data in the form of a probability distribution using a plurality of artificial intelligence models.
  • FIG. 1 is a diagram showing a battery pack according to an embodiment disclosed in this document.
  • FIG. 2 is a diagram for generally explaining a battery state prediction device according to an embodiment disclosed in this document.
  • FIG. 3 is a block diagram showing the configuration of a battery state prediction device according to an embodiment disclosed in this document.
  • Figure 4 is a diagram for explaining the operation of the generator according to an embodiment disclosed in this document.
  • Figure 5 is a diagram for explaining a method of operating a controller according to an embodiment disclosed in this document.
  • Figure 6 is a flowchart showing a method of operating a battery state prediction device according to an embodiment disclosed in this document.
  • Figure 7 is a block diagram showing the hardware configuration of a computing system that implements a battery state prediction device according to an embodiment disclosed in this document.
  • FIG. 1 is a diagram showing a battery pack according to an embodiment disclosed in this document.
  • a battery pack 1000 may include a battery module 100, a battery state prediction device 200, and a relay 300.
  • the battery module 100 may include a plurality of battery cells 110, 120, 130, and 140. Although the plurality of battery cells is shown in FIG. 1 as four, the battery module 100 is not limited thereto, and the battery module 100 may be configured to include n (n is a natural number of 2 or more) battery cells.
  • the battery module 100 may supply power to a target device (not shown). To this end, the battery module 100 may be electrically connected to the target device.
  • the target device may include an electrical, electronic, or mechanical device that operates by receiving power from the battery pack 1000 including a plurality of battery cells 110, 120, 130, and 140, for example.
  • the target device may be an electric vehicle (EV) or an energy storage system (ESS), but is not limited thereto.
  • EV electric vehicle
  • ESS energy storage system
  • a plurality of battery cells are the basic units of a battery that can be used by charging and discharging electrical energy, and include a lithium-ion (Li-ion) battery, a lithium-ion polymer (Li-ion polymer) battery, and a nickel battery. It may be a cadmium (Ni-Cd) battery, a nickel hydride (Ni-MH) battery, etc., but is not limited thereto. Meanwhile, in FIG. 1, there is shown a single battery module 100, but depending on the embodiment, the battery module 100 may be comprised of a plurality of battery modules 100.
  • the battery state prediction device 200 predicts a plurality of battery cells (110, 120, 130, 140) based on temperature, current, voltage, SOC (State of Charge), and SOH (State of Health) data 110, 120, 130, 140) of gas generation can be predicted.
  • the battery state prediction device 200 may predict the amount of gas generation of the plurality of battery cells (110, 120, 130, and 140) based on the battery data (A) of the plurality of battery cells (110, 120, 130, and 140). .
  • the battery state prediction device 200 may be implemented in the form of a battery management system (BMS). Additionally, depending on the embodiment, the battery state prediction device 200 may be mounted on a battery management device.
  • BMS battery management system
  • the battery management device may manage and/or control the status and/or operation of the battery module 100.
  • the battery management device may manage and/or control the status and/or operation of the plurality of battery cells 110, 120, 130, and 140 included in the battery module 100.
  • the battery management device may manage charging and/or discharging of the battery module 100.
  • the battery management device may monitor the voltage, current, temperature, etc. of the battery module 100 and/or each of the plurality of battery cells 110, 120, 130, and 140 included in the battery module 100. Additionally, for monitoring by the battery management device, sensors or various measurement modules, not shown, may be additionally installed in the battery module 100, the charging/discharging path, or any other location in the battery module 100. The battery management device may calculate parameters indicating the state of the battery module 100, such as SOC or SOH, based on monitored measured values such as voltage, current, and temperature.
  • the battery management device can control the operation of the relay 300. For example, the battery management device may short-circuit the relay 300 to supply power to the target device. Additionally, the battery management device may short-circuit the relay 300 when a charging device is connected to the battery pack 1000.
  • the battery management device may calculate the cell balancing time of each of the plurality of battery cells 110, 120, 130, and 140.
  • the cell balancing time may be defined as the time required to balance battery cells.
  • the battery management device may calculate the cell balancing time based on the SOC, battery capacity, and balancing efficiency of each of the plurality of battery cells 110, 120, 130, and 140.
  • FIG. 2 is a diagram for generally explaining a battery state prediction device according to an embodiment disclosed in this document.
  • the battery state prediction device 200 may extract part of the battery data A and input it into a plurality of machine learning models 211, 212, 213, and 214.
  • a plurality of machine learning models are shown as four, but this is not limited to this, and the plurality of machine learning models (211, 212, 213, 214) include n (n is a natural number of 2 or more) machine learning models. It can be configured as follows.
  • the battery state prediction device 200 may acquire battery data A of a plurality of battery cells 110, 120, 130, and 140.
  • the battery management device operates the battery from a voltage value at which the SOC of the battery is 0% until it reaches a voltage value at which the SOC of the battery is 100%.
  • Battery data (A) including measured values can be obtained.
  • the battery state prediction device 200 provides battery data (A) including the voltage, current, temperature, SOC, and SOH of the plurality of battery cells 110, 120, 130, and 140 cumulatively measured during the charging and discharging period. can be obtained,
  • the battery data (A) may further include at least one characteristic among the features of the battery data (A) including the separator type, assembly process, and electrode type of the battery. That is, the battery data (A) may further include at least one of data related to what type of separator each battery has, what assembly process it was assembled through, and/or what electrode type it has. .
  • the battery state prediction device 200 can input battery data (A) into a plurality of machine learning models (211, 212, 213, and 214) to predict the amount of gas generation of the battery.
  • machine learning is a technology that trains computers to predict certain results.
  • the results using machine learning include the process of preparing training data to train the machine and training it in a way appropriate for the problem, the process of validating the model with test data, It includes the process of predicting results using a model that has passed verification.
  • Machine learning is created using training data that is limitedly selected according to certain criteria because it is important that the training data well represent the characteristics that are intended to be generalized through machine learning. If the correlation between the characteristics to be generalized through machine learning and the characteristics of the learning data is low, sampling noise occurs and it is difficult for the machine problem analysis model to find inherent patterns, which is independent of the accuracy of the machine problem analysis model itself. There is a problem that the model's reliability decreases as the model's error increases. Therefore, machine learning technology must invest time in evaluating and processing learning data to select a learning data set.
  • the battery state prediction device 200 may generate a learning data set by extracting at least a portion of the battery data A in order to generate and learn a plurality of machine learning models 211, 212, 213, and 214.
  • the plurality of machine learning models 211, 212, 213, and 214 may refer to learning models that can predict the state of the battery, including the amount of gas generated by the battery, based on input battery data.
  • the battery state prediction device 200 generates a plurality of machine learning models (211, 212, 213, 214) of the same structure based on one learning data set generated by extracting at least a portion of the battery data (A). ) can be created.
  • the battery state prediction device 200 is a plurality of machines through a plurality of machine learning models (211, 212, 213, 214) generated based on one learning data set generated by extracting at least part of the battery data (A). Prediction data predicting the amount of battery gas generation for each of the learning models 211, 212, 213, and 214 can be obtained.
  • the battery state prediction device 200 combines the battery gas generation prediction data of each of the plurality of machine learning models 211, 212, 213, and 214 to finally obtain one gas generation prediction data (C) in the form of a probability distribution. there is. Therefore, the battery state prediction device 200 obtains output data (Output) of each of a plurality of machine learning models (211, 212, 213, 214) of the same structure based on one input data (Input), and each By combining the output data, one final gas generation prediction data (C) in the form of a probability distribution can be obtained to reduce learning errors and increase reliability.
  • Output data generated by artificial intelligence models may include random errors and main effects.
  • an artificial intelligence model repeats an experiment multiple times based on the same input data, it can obtain different output data, such as random error or white noise.
  • the artificial intelligence model repeatedly runs the same experiment sufficiently many times, the average value of the random error converges to 0, and the artificial intelligence model can only obtain main effect data.
  • the battery state prediction device 200 uses the same input data to enter a plurality of machine learning models 211, 212, 213, and 214 to obtain a plurality of output data at the same time, thereby setting up the same experimental environment and performing repeated experiments.
  • the effect can be obtained. That is, the battery state prediction device 200 inputs at least some of the same battery data (A) into a plurality of machine learning models (211, 212, 213, 214) of the same structure to generate a battery with high accuracy corresponding to the main effect data.
  • the amount of gas generated can be predicted.
  • FIG. 3 is a block diagram showing the configuration of a battery state prediction device according to an embodiment disclosed in this document
  • FIG. 4 is a diagram for explaining the operation of the generator according to an embodiment disclosed in this document.
  • the battery state prediction device 200 may include a generator 210 and a controller 220.
  • the generator 210 may collect battery data (A).
  • the battery data (A) is a value that records the change in state of the battery from the discharged state to the fully charged state or from the fully charged state to the discharged state of the plurality of battery cells 110, 120, 130, and 140. can be defined.
  • battery data (A) may include cumulatively measured voltage, current, temperature, SOC, and SOH of the battery.
  • SOH may include the capacity degradation and resistance degradation of the battery.
  • the battery data A may further include at least one piece of data related to what type of separator the battery is, what assembly process it was assembled through, and/or what electrode type it has.
  • the generator 210 may generate a plurality of machine learning models 211, 212, 213, and 214 by extracting at least a portion of the battery data A as a learning data set. For example, the generator 210 may extract 80% of the battery data A as a learning data set and generate a plurality of machine learning models 211, 212, 213, and 214.
  • the plurality of machine learning models 211, 212, 213, and 214 may include a plurality of deep neural network (DNN) models.
  • DNN deep neural network
  • a deep neural network model is an artificial neural network technology that includes multiple hidden layers between the input layer and the output layer. Deep neural network models can learn a variety of complex nonlinear relationships, including multiple hidden layers.
  • the generator 210 may use at least some of the battery data A as a learning data set to generate a plurality of machine learning models 211, 212, 213, and 214 that can predict the amount of gas generated by the battery.
  • the amount of internal gas generated by the battery may increase, and depending on what type of separator the battery has, what assembly process the battery was assembled through, and/or what type of electrode the battery has.
  • the amount of internal gas generation may vary. Therefore, a plurality of machine learning models (211, 212, 213, 214) calculate the gas inside the battery based on the voltage, current, temperature, SOC, SOH, assembly process, electrode type, and separator type of the battery included in the battery data (A). It is possible to predict whether gas will be generated and the amount of gas generated.
  • the generator 210 generates a plurality of machine learning models 211, 212, 213, and 214 learned based on at least one feature of the battery data A. You can. For example, when considering the separator type and electrode type among the features of the battery data (A), the generator 210 generates the separator type and electrode type of the battery in addition to the voltage, current, temperature, SOC, and SOH of the battery. Battery data (A) including can be extracted as a learning data set to generate a plurality of machine learning models (211, 212, 213, 214).
  • the generator 210 assigns various weights to the characteristics of the battery data (A), including the separator type, assembly process, and electrode type of the battery, among various characteristics included in the battery data (A), to generate the battery data (A).
  • the generator 210 can be trained on a plurality of machine learning models (211, 212, 213, 214).
  • the generator 210 minimizes the intervention of relatively unimportant data among the battery separator type, assembly process, and electrode type based on the drop-out technique (a), and performs multiple machine learning.
  • a plurality of machine learning models (211, 212, 213, 214) can be created by using a regularization technique to resolve overfitting of the models (211, 212, 213, and 214). That is, the generator 210 trains the battery data (A) with the connections of nodes related to characteristics that do not want intervention or minimize intervention among the separator type, assembly process, and electrode type of the battery to create a plurality of machine learning models. (211, 212, 213, 214) can be generated.
  • the generator 210 generates a weight assigned to the characteristics of the battery data (A), including the separator type, assembly process, and electrode type of the battery, among various characteristics included in the battery data (A). ) can be fixed (b) to generate a plurality of machine learning models (211, 212, 213, 214) trained on the battery data (A). For example, if the generator 210 wants to generate a machine learning model that is greatly influenced by the separator type of the battery, it assigns a high weight (e.g., *a) to the separator type among the characteristics of the battery data (A). By assigning it, the battery data (A) can be learned. In addition, the generator 210 assigns a low weight (e.g., *b) to the electrode type among the characteristics of the battery data (A) to generate a machine learning model that is less affected by the electrode type of the battery. (A) can be learned.
  • a high weight e.g., *a
  • the generator 210 assigns a low weight (e.g.,
  • the generator 210 generates a bias on a node connected to the battery data (A) including the battery separator type, assembly process, and electrode type among various characteristics included in the battery data (A).
  • +a', +b' can be assigned (c) to generate a plurality of machine learning models (211, 212, 213, 214) trained on the battery data (A).
  • the generator 210 generates a plurality of machine learning models (211, 212, 213, 214) that learn the battery data (A) based on weight regulations including L1 regulation (Lasso) and L2 regulation (Ridge). can be generated, and an embodiment disclosed in this document is not limited to this example.
  • the generator 210 may perform Min-Max Scaling on at least a portion of the battery data A.
  • maximum-minimum scaling is a method of adjusting the range of all variables because if the size or unit of a numeric variable is different for each variable, the impact on the dependent variable is not properly reflected.
  • the generator 210 may convert at least a portion of the battery data A into a value between 0 and 1 by maximally scaling at least a portion of the battery data A to the minimum.
  • the generation unit 210 performs K-Fold Cross Validation on the plurality of machine learning models (211, 212, 213, 214) to improve the accuracy of the plurality of machine learning models (211, 212, 213, 214). (Accuracy) can be judged.
  • K-fold cross-validation divides the preprocessed data set into a training data set and a test set, divides the training data set into 'K' folds, uses one fold for verification, and uses (K-1) folds. is a method used for model training so that all data can be used in the training and verification process.
  • the generation unit 210 performs 5-fold cross validation on a plurality of machine learning models (211, 212, 213, 214) to generate a plurality of machine learning models (211, 212, 213, 214) can be judged on accuracy.
  • the generator 210 generates a plurality of machine learning models (211, 212, 213, 214) can be evaluated.
  • the controller 220 uses at least some of the battery data (A) including voltage, current, temperature, SOC, and SOH changes of the plurality of battery cells 110, 120, 130, and 140 as a test data set to perform a plurality of machine learning tests. Can be input into models (211, 212, 213, 214).
  • the controller 220 generates a plurality of machine learning models (211, 212, 213, 214) by extracting 80% of the battery data (A) as a learning data set, and then generates the battery The remaining 20% of the data (A) can be extracted as a test data set and input into multiple machine learning models (211, 212, 213, 214).
  • Figure 5 is a diagram for explaining a method of operating a controller according to an embodiment disclosed in this document.
  • the controller 220 applies at least a portion of the battery data (A) to a plurality of machine learning models (211, 212, 213, 214) to create a plurality of machine learning models (211, 212, 213, 214).
  • a plurality of prediction data (B1, B2, B3, B4) predicting the gas generation amount of the battery can be obtained from each. That is, the controller 220 may obtain a plurality of output data (Output) by inputting at least some of the battery data (A), which is one input data (Input), into separate machine learning models.
  • the controller 220 may generate gas generation prediction data C that predicts the gas generation amount of the battery based on a plurality of prediction data B1, B2, B3, and B4.
  • the controller 220 may predict the state of the battery based on a plurality of prediction data (B1, B2, B3, B4). Depending on the embodiment, the controller 220 creates a plurality of machine learning models 211, 212, 213, and 214 based on at least one of the battery separator type, assembly process, and electrode type among the characteristics of the battery data A. Weights (x1, x2, x3, x4) can be assigned to each of the generated plurality of prediction data (B1, B2, B3, B4).
  • the size of the first prediction data (B1) is amplified to 1
  • the proportion of predicted data (B1) in the total predicted data (B1, B2, B3, B4) can be increased.
  • the weights (x1, x2, x3, x4) assigned to each of the plurality of prediction data (B1, B2, B3, and B4) are used by the battery when training each of the plurality of machine learning models (211, 212, 213, 214). It may be related to the weight given to the characteristics of data (A).
  • the controller 220 makes a plurality of predictions according to weights assigned based on the characteristics of the battery data (A). Weights can be assigned to data (B1, B2, B3, B4). That is, when training the plurality of machine learning models 211, 212, 213, and 214, the weight given to the characteristics of the battery data A and the plurality of prediction data B1, B2, B3, and B4, respectively. Weights are distinct. For example, the controller 220 trains the battery data ( The weight given based on the characteristics of A) can be considered.
  • the controller 220 uses the battery data (A) when training a deep neural network model included in the machine learning model 212 that generates the prediction data (B2) to determine the weight to be given to the prediction data (B2). Weights given based on characteristics can be considered, and when training a deep neural network model included in the machine learning model 213 that generates prediction data B3, weights given based on the characteristics of the battery data A can be used. When training a deep neural network model included in the machine learning model 214 that generates the prediction data B4, weights assigned based on the characteristics of the battery data A can be considered.
  • the weights given to the plurality of prediction data are based on the characteristics of the battery data (A) in the process of training each machine learning model (211, 212, 213, 214). It may be proportional to the weight assigned as a basis. For example, if characteristics related to the separator type and assembly process are considered among the characteristics of the battery data (A) in the process of learning the machine learning model 211 that generates the prediction data (B1), the controller 220 A weight corresponding to the separator type and a weight corresponding to the assembly process type can be assigned to the predicted data (B1), and the weight corresponding to the separator type and the weight corresponding to the assembly process are used in the process of learning the machine learning model 211.
  • a weight may be assigned that is proportional to the weight given to the characteristics of the battery data related to the separator type and the weight given to the characteristics of the battery data related to the assembly process.
  • the weight (x1) may be the sum of the weight corresponding to the separator type and the weight corresponding to the assembly process type, but is not limited to this example.
  • the controller 220 simply assigns weights (x1, x2, x3, x4) to each of the plurality of prediction data (B1, B2, B3, B4).
  • the final gas generation forecast data (C) can be calculated by applying a fuzzy algorithm that can reflect the importance and characteristics of specific variables.
  • the controller 220 inputs a plurality of predicted data (B1, B2, B3, B4) with weights (x1, x2, x3, x4) into an ensemble learning model to form a probability distribution.
  • Gas generation prediction data (C) can be generated.
  • an ensemble learning model is a machine learning technique that combines two or more learning models to perform better than a single learning model.
  • the ensemble learning model can calculate a weighted sum by assigning weight to the output data of each model, rather than the average of the output data of each model.
  • the weighted sum can be defined as the average value obtained by reflecting the weight corresponding to the importance or influence of the data value when calculating the average of the data.
  • the controller 220 may calculate the average value (Mean) of the gas generation prediction data (C) in the form of a probability distribution. Specifically, the controller 220 may calculate a 95% prediction interval (Prediction Interval) of the mean value (Mean) of the gas generation amount prediction data (C) in the form of a probability distribution. For example, the controller 220 calculates the mean value (Mean) and standard deviation of the gas generation prediction data (C) in the form of a probability distribution, and then calculates 'mean value ⁇ standard deviation * 1.96' as the gas generation prediction data in the form of a probability distribution. It can be calculated as the 95% prediction interval of the average value in (C).
  • Prediction Interval 95% prediction interval of the mean value (Mean) of the gas generation amount prediction data (C) in the form of a probability distribution.
  • the controller 220 calculates the mean value (Mean) and standard deviation of the gas generation prediction data (C) in the form of a probability distribution, and then calculates 'mean value
  • the controller 220 determines the accuracy of the plurality of machine learning models (211, 212, 213, 214) by comparing the prediction section of the gas generation prediction data (C) in the form of a probability distribution with the previously stored gas generation measurement value of the battery. You can.
  • the battery state prediction device can obtain gas generation prediction data in the form of a probability distribution using a plurality of artificial intelligence models that predict battery gas generation amount.
  • a battery status prediction device can calculate final prediction data with high accuracy by inputting a small number of input data into a plurality of artificial intelligence models, and reduce the time and cost required for data collection and management.
  • the battery state prediction device can set weights according to the characteristics of the data to reflect the unique characteristics of the actual battery data and the characteristics of the actual battery usage environment.
  • Figure 6 is a flowchart showing a method of operating a battery state prediction device according to an embodiment disclosed in this document.
  • the battery state prediction device 200 may be substantially the same as the battery state prediction device 200 described with reference to FIGS. 1 to 5, it will be briefly described below to avoid duplication of description.
  • the method of operating the battery status prediction device includes generating a plurality of machine learning models that predict the amount of gas generation of the battery based on battery data (S101), and applying the battery data to the plurality of machine learning models to determine the battery It may include obtaining a plurality of prediction data predicting the gas generation amount of (S102) and predicting the gas generation amount of the battery based on the plurality of prediction data (S103).
  • the generator 210 may collect battery data (A).
  • the battery data (A) is a value that records the change in state of the battery from the discharged state to the fully charged state or from the fully charged state to the discharged state of the plurality of battery cells 110, 120, 130, and 140. can be defined.
  • battery data (A) may include cumulatively measured voltage, current, temperature, SOC, and SOH of the battery.
  • SOH may include the capacity degradation and resistance degradation of the battery.
  • the battery data A may further include at least one piece of data related to what type of separator the battery is, what assembly process it was assembled through, and/or what electrode type it has.
  • the generator 210 may generate a plurality of machine learning models 211, 212, 213, and 214 by extracting at least some of the battery data A as a learning data set.
  • the generator 210 may extract 80% of the battery data A as a learning data set and generate a plurality of machine learning models 211, 212, 213, and 214.
  • the generator 210 may generate a plurality of machine learning models 211, 212, 213, and 214 learned based on at least one feature of the battery data A. .
  • the generator 210 when considering the separator type and electrode type among the features of the battery data (A), the generator 210 generates the separator type and electrode type of the battery in addition to the voltage, current, temperature, SOC, and SOH of the battery.
  • Battery data (A) including can be extracted as a learning data set to generate a plurality of machine learning models (211, 212, 213, 214).
  • the generator 210 assigns various weights to the characteristics of the battery data (A), including the separator type, assembly process, and electrode type of the battery, among various characteristics included in the battery data (A), to generate the battery data (A).
  • the generator 210 can be trained on a plurality of machine learning models (211, 212, 213, 214).
  • the generator 210 minimizes the intervention of relatively unimportant data among the battery separator type, assembly process, and electrode type based on the drop-out technique (a), and performs multiple machine learning.
  • a plurality of machine learning models (211, 212, 213, 214) can be created using a regularization technique to resolve overfitting of the models (211, 212, 213, and 214). That is, the generator 210 trains the battery data (A) with the connections of nodes related to characteristics that do not want intervention or minimize intervention among the separator type, assembly process, and electrode type of the battery to create a plurality of machine learning models. (211, 212, 213, 214) can be generated.
  • the generator 210 generates a weight assigned to the characteristics of the battery data (A), including the separator type, assembly process, and electrode type of the battery, among various characteristics included in the battery data (A). ) can be fixed (b) to generate a plurality of machine learning models (211, 212, 213, 214) trained on the battery data (A). For example, if the generator 210 wants to generate a machine learning model that is greatly influenced by the separator type of the battery, it assigns a high weight (e.g., *a) to the separator type among the characteristics of the battery data (A). By assigning it, the battery data (A) can be learned. In addition, the generator 210 assigns a low weight (e.g., *b) to the electrode type among the characteristics of the battery data (A) to generate a machine learning model that is less affected by the electrode type of the battery. (A) can be learned.
  • a high weight e.g., *a
  • the generator 210 assigns a low weight (e.g.,
  • the generator 210 generates a bias on a node connected to the battery data (A) including the battery separator type, assembly process, and electrode type among various characteristics included in the battery data (A).
  • +a', +b' can be assigned (c) to generate a plurality of machine learning models (211, 212, 213, 214) trained on the battery data (A).
  • the generator 210 generates a plurality of machine learning models (211, 212, 213, 214) that learn the battery data (A) based on weight regulations including L1 regulation (Lasso) and L2 regulation (Ridge). can be generated, and an embodiment disclosed in this document is not limited to this example.
  • the plurality of machine learning models 211, 212, 213, and 214 may include a plurality of deep neural network (DNN) models.
  • a deep neural network model is an artificial neural network technology that includes multiple hidden layers between the input layer and the output layer. Deep neural network models can learn a variety of complex nonlinear relationships, including multiple hidden layers.
  • the generator 210 uses at least some of the battery data (A) as a learning data set to generate a plurality of machine learning models (211, 212, 213, 214) that can predict the amount of gas generation of the battery. You can.
  • the generator 210 may perform Min-Max Scaling on at least a portion of the battery data A.
  • maximum-minimum scaling is a method of adjusting the range of all variables because if the size or unit of a numeric variable is different for each variable, the impact on the dependent variable is not properly reflected.
  • the generator 210 may convert at least a portion of the battery data A into a value between 0 and 1 by maximally scaling at least a portion of the battery data A to the minimum.
  • step S101 the generator 210 performs K-Fold Cross Validation on a plurality of machine learning models (211, 212, 213, 214) to generate a plurality of machine learning models (211, 212, 213, 214) can be judged on accuracy.
  • K-fold cross-validation divides the preprocessed data set into a training data set and a test set, divides the training data set into 'K' folds, uses one fold for verification, and uses (K-1) folds. is a method used for model training so that all data can be used in the training and verification process.
  • the generation unit 210 performs 5-fold cross validation on a plurality of machine learning models (211, 212, 213, 214) to generate a plurality of machine learning models (211, 212, 213, 214) can be judged on accuracy.
  • step S101 for example, the generator 210 generates a plurality of machine learning models (211, 212, 213, 214) can be evaluated.
  • step S102 the controller 220 stores battery data (A) including the voltage, current, temperature, SOC, SOH change, separator type, electrode type, and assembly process of the plurality of battery cells 110, 120, 130, and 140. ) can be used as a test data set and input into a plurality of machine learning models (211, 212, 213, 214).
  • step S102 the controller 220 generates a plurality of machine learning models (211, 212, 213, 214) by extracting 80% of the battery data (A) as a learning data set. After that, the remaining 20% of the battery data (A) can be extracted as a test data set and input into a plurality of machine learning models (211, 212, 213, 214).
  • step S102 the controller 220 applies at least a portion of the battery data (A) to a plurality of machine learning models (211, 212, 213, and 214) to obtain a plurality of machine learning models (211, 212, 213, and 214), respectively.
  • a plurality of prediction data (B1, B2, B3, B4) predicting the gas generation amount of the battery can be obtained.
  • step S102 the controller 220 may acquire a plurality of output data (Output) by inputting at least some of the battery data (A), which is one input data (Input), into separate machine learning models.
  • the controller 220 may generate gas generation prediction data C that predicts the gas generation amount of the battery based on a plurality of prediction data B1, B2, B3, and B4.
  • the controller 220 may apply at least some of the battery data A to a plurality of deep neural network models (DNNs) included in the plurality of machine learning models 211, 212, 213, and 214.
  • DNNs deep neural network models
  • the controller 220 may predict the state of the battery based on a plurality of prediction data (B1, B2, B3, B4).
  • the controller 220 generates a plurality of prediction data (B1, B2, B3, B4) can be assigned weights (x1, x2, x3, x4) respectively.
  • the weights (x1, x2, x3, x4) assigned to each of the plurality of prediction data (B1, B2, B3, and B4) are used by the battery when training each of the plurality of machine learning models (211, 212, 213, 214). It may be related to the weight given to the characteristics of data (A).
  • the controller 220 assigns weights based on the characteristics of the battery data (A) in the process of training the deep neural network model used to generate each of the plurality of prediction data (B1, B2, B3, B4). Accordingly, weights can be assigned to a plurality of prediction data (B1, B2, B3, B4). That is, when training the plurality of machine learning models 211, 212, 213, and 214, the weight given to the characteristics of the battery data A and the plurality of prediction data B1, B2, B3, and B4, respectively. Weights are distinct. For example, the controller 220 trains the battery data ( The weight given based on the characteristics of A) can be considered.
  • the controller 220 uses the battery data (A) when training a deep neural network model included in the machine learning model 212 that generates the prediction data (B2) to determine the weight to be given to the prediction data (B2). Weights given based on characteristics can be considered, and when training a deep neural network model included in the machine learning model 213 that generates prediction data B3, weights given based on the characteristics of the battery data A can be used. When training a deep neural network model included in the machine learning model 214 that generates the prediction data B4, weights assigned based on the characteristics of the battery data A can be considered.
  • step S103 for example, the controller 220 inputs a plurality of prediction data (B1, B2, B3, B4) with weights (x1, x2, x3, x4) into an ensemble learning model.
  • Gas generation prediction data (C) in the form of a probability distribution can be generated.
  • an ensemble learning model is a machine learning technique that combines two or more learning models to perform better than a single learning model.
  • the controller 220 may calculate the average value (Mean) of the gas generation prediction data (C) in the form of a probability distribution.
  • the controller 220 may calculate a 95% prediction interval (Prediction Interval) of the mean value (Mean) of the gas generation amount prediction data (C) in the form of a probability distribution.
  • the controller 220 calculates the mean value (Mean) and standard deviation of the gas generation prediction data (C) in the form of a probability distribution, and then calculates 'mean value ⁇ standard deviation * 1.96' in the form of a probability distribution. It can be calculated as a 95% prediction interval of the average value of the gas generation prediction data (C).
  • step S103 the controller 220 compares the prediction section of the gas generation amount prediction data (C) in the form of a probability distribution with the previously stored gas generation measurement value of the battery to determine the number of machine learning models (211, 212, 213, 214). Accuracy can be judged.
  • the computing system 2000 may include an MCU 2100, a memory 2200, an input/output I/F 2300, and a communication I/F 2400. there is.
  • the MCU 2100 executes various programs (for example, a battery gas generation prediction program) stored in the memory 2200, processes these programs various data, and operates the battery management device 200 shown in FIG. 1 above. ) may be a processor that performs the functions of.
  • the memory 2200 may store various programs related to the operation of the battery state prediction device 200. Additionally, the memory 2200 may store operating data of the battery state prediction device 200.
  • the memory 2200 may be a volatile memory or a non-volatile memory.
  • the memory 2200 as a volatile memory may use RAM, DRAM, SRAM, etc.
  • the memory 2200 as a non-volatile memory may be ROM, PROM, EAROM, EPROM, EEPROM, flash memory, etc.
  • the examples of memories 2200 listed above are merely examples and are not limited to these examples.
  • the input/output I/F 2300 is an interface that connects input devices such as a keyboard, mouse, and touch panel (not shown) and output devices such as a display (not shown) and the MCU 2100 to transmit and receive data. can be provided.
  • the communication I/F 2400 is a component that can transmit and receive various data with a server, and may be various devices that can support wired or wireless communication. For example, programs or various data for resistance measurement and abnormality diagnosis can be transmitted and received from a separately provided external server through the communication I/F 2400.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치는 배터리 데이터및 상기 배터리 데이터에 포함되는 특성(feature)을 기초로 학습되어 상기 배터리의 가스 발생량을 예측하는 복수의 머신 러닝 모델을 생성하는 생성부 및 상기 배터리 데이터를 상기 복수의 머신 러닝 모델에 적용하여 상기 배터리의 가스 발생량을 예측한 복수의 예측 데이터를 획득하고, 상기 복수의 예측 데이터에 기초하여 상기 배터리의 가스 발생량을 예측하는 컨트롤러를 포함할 수 있다.

Description

배터리 상태 예측 장치 및 그것의 동작 방법
관련출원과의 상호인용
본 발명은 2022.12.19에 출원된 한국 특허 출원 제10-2022-0178733호 및 2023.12.13에 출원된 한국 특허 출원 제10-2023-0180528호에 기초한 우선권의 이익을 주장하며, 해당 한국 특허 출원의 문헌에 개시된 모든 내용을 본 명세서의 일부로 포함한다.
기술분야
본 문서에 개시된 실시예들은 배터리 상태 예측 장치 및 그것의 동작 방법에 관한 것이다.
전기차는 외부로부터 전기를 공급받아 배터리를 충전한 후, 배터리에 충전된 전압으로 모터를 구동시켜 동력을 얻는다. 전기차의 배터리는 전기를 충전 및 방전하는 과정에서 발생하는 화학적 반응으로 열이 발생할 수 있고, 이러한 열은 배터리의 성능 및 수명을 손상시켜 배터리 내부 가스가 발생하는 현상이 발생할 수 있다.
배터리 내부에서 발생한 가스는 저항으로 작용하거나 배터리 모듈 및 배터리 팩의 변형을 유발시키는 요인이 되어 제품 불량률을 증가시킬 수 있다. 따라서 배터리의 온도, 전압 및 전류를 모니터링하는 배터리 관리 장치(BMS, Battery Management System)가 구동되어 배터리 내부의 가스 발생 여부 및 가스 발생량을 예측할 수 있다.
배터리 관리 장치는 배터리 데이터를 배터리의 상태를 분석하는 인공 지능 모델에 학습시켜 배터리의 가스 발생량을 예측할 수 있다. 그러나 배터리 관리 장치는 동일한 배터리 데이터를 입력 데이터(Input)로써 인공 지능 모델에 입력하는 경우 항상 동일한 출력 데이터(Output)만을 도출할 수 있어, 실제 배터리가 동일한 환경에서 서로 다른 가스 발생량의 분포를 생성하는 실제 분포를 반영할 수 없는 문제가 있다.
본 문서에 개시되는 실시예들의 일 목적은 배터리 가스 발생량을 예측하는 복수의 인공 지능 모델을 이용하여 확률 분포 형태의 가스 발생량 예측 데이터를 획득할 수 있는 배터리 상태 예측 장치 및 그것의 동작 방법을 제공하는 데 있다.
본 문서에 개시된 실시예들의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치는 배터리 데이터 및 상기 배터리 데이터에 포함되는 특성(feature)을 기초로 학습되어 배터리의 가스 발생량을 예측하는 복수의 머신 러닝 모델을 생성하는 생성부 및 상기 배터리 데이터를 상기 복수의 머신 러닝 모델에 적용하여 상기 배터리의 가스 발생량을 예측한 복수의 예측 데이터를 획득하고, 상기 복수의 예측 데이터에 기초하여 상기 배터리의 가스 발생량을 예측하는 컨트롤러를 포함할 수 있다.
일 실시예에 따라, 상기 복수의 머신 러닝 모델은 복수의 심층 신경망(Deep Neural Network, DNN) 모델을 포함하고, 상기 컨트롤러는 상기 배터리 데이터를 상기 복수의 심층 신경망 모델에 적용하여 상기 복수의 예측 데이터를 획득할 수 있다.
일 실시예에 따라, 상기 배터리 데이터는 누적적으로 측정된 상기 배터리의 온도, SOC 및 SOH를 포함하고, 상기 배터리 데이터의 특성은 상기 배터리의 전극 타입, 조립 공정 및 분리막 타입 중 적어도 하나 이상을 포함할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 복수의 예측 데이터 각각을 생성하는데 사용된 심층 신경망 모델을 학습시키는 과정에서 상기 배터리 데이터의 특성을 기초로 부여된 가중치를 기초로 상기 복수의 예측 데이터 각각에 가중치를 부여하고, 상기 가중치가 부여된 상기 복수의 예측 데이터를 앙상블 학습 (Ensemble Learning) 모델에 입력하여 확률 분포 형태의 상기 가스 발생량 예측 데이터를 생성할 수 있다.
일 실시예에 따라, 상기 컨트롤러는 상기 확률 분포 형태의 상기 가스 발생량 예측 데이터의 평균값을 산출하고, 상기 평균값을 기 저장된 상기 배터리의 가스 발생량 측정값과 비교하여 상기 복수의 머신 러닝 모델의 정확도를 판단할 수 있다.
본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치의 동작 방법은 배터리 데이터 및 상기 배터리 데이터에 포함되는 특성(feature)을 기초로 학습되어 상기 배터리의 가스 발생량을 예측하는 복수의 머신 러닝 모델을 생성하는 단계, 상기 배터리 데이터를 상기 복수의 머신 러닝 모델에 적용하여 상기 배터리의 가스 발생량을 예측한 복수의 예측 데이터를 획득하는 단계 및 상기 복수의 예측 데이터에 기초하여 상기 배터리의 가스 발생량을 예측하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 복수의 머신 러닝 모델은 복수의 심층 신경망(Deep Neural Network, DNN) 모델을 포함하고, 상기 배터리 데이터를 상기 복수의 머신 러닝 모델에 적용하여 상기 배터리의 가스 발생량을 예측한 복수의 예측 데이터를 획득하는 단계는 상기 배터리 데이터를 상기 복수의 심층 신경망 모델에 적용하여 상기 복수의 예측 데이터를 획득하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 배터리 데이터를 기초로 배터리의 가스 발생량을 예측하는 복수의 머신 러닝 모델을 생성하는 단계는 누적적으로 측정된 상기 배터리의 온도, SOC 및 SOH를 포함하는 상기 배터리 데이터를 기초로 상기 복수의 머신 러닝 모델을 생성하는 단계를 포함하고, 상기 배터리 데이터의 특성은 상기 배터리의 전극 타입, 조립 공정 및 분리막 타입 중 적어도 하나 이상을 포함할 수 있다.
일 실시예에 따라, 상기 복수의 예측 데이터에 기초하여 상기 배터리의 가스 발생량을 예측하는 단계는 상기 복수의 예측 데이터 각각을 생성하는 상기 심층 신경망 모델을 학습시키는 과정에서 상기 배터리 데이터의 특성을 기초로 부여된 가중치를 기초로 상기 복수의 예측 데이터 각각에 가중치를 부여하는 단계 및 상기 가중치가 부여된 상기 복수의 예측 데이터를 앙상블 학습 (Ensemble Learning) 모델에 입력하여 확률 분포 형태의 상기 가스 발생량 예측 데이터를 생성하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 복수의 예측 데이터에 기초하여 상기 배터리의 가스 발생량을 예측하는 단계는 상기 확률 분포 형태의 상기 가스 발생량 예측 데이터의 평균값을 산출하고, 상기 평균값을 기 저장된 상기 배터리의 가스 발생량 측정값과 비교하여 상기 복수의 머신 러닝 모델의 정확도를 판단할 수 있다.
본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치 및 그것의 동작 방법은 복수의 인공 지능 모델을 이용하여 확률 분포 형태의 가스 발생량 예측 데이터를 획득할 수 있다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 팩을 보여주는 도면이다.
도 2는 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치를 전반적으로 설명하기 위한 도면이다.
도 3은 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치의 구성을 보여주는 블록도이다.
도 4는 본 문서에 개시된 일 실시예에 따른 생성부의 동작을 설명하기 위한 도면이다.
도 5는 본 문서에 개시된 일 실시예에 따른 컨트롤러의 동작 방법을 설명하기 위한 도면이다.
도 6은 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치의 동작 방법을 보여주는 흐름도이다.
도 7은 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치를 구현하는 컴퓨팅 시스템의 하드웨어 구성을 나타내는 블록도이다.
이하, 본 문서에 개시된 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 문서에 개시된 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 문서에 개시된 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 문서에 개시된 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 문서에 개시된 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 문서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 문서에 개시된 일 실시예에 따른 배터리 팩을 보여주는 도면이다.
도 1을 참조하면, 본 문서에 개시된 일 실시예에 따른 배터리 팩(1000)은 배터리 모듈(100), 배터리 상태 예측 장치(200), 및 릴레이(300)를 포함할 수 있다.
배터리 모듈(100)은 복수의 배터리 셀들(110, 120, 130, 140)을 포함할 수 있다. 도 1에서는 복수의 배터리 셀들이 4개인 것으로 도시되었지만, 이에 한정되는 것은 아니며, 배터리 모듈(100)은 n(n은 2이상의 자연수)개의 배터리 셀들을 포함하여 구성될 수 있다.
배터리 모듈(100)은 대상 장치(미도시)에 전원을 공급할 수 있다. 이를 위해, 배터리 모듈(100)은 대상 장치와 전기적으로 연결될 수 있다. 여기서, 대상 장치는 복수의 배터리 셀들(110, 120, 130, 140)을 포함하는 배터리 팩(1000)으로부터 전원을 공급받아 동작하는 전기적, 전자적, 또는 기계적인 장치를 포함할 수 있으며, 예를 들어, 대상 장치는 전기 자동차(EV) 또는 에너지 저장 시스템(ESS, Energy Storage System)일 수 있으나 이에 한정되는 것은 아니다.
복수의 배터리 셀들(110, 120, 130, 140)은 전기 에너지를 충방전하여 사용할 수 있는 배터리의 기본 단위로, 리튬이온(Li-ion) 전지, 리튬이온 폴리머(Li-ion polymer) 전지, 니켈 카드뮴(Ni-Cd) 전지, 니켈 수소(Ni-MH) 전지 등일 수 있으며, 이에 한정되지 않는다. 한편, 도 1에서는 배터리 모듈(100)이 한 개인 경우로 도시되나, 실시예에 따라 배터리 모듈(100)은 복수개로 구성될 수도 있다.
배터리 상태 예측 장치(200)는 복수의 배터리 셀들(110, 120, 130, 140)의 온도, 전류, 전압, SOC(State of Charge) 및 SOH(State of Health)데이터에 기초하여 복수의 배터리 셀들(110, 120, 130, 140)의 가스 발생량을 예측할 수 있다. 배터리 상태 예측 장치(200)는 복수의 배터리 셀들(110, 120, 130, 140)의 배터리 데이터(A)에 기초하여 복수의 배터리 셀들(110, 120, 130, 140)의 가스 발생량을 예측할 수 있다.
일 실시예에 따라, 배터리 상태 예측 장치(200)는 배터리 관리 장치(BMS, Battery Management System)의 형태로 구현될 수 있다. 또한, 실시예에 따라, 배터리 상태 예측 장치(200)는 배터리 관리 장치에 탑재될 수 있다.
여기서 배터리 관리 장치는 배터리 모듈(100)의 상태 및/또는 동작을 관리 및/또는 제어할 수 있다. 예를 들어, 배터리 관리 장치는 배터리 모듈(100)에 포함된 복수의 배터리 셀들(110, 120, 130, 140)의 상태 및/또는 동작을 관리 및/또는 제어할 수 있다. 배터리 관리 장치는 배터리 모듈(100)의 충전 및/또는 방전을 관리할 수 있다.
또한, 배터리 관리 장치는 배터리 모듈(100) 및/또는 배터리 모듈(100)에 포함된 복수의 배터리 셀들(110, 120, 130, 140) 각각의 전압, 전류, 온도 등을 모니터링 할 수 있다. 그리고 배터리 관리 장치에 의한 모니터링을 위해 도시하지 않은 센서나 각종 측정 모듈이 배터리 모듈(100)이나 충방전 경로, 또는 배터리 모듈(100) 등의 임의의 위치에 추가로 설치될 수 있다. 배터리 관리 장치는 모니터링 한 전압, 전류, 온도 등의 측정값에 기초하여 배터리 모듈(100)의 상태를 나타내는 파라미터, 예를 들어 SOC나 SOH 등을 산출할 수 있다.
배터리 관리 장치는 릴레이(300)의 동작을 제어할 수 있다. 예를 들어, 배터리 관리 장치는 대상 장치에 전원을 공급하기 위해 릴레이(300)를 단락시킬 수 있다. 또한, 배터리 관리 장치는 배터리 팩(1000)에 충전 장치가 연결되는 경우 릴레이(300)를 단락시킬 수 있다.
배터리 관리 장치는 복수의 배터리 셀들(110, 120, 130, 140) 각각의 셀 밸런싱 타임을 산출할 수 있다. 여기서, 셀 밸런싱 타임은 배터리 셀의 밸런싱에 소요되는 시간으로 정의될 수 있다. 예를 들어, 배터리 관리 장치는 복수의 배터리 셀들(110, 120, 130, 140) 각각의 SOC, 배터리 용량 및 밸런싱 효율에 기초하여 셀 밸런싱 타임을 산출할 수 있다.
도 2는 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치를 전반적으로 설명하기 위한 도면이다.
도 2를 참조하면, 배터리 상태 예측 장치(200)는 배터리 데이터(A)의 일부를 추출하여 복수의 머신 러닝 모델(211, 212, 213, 214)에 입력할 수 있다.
도 2에서는 복수의 머신 러닝 모델들이 4개인 것으로 도시되었지만, 이에 한정되는 것은 아니며, 복수의 머신 러닝 모델(211, 212, 213, 214)은 n(n은 2이상의 자연수)개의 머신 러닝 모델들을 포함하여 구성될 수 있다.
배터리 상태 예측 장치(200)는 복수의 배터리 셀들(110, 120, 130, 140)의 배터리 데이터(A)를 획득할 수 있다. 배터리 관리 장치는 복수의 배터리 셀들(110, 120, 130, 140)의 가스 발생량을 확인하기 위해 배터리의 SOC가 0%인 전압 값에서 배터리의 SOC가 100% 인 전압 값에 도달할 때까지 배터리의 측정값을 포함하는 배터리 데이터(A)를 획득할 수 있다. 따라서, 배터리 상태 예측 장치(200)는 충방전 기간에 누적적으로 측정된 복수의 배터리 셀들(110, 120, 130, 140)의 전압, 전류, 온도, SOC 및 SOH를 포함하는 배터리 데이터(A)를 획득할 수 있다,
여기서, 배터리 데이터(A)는 배터리의 분리막 타입, 조립 공정 및 전극 타입 등을 포함하는 배터리 데이터(A)의 특성(feature)들 중 적어도 하나의 특성을 더 포함할 수 있다. 즉, 배터리 데이터(A)는 각각의 배터리의 분리막 타입이 어떠한 타입인지, 어떠한 조립 공정을 통해 조립되었는지 및/또는 어떠한 전극 타입을 가지는지와 관련되는 데이터 중 적어도 하나의 데이터를 더 포함할 수 있다.
배터리 상태 예측 장치(200)는 배터리 데이터(A)를 복수의 머신 러닝(Machine Learning) 모델(211, 212, 213, 214)에 입력하여 배터리의 가스 발생량을 예측할 수 있다. 여기서 머신러닝은 컴퓨터를 학습시켜 어떠한 결과를 예측할 수 있도록 하는 기술이다. 일반적으로 머신 러닝을 이용한 결과는 기계를 학습시키기 위한 학습 데이터(Train data)를 준비하고 문제에 적합한 방식으로 학습(Train)시키는 과정, 테스트 데이터(Test data)로 모델을 검증(Validate)하는 과정, 검증을 통과한 모델로 결과를 예측(Predict)하는 과정을 포함하여 이루어진다.
머신 러닝은 학습 데이터가 머신 러닝을 통해 일반화하려는 특성(Feature)을 잘 대표하는 것이 중요하므로, 일정한 기준에 따라 한정적으로 선정된 학습 데이터를 사용하여 생성된다. 머신 러닝을 통해 일반화하려는 특성과 학습 데이터의 특성 간의 관련성이 낮다면 샘플링 잡음(Sampling Noise)이 생기고, 기계 문제 분석 모델이 내재된 패턴을 찾기 어려워 기계 문제 분석 모델 자체의 정확도(Accuracy)와 별개로 모델의 오차가 증가하게 되어 모델의 신뢰도가 떨어지는 문제가 있다. 따라서, 머신 러닝 기술은 학습 데이터의 평가 및 데이터 처리(Data Processing)에 시간을 투자하여 학습 데이터 셋을 선정하여야 한다.
배터리 상태 예측 장치(200)는 복수의 머신 러닝 모델(211, 212, 213, 214)을 생성 및 학습하기 위하여 배터리 데이터(A) 중 적어도 일부를 추출하여 학습 데이터 셋을 생성할 수 있다. 여기서, 복수의 머신 러닝 모델(211, 212, 213, 214)은 입력된 배터리 데이터에 기초하여 배터리의 가스 발생량을 포함하는 배터리의 상태를 예측할 수 있는 학습 모델을 의미할 수 있다.
즉, 배터리 상태 예측 장치(200)는 배터리 데이터(A) 중 적어도 일부를 추출하여 생성한 하나의 학습 데이터 셋을 기초로 동일한 구조(Structure)의 복수의 머신 러닝 모델(211, 212, 213, 214)을 생성할 수 있다. 배터리 상태 예측 장치(200)는 배터리 데이터(A) 중 적어도 일부를 추출하여 생성한 하나의 학습 데이터 셋을 기초로 생성된 복수의 머신 러닝 모델(211, 212, 213, 214)을 통해 복수의 머신 러닝 모델(211, 212, 213, 214) 각각의 배터리 가스 발생량을 예측한 예측 데이터를 획득할 수 있다.
배터리 상태 예측 장치(200)는 복수의 머신 러닝 모델(211, 212, 213, 214) 각각의 배터리 가스 발생량 예측 데이터 결합하여 최종적으로 확률분포 형태의 하나의 가스 발생량 예측 데이터(C)를 획득할 수 있다. 따라서, 배터리 상태 예측 장치(200)는 하나의 입력 데이터(Input)를 기초로 동일한 구조의 복수의 머신 러닝 모델(211, 212, 213, 214) 각각의 출력 데이터(Output)를 획득하고, 각각의 출력 데이터를 결합하여 최종적으로 확률분포 형태의 하나의 가스 발생량 예측 데이터(C)를 획득하여 학습의 오차를 줄이고 신뢰도를 높일 수 있다.
인공지능 모델이 생성한 출력 데이터는 랜덤 에러(Random Error)와 메인 효과(Main Effect)를 포함할 수 있다. 인공지능 모델은 하나의 동일한 입력 데이터를 기초로 여러 번 실험을 반복할 경우, 각기 다른 출력 데이터인 랜덤 에러 또는 화이트 노이즈(White noise)를 획득할 수 있다. 여기서 인공지능 모델이 동일한 실험을 충분히 많이 반복 실행할 경우, 랜덤 에러의 평균 값은 0에 수렴하고, 인공지능 모델은 메인 효과 데이터만을 획득할 수 있다.
배터리 상태 예측 장치(200)는 동일한 입력 데이터를 사용하여 복수의 머신 러닝 모델(211, 212, 213, 214)에 입력하여 동시에 복수의 출력 데이터를 획득함으로써 동일한 실험 환경을 설정하여 반복 실험을 수행한 효과를 획득할 수 있다. 즉, 배터리 상태 예측 장치(200)는 동일한 배터리 데이터(A) 중 적어도 일부를 동일한 구조의 복수의 머신 러닝 모델(211, 212, 213, 214)에 입력함으로써 메인 효과 데이터에 대응하는 정확도가 높은 배터리 가스 발생량을 예측할 수 있다.
도 3은 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치의 구성을 보여주는 블록도이고, 도 4는 본 문서에 개시된 일 실시예에 따른 생성부의 동작을 설명하기 위한 도면이다.
이하에서 도 3 및 도 4를 참조하여 배터리 상태 예측 장치(200)의 구성 및 동작에 대해 구체적으로 설명한다.
도 3을 참조하면, 배터리 상태 예측 장치(200)는 생성부(210) 및 컨트롤러(220)를 포함할 수 있다.
생성부(210)는 배터리 데이터(A)를 수집할 수 있다. 예를 들어, 배터리 데이터(A)는 복수의 배터리 셀들(110, 120, 130, 140)의 방전 상태에서 완충 상태 또는 완충 상태에서 방전 상태에 이르기까지의 배터리의 상태(State) 변화를 기록한 값으로 정의될 수 있다. 예를 들어, 배터리 데이터(A)는 누적적으로 측정된 배터리의 전압, 전류, 온도, SOC 및 SOH를 포함할 수 있다. 여기서 SOH는 배터리의 용량 퇴화도 및 저항 퇴화도를 포함할 수 있다. 또한, 배터리 데이터(A)는 배터리의 분리막 타입이 어떠한 타입인지, 어떠한 조립 공정을 통해 조립되었는지 및/또는 어떠한 전극 타입을 가지는지와 관련되는 데이터 중 적어도 하나의 데이터를 더 포함할 수 있다.
생성부(210)는 배터리 데이터(A) 중 적어도 일부를 학습 데이터 셋으로 추출하여 복수의 머신러닝 모델(211, 212, 213, 214)을 생성할 수 있다. 예를 들어, 생성부(210)는 배터리 데이터(A)의 80%를 학습 데이터 셋으로 추출하여 복수의 머신러닝 모델(211, 212, 213, 214)을 생성할 수 있다.
실시예에 따라, 복수의 머신러닝 모델(211, 212, 213, 214)은 복수의 심층 신경망(Deep Neural Network, DNN) 모델을 포함할 수 있다. 심층 신경망 모델은 입력층과 출력층 사이에 다중의 은닉층을 포함하는 인공 신경망 기술이다. 심층 신경망 모델은 다중의 은닉층을 포함하여 다양한 복잡한 비선형적 관계를 학습할 수 있다. 생성부(210)는 배터리 데이터(A) 중 적어도 일부를 학습 데이터 셋으로 이용하여 배터리의 가스 발생량을 예측할 수 있는 복수의 머신러닝 모델(211, 212, 213, 214)을 생성할 수 있다. 배터리는 SOC 및 온도가 높을수록 배터리의 내부 가스 발생량이 증가될 수 있으며, 배터리의 분리막이 어떠한 타입인지, 배터리가 어떠한 조립 공정으로 조립되었는지 및/또는 배터리의 전극이 어떠한 타입인지 여부에 따라서도 배터리의 내부 가스 발생량이 달라질 수 있다. 따라서 복수의 머신러닝 모델(211, 212, 213, 214)는 배터리 데이터(A)에 포함된 배터리의 전압, 전류, 온도, SOC, SOH 및 조립 공정, 전극 타입, 분리막 타입을 기초로 배터리 내부 가스 발생 여부 및 가스 발생량을 예측할 수 있다.
도 4를 참조하면, 생성부(210)는 배터리 데이터(A)의 특성(feature)들 중 적어도 하나 이상의 특성을 기초로 학습된 복수의 머신러닝 모델(211, 212, 213, 214)을 생성할 수 있다. 예를 들어, 배터리 데이터(A)의 특성(feature) 중 분리막 타입 및 전극 타입을 고려하는 경우, 생성부(210)는 배터리의 전압, 전류, 온도, SOC 및 SOH 외에 배터리의 분리막 타입 및 전극 타입을 포함하는 배터리 데이터(A)를 학습 데이터 셋으로 추출하여 복수의 머신러닝 모델(211, 212, 213, 214)을 생성할 수 있다.
여기서, 생성부(210)는 배터리 데이터(A)에 포함되는 다양한 특성들 중 배터리의 분리막 타입, 조립 공정 및 전극 타입을 포함하는 배터리 데이터(A)의 특성에 다양한 가중치를 부여하여 배터리 데이터(A)를 복수의 머신러닝 모델(211, 212, 213, 214)에 학습시킬 수 있다.
예를 들어, 생성부(210)는 드롭 아웃(Drop-out) 기법(a)을 기초로 배터리의 분리막 타입, 조립 공정 및 전극 타입 중 상대적으로 중요하지 않은 데이터의 개입을 최소화시켜 복수의 머신 러닝 모델(211, 212, 213, 214)의 과적합(overfitting)을 해소하기 위한 정규화(regularization) 기법을 활용하여 복수의 머신 러닝 모델(211, 212, 213, 214)을 생성할 수 있다. 즉, 생성부(210)는 배터리의 분리막 타입, 조립 공정 및 전극 타입 중 개입을 원하지 않거나, 개입을 최소화시킬 특성과 관련되는 노드의 연결을 제거한 배터리 데이터(A)를 학습시켜 복수의 머신 러닝 모델(211, 212, 213, 214)을 생성할 수 있다.
또 다른 예를 들어, 생성부(210)는 배터리 데이터(A)에 포함되는 다양한 특성들 중 배터리의 분리막 타입, 조립 공정 및 전극 타입을 포함하는 배터리 데이터(A)의 특성에 부여되는 가중치(weight)를 고정(b)하여 배터리 데이터(A)를 학습시킨 복수의 머신 러닝 모델(211, 212, 213, 214)을 생성할 수 있다. 예를 들어, 생성부(210)는 배터리의 분리막 타입에 큰 영향을 받는 머신 러닝 모델을 생성하고자 하는 경우, 배터리 데이터(A)의 특성 중 분리막 타입에 높은 가중치(예를 들어, *a)를 부여하여 배터리 데이터(A)를 학습시킬 수 있다. 또한, 생성부(210)는 배터리의 전극 타입에 영향을 적게 받는 머신 러닝 모델을 생성하기 위해 배터리 데이터(A)의 특성 중 전극 타입에 낮은 가중치(예를 들어, *b)를 부여하여 배터리 데이터(A)를 학습시킬 수 있다.
또 다른 예를 들어, 생성부(210)는 배터리 데이터(A)에 포함되는 다양한 특성들 중 배터리의 분리막 타입, 조립 공정 및 전극 타입을 포함하는 배터리 데이터(A)와 연결되는 노드에 바이어스(bias, 예를 들어 +a', +b')를 부여(c)하여 배터리 데이터(A)를 학습시킨 복수의 머신 러닝 모델(211, 212, 213, 214)을 생성할 수 있다.
그 외에, 생성부(210)는 L1 규제(Lasso) 및 L2 규제(Ridge)를 포함하는 가중치 규제를 기초로 배터리 데이터(A)를 학습시킨 복수의 머신 러닝 모델(211, 212, 213, 214)을 생성할 수 있으며, 본 문서에 개시되는 일 실시예는 이러한 예시에 한정되지 않는다.
생성부(210)는 배터리 데이터(A) 중 적어도 일부를 최대-최소 스케일링(Min-Max Scaling)할 수 있다. 여기서 최대-최소 스케일링은 수치형 변수의 크기 또는 단위가 변수마다 다를 경우 종속 변수에 미치는 영향이 제대로 반영되지 않기에 모든 변수의 범위를 조절해주는 방법이다. 생성부(210)는 배터리 데이터(A) 중 적어도 일부를 최대-최소 스케일링하여 배터리 데이터(A) 중 적어도 일부를 0~1 사이의 값으로 변환할 수 있다.
생성부(210)는 복수의 머신러닝 모델(211, 212, 213, 214)을 K-폴드 교차검증(K-Fold Cross Validation)하여 복수의 머신러닝 모델(211, 212, 213, 214)의 정확도(Accuracy)를 판단할 수 있다. K-폴드 교차 검증은 전처리된 데이터 셋을 학습 데이터 셋 및 테스트 셋으로 나누고, 학습 데이터 셋을 'K'개의 폴드(Fold)로 분할하여 하나의 폴드는 검증에 사용하고, (K-1) 폴드는 모델 트레이닝에 사용하여 모든 데이터를 훈련 및 검증 과정에서 사용할 수 있는 방법이다. 예를 들어, 생성부(210)는 복수의 머신러닝 모델(211, 212, 213, 214)을 5-폴드 교차 검증(5-Fold Cross Validation)하여 복수의 머신러닝 모델(211, 212, 213, 214)의 정확도를 판단할 수 있다.
또한, 예를 들어 생성부(210)는 실제 값과 예측 값의 차이(Error)를 절대값으로 변환해 평균화한 MAE(Mean Absolute Error)를 기초로 복수의 머신러닝 모델(211, 212, 213, 214)의 성능을 평가할 수 있다.
컨트롤러(220)는 복수의 배터리 셀들(110, 120, 130, 140) 전압, 전류, 온도, SOC 및 SOH 변화를 포함하는 배터리 데이터(A) 중 적어도 일부를 테스트 데이터 셋으로 이용하여 복수의 머신러닝 모델(211, 212, 213, 214)에 입력할 수 있다.
예를 들어, 컨트롤러(220)는 생성부(210)가 배터리 데이터(A)의 80%를 학습 데이터 셋으로 추출하여 복수의 머신러닝 모델(211, 212, 213, 214)을 생성한 후, 배터리 데이터(A)의 나머지 20%를 테스트 데이터 셋으로 추출하여 복수의 머신러닝 모델(211, 212, 213, 214)에 입력할 수 있다.
도 5는 본 문서에 개시된 일 실시예에 따른 컨트롤러의 동작 방법을 설명하기 위한 도면이다.
도 5를 참조하면 컨트롤러(220)는 배터리 데이터(A) 중 적어도 일부를 복수의 머신러닝 모델(211, 212, 213, 214)에 적용하여 복수의 머신러닝 모델(211, 212, 213, 214) 각각으로부터 배터리의 가스 발생량을 예측한 복수의 예측 데이터(B1, B2, B3, B4)를 획득할 수 있다. 즉, 컨트롤러(220)는 하나의 입력 데이터(Input)인 배터리 데이터(A) 중 적어도 일부를 별개의 머신 러닝 모델에 각각 입력하여 복수의 출력 데이터(Output)를 획득할 수 있다. 컨트롤러(220)는 복수의 예측 데이터(B1, B2, B3, B4)에 기초하여 배터리의 가스 발생량을 예측한 가스 발생량 예측 데이터(C)를 생성할 수 있다.
컨트롤러(220)는 복수의 예측 데이터(B1, B2, B3, B4)에 기초하여 배터리의 상태를 예측할 수 있다. 실시예에 따라, 컨트롤러(220)는 배터리 데이터(A)의 특성 중 배터리의 분리막 타입, 조립 공정 및 전극 타입 중 적어도 하나 이상에 기초하여 복수의 머신러닝 모델(211, 212, 213, 214)이 생성한 복수의 예측 데이터(B1, B2, B3, B4) 각각에 가중치(x1, x2, x3, x4)를 부여할 수 있다. 예를 들어, 배터리 데이터(A)의 특성(feature) 중 어느 하나에 기초하여 제1 예측 데이터(B1)에 가중치 (x1)를 부여하는 경우, 제1 예측 데이터(B1)의 크기를 증폭시켜 제1 예측 데이터(B1)가 전체 예측 데이터(B1, B2, B3, B4)에서 차지하는 비율을 증가시킬 수 있다. 여기서, 복수의 예측 데이터(B1, B2, B3, B4) 각각에 부여되는 가중치(x1, x2, x3, x4)는 복수의 머신 러닝 모델(211, 212, 213, 214) 각각을 학습시킬 때에 배터리 데이터(A)의 특성에 부여되는 가중치와 관련될 수 있다.
컨트롤러(220)는 복수의 예측 데이터(B1, B2, B3, B4) 각각을 생성하는데 사용된 심층 신경망 모델을 학습시키는 과정에서 배터리 데이터(A)의 특성을 기초로 부여된 가중치에 따라 복수의 예측 데이터(B1, B2, B3, B4)에 가중치를 부여할 수 있다. 즉, 복수의 머신 러닝 모델(211, 212, 213, 214)을 학습시킬 때에 배터리 데이터(A)의 특성에 부여된 가중치와, 복수의 예측 데이터(B1, B2, B3, B4) 각각에 부여하는 가중치는 구분된다. 예를 들어, 컨트롤러(220)는 예측 데이터(B1)에 부여할 가중치를 결정하기 위해, 예측 데이터(B1)를 생성하는 머신러닝 모델(211)에 포함되는 심층 신경망 모델을 학습시킬 때에 배터리 데이터(A)의 특성을 기초로 부여된 가중치를 고려할 수 있다.
마찬가지로, 컨트롤러(220)는 예측 데이터(B2)에 부여할 가중치를 결정하기 위해 예측 데이터(B2)를 생성하는 머신러닝 모델(212)에 포함되는 심층 신경망 모델을 학습시킬 때에 배터리 데이터(A)의 특성을 기초로 부여된 가중치를 고려할 수 있고, 예측 데이터(B3)를 생성하는 머신러닝 모델(213)에 포함되는 심층 신경망 모델을 학습시킬 때에 배터리 데이터(A)의 특성을 기초로 부여된 가중치를 고려할 수 있고, 예측 데이터(B4)를 생성하는 머신러닝 모델(214)에 포함되는 심층 신경망 모델을 학습시킬 때에 배터리 데이터(A)의 특성을 기초로 부여된 가중치를 고려할 수 있다.
실시 예에 따르면, 복수의 예측 데이터(B1, B2, B3, B4)에 부여되는 가중치는 각각의 머신 러닝 모델(211, 212, 213, 214)을 학습시키는 과정에서 배터리 데이터(A)의 특성을 기초로 부여된 가중치에 비례할 수 있다. 예를 들어, 예측 데이터(B1)를 생성하는 머신 러닝 모델(211)을 학습시키는 과정에서 배터리 데이터(A)의 특성 중 분리막 타입 및 조립 공정과 관련되는 특성이 고려된 경우, 컨트롤러(220)는 예측 데이터(B1)에 분리막 타입에 대응되는 가중치 및 조립 공정 타입에 대응되는 가중치를 부여할 수 있으며, 분리막 타입에 대응되는 가중치 및 조립 공정에 대응되는 가중치는 머신 러닝 모델(211)을 학습시키는 과정에서 분리막 타입과 관련되는 배터리 데이터의 특성에 부여된 가중치와 조립 공정과 관련되는 배터리 데이터의 특성에 부여된 가중치에 비례하는 가중치를 부여할 수 있다. 여기서 가중치(x1)는 분리막 타입에 대응되는 가중치와 조립 공정 타입에 대응되는 가중치의 합일 수 있으나 이러한 예시에 한정되는 것은 아니다.
즉, 컨트롤러(220)는 복수의 예측 데이터(B1, B2, B3, B4) 각각에 가중치(x1, x2, x3, x4)를 부여하여 단순히 복수의 예측 데이터(B1, B2, B3, B4)의 평균을 산출하는 것이 아닌, 특정 변수의 중요도 및 특성을 반영할 수 있는 퍼지(Fuzzy) 알고리즘을 적용하여 최종 가스 발생량 예측 데이터(C)를 산출할 수 있다.
예를 들어, 컨트롤러(220)는 가중치(x1, x2, x3, x4)가 부여된 복수의 예측 데이터(B1, B2, B3, B4)를 앙상블 학습 (Ensemble Learning) 모델에 입력하여 확률 분포 형태의 가스 발생량 예측 데이터(C)를 생성할 수 있다. 여기서 앙상블 학습 모델은 둘 이상의 학습 모델을 결합하여 하나의 학습 모델 보다 더 좋은 성능을 내는 머신러닝 기법이다. 앙상블 학습 모델은 각 모델에 대한 신뢰도가 다를 경우, 각 모델의 출력 데이터의 평균이 아닌, 각 모델의 출력 데이터의 출력 데이터에 가중치를 부여하여 가중합을 산출할 수 있다. 여기서 가중합은 자료의 평균을 구할 때 자료 값의 중요도나 영향 정도에 해당하는 가중치를 반영하여 구한 평균값으로 정의될 수 있다.
컨트롤러(220)는 확률 분포 형태의 가스 발생량 예측 데이터(C)의 평균값(Mean)을 산출할 수 있다. 구체적으로 컨트롤러(220)는 확률 분포 형태의 가스 발생량 예측 데이터(C)의 평균값(Mean)의 95% 예측 구간(Prediction Interval)을 산출할 수 있다. 예를 들어, 컨트롤러(220)는 확률 분포 형태의 가스 발생량 예측 데이터(C)의 평균값(Mean)과 표준편차를 산출한 후, '평균값±표준편차*1.96'을 확률 분포 형태의 가스 발생량 예측 데이터(C)의 평균값의 95% 예측 구간으로 산출할 수 있다.
컨트롤러(220)는 확률 분포 형태의 가스 발생량 예측 데이터(C)의 예측 구간을 기 저장된 배터리의 가스 발생량 측정값과 비교하여 복수의 머신러닝 모델(211, 212, 213, 214)의 정확도를 판단할 수 있다.
상술한 바와 같이, 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치는 배터리 가스 발생량을 예측하는 복수의 인공 지능 모델을 이용하여 확률 분포 형태의 가스 발생량 예측 데이터를 획득할 수 있다.
배터리 상태 예측 장치는 적은 수의 입력 데이터를 기초로 복수의 인공 지능 모델에 입력하여 정확도가 높은 최종 예측 데이터를 산출하고, 데이터의 수집 및 관리에 소요되는 시간 및 비용을 감소시킬 수 있다.
또한, 배터리 상태 예측 장치는 데이터의 특성에 따른 가중치를 설정하여 실제 배터리 데이터의 고유 특성 및 실제 배터리의 사용 환경의 특성을 반영할 수 있다.
도 6은 본 문서에 개시된 일 실시예에 따른 배터리 상태 예측 장치의 동작 방법을 보여주는 흐름도이다.
배터리 상태 예측 장치(200)는 도 1 내지 도 5를 참조하여 설명한 배터리 상태 예측 장치(200)와 실질적으로 동일할 수 있으므로, 이하에서는 설명의 중복을 피하기 위하여 간략히 설명한다.
도 6을 참조하면 배터리 상태 예측 장치의 동작 방법은 배터리 데이터를 기초로 배터리의 가스 발생량을 예측하는 복수의 머신 러닝 모델을 생성하는 단계(S101), 배터리 데이터를 복수의 머신 러닝 모델에 적용하여 배터리의 가스 발생량을 예측한 복수의 예측 데이터를 획득하는 단계(S102) 및 복수의 예측 데이터에 기초하여 배터리의 가스 발생량을 예측하는 단계(S103)를 포함할 수 있다.
이하에서는 S101 단계 내지 S103 단계에 대해 구체적으로 설명한다.
S101 단계에서, 생성부(210)는 배터리 데이터(A)를 수집할 수 있다. 예를 들어, 배터리 데이터(A)는 복수의 배터리 셀들(110, 120, 130, 140)의 방전 상태에서 완충 상태 또는 완충 상태에서 방전 상태에 이르기까지의 배터리의 상태(State) 변화를 기록한 값으로 정의될 수 있다. 예를 들어, 배터리 데이터(A)는 누적적으로 측정된 배터리의 전압, 전류, 온도, SOC 및 SOH를 포함할 수 있다. 여기서 SOH는 배터리의 용량 퇴화도 및 저항 퇴화도를 포함할 수 있다. 또한, 배터리 데이터(A)는 배터리의 분리막 타입이 어떠한 타입인지, 어떠한 조립 공정을 통해 조립되었는지 및/또는 어떠한 전극 타입을 가지는지와 관련되는 데이터 중 적어도 하나의 데이터를 더 포함할 수 있다.
S101 단계에서, 생성부(210)는 배터리 데이터(A) 중 적어도 일부를 학습 데이터 셋으로 추출하여 복수의 머신러닝 모델(211, 212, 213, 214)을 생성할 수 있다. S101 단계에서, 예를 들어, 생성부(210)는 배터리 데이터(A)의 80%를 학습 데이터 셋으로 추출하여 복수의 머신러닝 모델(211, 212, 213, 214)을 생성할 수 있다.
S101 단계에서, 생성부(210)는 배터리 데이터(A)의 특성(feature)들 중 적어도 하나 이상의 특성을 기초로 학습된 복수의 머신러닝 모델(211, 212, 213, 214)을 생성할 수 있다. 예를 들어, 배터리 데이터(A)의 특성(feature) 중 분리막 타입 및 전극 타입을 고려하는 경우, 생성부(210)는 배터리의 전압, 전류, 온도, SOC 및 SOH 외에 배터리의 분리막 타입 및 전극 타입을 포함하는 배터리 데이터(A)를 학습 데이터 셋으로 추출하여 복수의 머신러닝 모델(211, 212, 213, 214)을 생성할 수 있다.
여기서, 생성부(210)는 배터리 데이터(A)에 포함되는 다양한 특성들 중 배터리의 분리막 타입, 조립 공정 및 전극 타입을 포함하는 배터리 데이터(A)의 특성에 다양한 가중치를 부여하여 배터리 데이터(A)를 복수의 머신러닝 모델(211, 212, 213, 214)에 학습시킬 수 있다.
예를 들어, 생성부(210)는 드롭 아웃(Drop-out) 기법(a)을 기초로 배터리의 분리막 타입, 조립 공정 및 전극 타입 중 상대적으로 중요하지 않은 데이터의 개입을 최소화시켜 복수의 머신 러닝 모델(211, 212, 213, 214)의 과적합(overfitting)을 해소하기 위한 정규화(regularization) 기법을 활용하는 복수의 머신 러닝 모델(211, 212, 213, 214)을 생성할 수 있다. 즉, 생성부(210)는 배터리의 분리막 타입, 조립 공정 및 전극 타입 중 개입을 원하지 않거나, 개입을 최소화시킬 특성과 관련되는 노드의 연결을 제거한 배터리 데이터(A)를 학습시켜 복수의 머신 러닝 모델(211, 212, 213, 214)을 생성할 수 있다.
또 다른 예를 들어, 생성부(210)는 배터리 데이터(A)에 포함되는 다양한 특성들 중 배터리의 분리막 타입, 조립 공정 및 전극 타입을 포함하는 배터리 데이터(A)의 특성에 부여되는 가중치(weight)를 고정(b)하여 배터리 데이터(A)를 학습시킨 복수의 머신 러닝 모델(211, 212, 213, 214)을 생성할 수 있다. 예를 들어, 생성부(210)는 배터리의 분리막 타입에 큰 영향을 받는 머신 러닝 모델을 생성하고자 하는 경우, 배터리 데이터(A)의 특성 중 분리막 타입에 높은 가중치(예를 들어, *a)를 부여하여 배터리 데이터(A)를 학습시킬 수 있다. 또한, 생성부(210)는 배터리의 전극 타입에 영향을 적게 받는 머신 러닝 모델을 생성하기 위해 배터리 데이터(A)의 특성 중 전극 타입에 낮은 가중치(예를 들어, *b)를 부여하여 배터리 데이터(A)를 학습시킬 수 있다.
또 다른 예를 들어, 생성부(210)는 배터리 데이터(A)에 포함되는 다양한 특성들 중 배터리의 분리막 타입, 조립 공정 및 전극 타입을 포함하는 배터리 데이터(A)와 연결되는 노드에 바이어스(bias, 예를 들어 +a', +b')를 부여(c)하여 배터리 데이터(A)를 학습시킨 복수의 머신 러닝 모델(211, 212, 213, 214)을 생성할 수 있다.
그 외에, 생성부(210)는 L1 규제(Lasso) 및 L2 규제(Ridge)를 포함하는 가중치 규제를 기초로 배터리 데이터(A)를 학습시킨 복수의 머신 러닝 모델(211, 212, 213, 214)을 생성할 수 있으며, 본 문서에 개시되는 일 실시예는 이러한 예시에 한정되지 않는다.
S101 단계에서, 실시예에 따라, 복수의 머신러닝 모델(211, 212, 213, 214)은 복수의 심층 신경망(Deep Neural Network, DNN) 모델을 포함할 수 있다. 심층 신경망 모델은 입력층과 출력층 사이에 다중의 은닉층을 포함하는 인공 신경망 기술이다. 심층 신경망 모델은 다중의 은닉층을 포함하여 다양한 복잡한 비선형적 관계를 학습할 수 있다. S101 단계에서, 생성부(210)는 배터리 데이터(A) 중 적어도 일부를 학습 데이터 셋으로 이용하여 배터리의 가스 발생량을 예측할 수 있는 복수의 머신러닝 모델(211, 212, 213, 214)을 생성할 수 있다.
S101 단계에서, 생성부(210)는 배터리 데이터(A) 중 적어도 일부를 최대-최소 스케일링(Min-Max Scaling)할 수 있다. 여기서 최대-최소 스케일링은 수치형 변수의 크기 또는 단위가 변수마다 다를 경우 종속 변수에 미치는 영향이 제대로 반영되지 않기에 모든 변수의 범위를 조절해주는 방법이다. 생성부(210)는 배터리 데이터(A) 중 적어도 일부를 최대-최소 스케일링하여 배터리 데이터(A) 중 적어도 일부를 0~1 사이의 값으로 변환할 수 있다.
S101 단계에서, 생성부(210)는 복수의 머신러닝 모델(211, 212, 213, 214)을 K-폴드 교차검증(K-Fold Cross Validation)하여 복수의 머신러닝 모델(211, 212, 213, 214)의 정확도(Accuracy)를 판단할 수 있다. K-폴드 교차 검증은 전처리된 데이터 셋을 학습 데이터 셋 및 테스트 셋으로 나누고, 학습 데이터 셋을 'K'개의 폴드(Fold)로 분할하여 하나의 폴드는 검증에 사용하고, (K-1) 폴드는 모델 트레이닝에 사용하여 모든 데이터를 훈련 및 검증 과정에서 사용할 수 있는 방법이다. 예를 들어, 생성부(210)는 복수의 머신러닝 모델(211, 212, 213, 214)을 5-폴드 교차 검증(5-Fold Cross Validation)하여 복수의 머신러닝 모델(211, 212, 213, 214)의 정확도를 판단할 수 있다.
S101 단계에서, 또한, 예를 들어 생성부(210)는 실제 값과 예측 값의 차이(Error)를 절대값으로 변환해 평균화한 MAE(Mean Absolute Error)를 기초로 복수의 머신러닝 모델(211, 212, 213, 214)의 성능을 평가할 수 있다.
S102 단계에서, 컨트롤러(220)는 복수의 배터리 셀들(110, 120, 130, 140) 전압, 전류, 온도, SOC, SOH 변화, 배터리의 분리막 타입, 전극 타입 및 조립 공정을 포함하는 배터리 데이터(A) 중 적어도 일부를 테스트 데이터 셋으로 이용하여 복수의 머신러닝 모델(211, 212, 213, 214)에 입력할 수 있다.
S102 단계에서, 예를 들어, 컨트롤러(220)는 생성부(210)가 배터리 데이터(A)의 80%를 학습 데이터 셋으로 추출하여 복수의 머신러닝 모델(211, 212, 213, 214)을 생성한 후, 배터리 데이터(A)의 나머지 20%를 테스트 데이터 셋으로 추출하여 복수의 머신러닝 모델(211, 212, 213, 214)에 입력할 수 있다.
S102 단계에서, 컨트롤러(220)는 배터리 데이터(A) 중 적어도 일부를 복수의 머신러닝 모델(211, 212, 213, 214)에 적용하여 복수의 머신러닝 모델(211, 212, 213, 214) 각각으로부터 배터리의 가스 발생량을 예측한 복수의 예측 데이터(B1, B2, B3, B4)를 획득할 수 있다.
S102 단계에서, 즉, 컨트롤러(220)는 하나의 입력 데이터(Input)인 배터리 데이터(A) 중 적어도 일부를 별개의 머신 러닝 모델에 각각 입력하여 복수의 출력 데이터(Output)를 획득할 수 있다. 컨트롤러(220)는 복수의 예측 데이터(B1, B2, B3, B4)에 기초하여 배터리의 가스 발생량을 예측한 가스 발생량 예측 데이터(C)를 생성할 수 있다.
S102 단계에서, 컨트롤러(220)는 배터리 데이터(A) 중 적어도 일부를 복수의 머신러닝 모델(211, 212, 213, 214)에 포함된 복수의 심층 신경망 모델(DNN)에 적용할 수 있다.
S103 단계에서, 컨트롤러(220)는 복수의 예측 데이터(B1, B2, B3, B4)에 기초하여 배터리의 상태를 예측할 수 있다.
S103 단계에서, 실시예에 따라, 컨트롤러(220)는 획득한 배터리 데이터(A)의 특성에 기초하여 복수의 머신러닝 모델(211, 212, 213, 214)이 생성한 복수의 예측 데이터(B1, B2, B3, B4) 각각에 가중치(x1, x2, x3, x4)를 부여할 수 있다. 여기서, 복수의 예측 데이터(B1, B2, B3, B4) 각각에 부여되는 가중치(x1, x2, x3, x4)는 복수의 머신 러닝 모델(211, 212, 213, 214) 각각을 학습시킬 때에 배터리 데이터(A)의 특성에 부여되는 가중치와 관련될 수 있다.
실시예에 따라, 컨트롤러(220)는 복수의 예측 데이터(B1, B2, B3, B4) 각각을 생성하는데 사용된 심층 신경망 모델을 학습시키는 과정에서 배터리 데이터(A)의 특성을 기초로 부여된 가중치에 따라 복수의 예측 데이터(B1, B2, B3, B4)에 가중치를 부여할 수 있다. 즉, 복수의 머신 러닝 모델(211, 212, 213, 214)을 학습시킬 때에 배터리 데이터(A)의 특성에 부여된 가중치와, 복수의 예측 데이터(B1, B2, B3, B4) 각각에 부여하는 가중치는 구분된다. 예를 들어, 컨트롤러(220)는 예측 데이터(B1)에 부여할 가중치를 결정하기 위해, 예측 데이터(B1)를 생성하는 머신러닝 모델(211)에 포함되는 심층 신경망 모델을 학습시킬 때에 배터리 데이터(A)의 특성을 기초로 부여된 가중치를 고려할 수 있다.
마찬가지로, 컨트롤러(220)는 예측 데이터(B2)에 부여할 가중치를 결정하기 위해 예측 데이터(B2)를 생성하는 머신러닝 모델(212)에 포함되는 심층 신경망 모델을 학습시킬 때에 배터리 데이터(A)의 특성을 기초로 부여된 가중치를 고려할 수 있고, 예측 데이터(B3)를 생성하는 머신러닝 모델(213)에 포함되는 심층 신경망 모델을 학습시킬 때에 배터리 데이터(A)의 특성을 기초로 부여된 가중치를 고려할 수 있고, 예측 데이터(B4)를 생성하는 머신러닝 모델(214)에 포함되는 심층 신경망 모델을 학습시킬 때에 배터리 데이터(A)의 특성을 기초로 부여된 가중치를 고려할 수 있다.
S103 단계에서, 예를 들어, 컨트롤러(220)는 가중치(x1, x2, x3, x4)가 부여된 복수의 예측 데이터(B1, B2, B3, B4)를 앙상블 학습 (Ensemble Learning) 모델에 입력하여 확률 분포 형태의 가스 발생량 예측 데이터(C)를 생성할 수 있다. 여기서 앙상블 학습 모델은 둘 이상의 학습 모델을 결합하여 하나의 학습 모델 보다 더 좋은 성능을 내는 머신러닝 기법이다.
S103 단계에서, 컨트롤러(220)는 확률 분포 형태의 가스 발생량 예측 데이터(C)의 평균값(Mean)을 산출할 수 있다. S103 단계에서, 구체적으로 컨트롤러(220)는 확률 분포 형태의 가스 발생량 예측 데이터(C)의 평균값(Mean)의 95% 예측 구간(Prediction Interval)을 산출할 수 있다. S103 단계에서, 예를 들어, 컨트롤러(220)는 확률 분포 형태의 가스 발생량 예측 데이터(C)의 평균값(Mean)과 표준편차를 산출한 후, '평균값±표준편차*1.96'을 확률 분포 형태의 가스 발생량 예측 데이터(C)의 평균값의 95% 예측 구간으로 산출할 수 있다.
S103 단계에서, 컨트롤러(220)는 확률 분포 형태의 가스 발생량 예측 데이터(C)의 예측 구간을 기 저장된 배터리의 가스 발생량 측정값과 비교하여 복수의 머신러닝 모델(211, 212, 213, 214)의 정확도를 판단할 수 있다.
도 7을 참조하면, 본 문서에 개시된 일 실시예에 따른 컴퓨팅 시스템(2000)은 MCU(2100), 메모리(2200), 입출력 I/F(2300) 및 통신 I/F(2400)를 포함할 수 있다.
MCU(2100)는 메모리(2200)에 저장되어 있는 각종 프로그램(예를 들면, 배터리 가스 발생량 예측 프로그램)을 실행시키고, 이러한 프로그램들을 각종 데이터를 처리하며, 전술한 도 1에 나타낸 배터리 관리 장치(200)의 기능들을 수행하도록 하는 프로세서일 수 있다.
메모리(2200)는 배터리 상태 예측 장치(200)의 작동에 관한 각종 프로그램을 저장할 수 있다. 또한, 메모리(2200)는 배터리 상태 예측 장치(200)의 작동 데이터를 저장할 수 있다.
이러한 메모리(2200)는 필요에 따라서 복수 개 마련될 수도 있을 것이다. 메모리(2200)는 휘발성 메모리일 수도 있으며 비휘발성 메모리일 수 있다. 휘발성 메모리로서의 메모리(2200)는 RAM, DRAM, SRAM 등이 사용될 수 있다. 비휘발성 메모리로서의 메모리(2200)는 ROM, PROM, EAROM, EPROM, EEPROM, 플래시 메모리 등이 사용될 수 있다. 상기 열거한 메모리(2200)들의 예를 단지 예시일 뿐이며 이들 예로 한정되는 것은 아니다.
입출력 I/F(2300)는, 키보드, 마우스, 터치 패널 등의 입력 장치(미도시)와 디스플레이(미도시) 등의 출력 장치와 MCU(2100) 사이를 연결하여 데이터를 송수신할 수 있도록 하는 인터페이스를 제공할 수 있다.
통신 I/F(2400)는 서버와 각종 데이터를 송수신할 수 있는 구성으로서, 유선 또는 무선 통신을 지원할 수 있는 각종 장치일 수 있다. 예를 들면, 통신 I/F(2400)를 통해 별도로 마련된 외부 서버로부터 저항 측정 및 이상 진단을 위한 프로그램이나 각종 데이터 등을 송수신할 수 있다.
이상의 설명은 본 개시의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 개시에 개시된 실시예들은 본 개시의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 개시의 기술 사상의 범위가 한정되는 것은 아니다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (10)

  1. 배터리 데이터 및 상기 배터리 데이터에 포함되는 특성(feature)을 기초로 학습되어 상기 배터리의 가스 발생량을 예측하는 복수의 머신 러닝 모델을 생성하는 생성부; 및
    상기 배터리 데이터를 상기 복수의 머신 러닝 모델에 적용하여 상기 배터리의 가스 발생량을 예측한 복수의 예측 데이터를 획득하고, 상기 복수의 예측 데이터에 기초하여 상기 배터리의 가스 발생량을 예측하는 컨트롤러를 포함하는 배터리 상태 예측 장치.
  2. 제1 항에 있어서,
    상기 복수의 머신 러닝 모델은 복수의 심층 신경망(Deep Neural Network, DNN) 모델을 포함하고,
    상기 컨트롤러는,
    상기 배터리 데이터를 상기 복수의 심층 신경망 모델에 적용하여 상기 복수의 예측 데이터를 획득하는 배터리 상태 예측 장치.
  3. 제2 항에 있어서,
    상기 배터리 데이터는 누적적으로 측정된 상기 배터리의 온도, SOC 및 SOH를 포함하고,
    상기 배터리 데이터의 특성은 상기 배터리의 전극 타입, 조립 공정 및 분리막 타입 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 배터리 상태 예측 장치.
  4. 제2 항에 있어서, 상기 컨트롤러는,
    상기 복수의 예측 데이터 각각을 생성하는 상기 심층 신경망 모델을 학습시키는 과정에서 상기 배터리 데이터의 특성을 기초로 부여된 가중치를 기초로 상기 복수의 예측 데이터 각각에 가중치를 부여하고, 상기 가중치가 부여된 상기 복수의 예측 데이터를 앙상블 학습 (Ensemble Learning) 모델에 입력하여 확률 분포 형태의 상기 가스 발생량 예측 데이터를 생성하는 것을 특징으로 하는 배터리 상태 예측 장치.
  5. 제4 항에 있어서,
    상기 컨트롤러는 상기 확률 분포 형태의 상기 가스 발생량 예측 데이터의 평균값을 산출하고,
    상기 평균값을 기 저장된 상기 배터리의 가스 발생량 측정값과 비교하여 상기 복수의 머신 러닝 모델의 정확도를 판단하는 것을 특징으로 하는 배터리 상태 예측 장치.
  6. 배터리 데이터 및 상기 배터리 데이터에 포함되는 특성(feature)을 기초로 학습되어 상기 배터리의 가스 발생량을 예측하는 복수의 머신 러닝 모델을 생성하는 단계;
    상기 배터리 데이터를 상기 복수의 머신 러닝 모델에 적용하여 상기 배터리의 가스 발생량을 예측한 복수의 예측 데이터를 획득하는 단계; 및
    상기 복수의 예측 데이터에 기초하여 상기 배터리의 가스 발생량을 예측하는 단계를 포함하는 배터리 상태 예측 장치의 동작 방법.
  7. 제6 항에 있어서,
    상기 복수의 머신 러닝 모델은 복수의 심층 신경망(Deep Neural Network, DNN) 모델을 포함하고,
    상기 배터리 데이터를 상기 복수의 머신 러닝 모델에 적용하여 상기 배터리의 가스 발생량을 예측한 복수의 예측 데이터를 획득하는 단계는
    상기 배터리 데이터를 상기 복수의 심층 신경망 모델에 적용하여 상기 복수의 예측 데이터를 획득하는 단계를 포함하는 배터리 상태 예측 장치의 동작 방법.
  8. 제6 항에 있어서,
    상기 배터리 데이터를 기초로 배터리의 가스 발생량을 예측하는 복수의 머신 러닝 모델을 생성하는 단계는
    누적적으로 측정된 상기 배터리의 온도, SOC 및 SOH를 포함하는 상기 배터리 데이터를 기초로 상기 복수의 머신 러닝 모델을 생성하는 단계를 포함하고,
    상기 배터리 데이터의 특성은,
    상기 배터리의 전극 타입, 조립 공정 및 분리막 타입 중 적어도 하나 이상을 포함하는 배터리 상태 예측 장치의 동작 방법.
  9. 제6 항에 있어서,
    상기 복수의 예측 데이터에 기초하여 상기 배터리의 가스 발생량을 예측하는 단계는,
    상기 복수의 예측 데이터 각각을 생성하는 상기 심층 신경망 모델을 학습시키는 과정에서 상기 배터리 데이터의 특성을 기초로 부여된 가중치를 기초로 상기 복수의 예측 데이터 각각에 가중치를 부여하는 단계; 및
    상기 가중치가 부여된 상기 복수의 예측 데이터를 앙상블 학습 (Ensemble Learning) 모델에 입력하여 확률 분포 형태의 상기 가스 발생량 예측 데이터를 생성하는 단계;를 포함하는 배터리 상태 예측 장치의 동작 방법.
  10. 제6 항에 있어서,
    상기 복수의 예측 데이터에 기초하여 상기 배터리의 가스 발생량을 예측하는 단계는 상기 확률 분포 형태의 상기 가스 발생량 예측 데이터의 평균값을 산출하고,
    상기 평균값을 기 저장된 상기 배터리의 가스 발생량 측정값과 비교하여 상기 복수의 머신 러닝 모델의 정확도를 판단하는 것을 특징으로 하는 배터리 상태 예측 장치의 동작 방법.
PCT/KR2023/020817 2022-12-19 2023-12-15 배터리 상태 예측 장치 및 그것의 동작 방법 Ceased WO2024136347A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2025534186A JP2025540363A (ja) 2022-12-19 2023-12-15 電池状態予測装置およびその動作方法
EP23907632.6A EP4629395A4 (en) 2022-12-19 2023-12-15 BATTERY STATE PREDICTION DEVICE AND ITS OPERATING METHOD
CN202380086453.8A CN120359647A (zh) 2022-12-19 2023-12-15 电池状态预测设备及其操作方法

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2022-0178733 2022-12-19
KR20220178733 2022-12-19
KR10-2023-0180528 2023-12-13
KR1020230180528A KR102925815B1 (ko) 2022-12-19 2023-12-13 배터리 상태 예측 장치 및 그것의 동작 방법

Publications (1)

Publication Number Publication Date
WO2024136347A1 true WO2024136347A1 (ko) 2024-06-27

Family

ID=91589291

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/020817 Ceased WO2024136347A1 (ko) 2022-12-19 2023-12-15 배터리 상태 예측 장치 및 그것의 동작 방법

Country Status (4)

Country Link
EP (1) EP4629395A4 (ko)
JP (1) JP2025540363A (ko)
CN (1) CN120359647A (ko)
WO (1) WO2024136347A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118983548A (zh) * 2024-10-22 2024-11-19 中海巢(河北)新能源科技有限公司 电池组压力智能控制方法、装置、系统及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170085365A (ko) * 2016-01-14 2017-07-24 삼성전자주식회사 배터리의 상태 추정 장치 및 방법
KR20180033766A (ko) * 2016-09-26 2018-04-04 주식회사 엘지화학 인공지능형 연료전지 시스템
JP2021176131A (ja) * 2020-05-01 2021-11-04 ダイキン工業株式会社 学習モデル生成方法、プログラム、記憶媒体、学習済みモデル
WO2022034983A1 (ko) * 2020-08-14 2022-02-17 주식회사 한국파워셀 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치
KR20220064575A (ko) * 2020-11-12 2022-05-19 주식회사 에니트 Ess 화재 예방 시스템 및 그 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102892949B1 (ko) * 2020-03-17 2025-11-27 주식회사 엘지에너지솔루션 배터리 이상 감지 장치 및 방법, 그 방법을 제공하는 배터리 관리 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170085365A (ko) * 2016-01-14 2017-07-24 삼성전자주식회사 배터리의 상태 추정 장치 및 방법
KR20180033766A (ko) * 2016-09-26 2018-04-04 주식회사 엘지화학 인공지능형 연료전지 시스템
JP2021176131A (ja) * 2020-05-01 2021-11-04 ダイキン工業株式会社 学習モデル生成方法、プログラム、記憶媒体、学習済みモデル
WO2022034983A1 (ko) * 2020-08-14 2022-02-17 주식회사 한국파워셀 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치
KR20220064575A (ko) * 2020-11-12 2022-05-19 주식회사 에니트 Ess 화재 예방 시스템 및 그 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4629395A1

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118983548A (zh) * 2024-10-22 2024-11-19 中海巢(河北)新能源科技有限公司 电池组压力智能控制方法、装置、系统及存储介质

Also Published As

Publication number Publication date
EP4629395A4 (en) 2026-04-15
JP2025540363A (ja) 2025-12-11
EP4629395A1 (en) 2025-10-08
CN120359647A (zh) 2025-07-22

Similar Documents

Publication Publication Date Title
WO2022103185A1 (ko) 전지의 용량 측정 장치 및 방법, 및 상기 장치를 포함하는 전지 제어 시스템
WO2021006566A1 (ko) 배터리 셀 진단 장치 및 방법
WO2020262787A1 (ko) 내부 단락 셀 검출 방법
WO2022149824A1 (ko) 배터리 관리 장치 및 방법
WO2022265458A1 (ko) 이차전지 저전압 불량 예측 장치 및 방법, 상기 장치를 포함하는 전지 제어 시스템
JP7658464B2 (ja) 電池管理装置およびそれを含む電池検査システム
WO2023153765A1 (ko) 배터리 관리 장치 및 그것의 동작 방법
WO2023132520A1 (ko) 배터리 용량 예측 장치 및 그것의 동작 방법
WO2024049172A1 (ko) 배터리 상태 예측 장치 및 그것의 동작 방법
WO2023075244A1 (ko) 배터리 관리 장치 및 그것의 동작 방법
WO2023136512A1 (ko) 배터리 충전 심도 산출 장치 및 그것의 동작 방법
WO2024136347A1 (ko) 배터리 상태 예측 장치 및 그것의 동작 방법
KR20240000294A (ko) 배터리 관리 장치 및 그것의 동작 방법
KR102925815B1 (ko) 배터리 상태 예측 장치 및 그것의 동작 방법
WO2023158195A1 (ko) 배터리 관리 장치 및 서버
WO2024185954A1 (ko) 배터리 데이터 관리 장치 및 그것의 동작 방법
WO2021025295A1 (ko) 배터리 관리 장치, 배터리 관리 방법 및 배터리 팩
WO2024136225A1 (ko) 배터리 데이터 관리 장치 및 그것의 동작 방법
WO2024205079A1 (ko) 배터리 관리 장치 및 그것의 동작 방법
WO2024101908A1 (ko) 배터리 팩 관리 장치 및 그것의 동작 방법
WO2024248267A1 (ko) Ev(electric vehicle)용 sohc 예측방법 및 시스템
WO2026024021A1 (en) Battery management apparatus and method
WO2025221126A1 (ko) 배터리 진단 장치 및 그것의 동작 방법
WO2025028836A1 (ko) 배터리 관리 장치 및 그것의 동작 방법
WO2025116212A1 (ko) 배터리 관리 장치 및 그것의 동작 방법

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: 23907632

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2025534186

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 2025534186

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 202380086453.8

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2023907632

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2023907632

Country of ref document: EP

Effective date: 20250703

NENP Non-entry into the national phase

Ref country code: DE

WWP Wipo information: published in national office

Ref document number: 202380086453.8

Country of ref document: CN

WWP Wipo information: published in national office

Ref document number: 2023907632

Country of ref document: EP