1 |
1
배터리 상태 추정 장치가 배터리 충전시의 전압, 전류 및 온도의 적어도 3가지 변화 데이터를 조합하여 해당 시점의 캐패시티와 매칭하여 미리 학습하는 단계;상기 배터리 상태 추정 장치가 대상 배터리로부터 측정된 전압, 전류 및 온도의 적어도 3가지 프로파일의 조합을 입력받는 단계;상기 배터리 상태 추정 장치가 입력된 상기 대상 배터리의 프로파일의 조합을 이용하여 상기 미리 학습된 데이터를 참조함으로써 상기 대상 배터리의 현재 캐패시티를 예측하는 단계; 및상기 배터리 상태 추정 장치가 예측된 상기 현재 캐패시티로부터 상기 대상 배터리의 성능을 도출하는 단계;를 포함하는, 배터리의 상태 추정 방법
|
2 |
2
제 1 항에 있어서,상기 미리 학습하는 단계는,배터리 충전시의 전압, 전류 및 온도의 적어도 3가지 변화 데이터를 동시에 반복적으로 측정하되, 각각의 측정 시점마다 캐패시티와 함께 매칭하여 저장하는 단계;측정 데이터 셋(set)을 지도 학습(supervised learning) 방식으로 학습시켜 복수 개의 학습 모델 파라미터를 설정하는 단계; 및검증(validation) 과정을 통해 캐패시티 예측 성능이 가장 높은 하이퍼파라미터(hyperparameter)를 선택하는 단계;를 포함하는, 배터리의 상태 추정 방법
|
3 |
3
제 2 항에 있어서,상기 미리 학습하는 단계는,측정 데이터 셋(set)으로부터 미리 설정된 기준에 부합하지 않는 비정상(abnormal) 데이터 또는 아웃라이어(outlier) 데이터를 제거하고 정규화(normalization)하는 단계;를 더 포함하는, 배터리의 상태 추정 방법
|
4 |
4
제 1 항에 있어서,학습을 위한 상기 변화 데이터는,동시에 측정된 배터리 충전시의 전압, 전류 및 온도의 변화 데이터를 해당 측정 시점의 캐패시티와 함께 조합하여 하나의 데이터 셋을 형성하되, 시계열적인 흐름에 따라 각각 배터리 열화의 패턴을 나타내는 다수의 데이터 셋을 매트릭스(matrix) 형식의 데이터로 가공하는, 배터리의 상태 추정 방법
|
5 |
5
제 1 항에 있어서,학습을 위한 상기 변화 데이터는,배터리 충전시의 프로파일 내에 이전까지의 랜덤한 방전으로 인한 다양한 배터리 열화의 패턴이 반영되는 것을 특징으로 하는, 배터리의 상태 추정 방법
|
6 |
6
제 1 항에 있어서,상기 미리 학습하는 단계는,Feedforward neural network (FNN), Convolutional neural network (CNN), 및 Recurrent Neural Networks (RNN)을 포함하는 복수 개의 머신 러닝(machine learning) 기법을 이용하여 예측 모델을 생성하고, 각각의 예측 모델과 실제의 캐패시티 간의 오차 메트릭(error metric)이 최소화되는 예측 모델을 선택하는, 배터리의 상태 추정 방법
|
7 |
7
제 1 항에 있어서,상기 미리 학습하는 단계는,장기 의존성(long term dependency)을 갖는 시계열 데이터들 간의 패턴을 학습하는 Long short-term memory (LSTM) 또는 Gated Linear Unit (GLU) 중 어느 하나의 머신 러닝 기법을 이용하여 배터리 열화의 시계열적인 패턴 학습을 수행하는, 배터리의 상태 추정 방법
|
8 |
8
제 1 항에 있어서,상기 배터리 충전시의 전압, 전류 및 온도는,정전류(constant current) 및 정전압(constant voltage) 충전시 일정 기간 동안 동일한 시간 간격을 기준으로 샘플링(sampling)되어 시계열적으로 측정된 변화 데이터인, 배터리의 상태 추정 방법
|
9 |
9
제 1 항에 있어서,상기 대상 배터리의 성능을 도출하는 단계는,상기 대상 배터리에 대해 주어진 정격 용량 (rated capacity) 대비 상기 현재 캐패시티의 비율로부터 상기 대상 배터리의 성능 상태(state of health, SoH)를 산출하는, 배터리의 상태 추정 방법
|
10 |
10
제 1 항 내지 제 9 항 중에 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
|
11 |
11
배터리 충전시의 전압, 전류 및 온도의 적어도 3가지 변화 데이터를 조합하여 해당 시점의 캐패시티와 매칭하여 미리 학습한 데이터를 저장하는 저장부;대상 배터리로부터 측정된 전압, 전류 및 온도의 적어도 3가지 프로파일의 조합을 입력받는 입력부;상기 저장부에 저장된 학습 데이터를 이용하여 상기 대상 배터리의 성능을 도출하는 프로그램을 저장하는 메모리; 및상기 프로그램을 구동하는 적어도 하나의 프로세서;를 포함하되,상기 메모리에 저장된 프로그램은,상기 입력부를 통해 입력된 상기 대상 배터리의 프로파일의 조합을 이용하여 상기 저장부 내의 미리 학습된 데이터를 참조함으로써 상기 대상 배터리의 현재 캐패시티를 예측하고, 예측된 상기 현재 캐패시티로부터 상기 대상 배터리의 성능을 도출하는 명령어를 포함하는, 배터리의 상태 추정 장치
|
12 |
12
제 11 항에 있어서,상기 메모리에 저장된 프로그램은,배터리 충전시의 전압, 전류 및 온도의 적어도 3가지 변화 데이터를 동시에 반복적으로 측정하되, 각각의 측정 시점마다 캐패시티와 함께 매칭하여 저장하고, 측정 데이터 셋(set)을 지도 학습(supervised learning) 방식으로 학습시켜 복수 개의 학습 모델 파라미터를 설정하며, 검증(validation) 과정을 통해 캐패시티 예측 성능이 가장 높은 하이퍼파라미터(hyperparameter)를 선택함으로써, 미리 학습하는 명령어를 포함하는, 배터리의 상태 추정 장치
|
13 |
13
제 12 항에 있어서,상기 메모리에 저장된 프로그램은,측정 데이터 셋(set)으로부터 미리 설정된 기준에 부합하지 않는 비정상(abnormal) 데이터 또는 아웃라이어(outlier) 데이터를 제거하고 정규화(normalization)하는 명령어를 더 포함하는, 배터리의 상태 추정 장치
|
14 |
14
제 11 항에 있어서,학습을 위한 상기 변화 데이터는,동시에 측정된 배터리 충전시의 전압, 전류 및 온도의 변화 데이터를 해당 측정 시점의 캐패시티와 함께 조합하여 하나의 데이터 셋을 형성하되, 시계열적인 흐름에 따라 각각 배터리 열화의 패턴을 나타내는 다수의 데이터 셋을 매트릭스(matrix) 형식의 데이터로 가공되어 상기 저장부에 저장되는, 배터리의 상태 추정 장치
|
15 |
15
제 11 항에 있어서,학습을 위한 상기 변화 데이터는,배터리 충전시의 프로파일 내에 이전까지의 랜덤한 방전으로 인한 다양한 배터리 열화의 패턴이 반영되는 것을 특징으로 하는, 배터리의 상태 추정 장치
|
16 |
16
제 11 항에 있어서,상기 저장부는,Feedforward neural network (FNN), Convolutional neural network (CNN), 및 Recurrent Neural Networks (RNN)을 포함하는 복수 개의 머신 러닝(machine learning) 기법을 이용하여 예측 모델을 생성하고, 각각의 예측 모델과 실제의 캐패시티 간의 오차 메트릭(error metric)이 최소화되는 예측 모델을 선택함으로써, 미리 학습된 데이터를 저장하는, 배터리의 상태 추정 장치
|
17 |
17
제 11 항에 있어서,상기 저장부는,장기 의존성(long term dependency)을 갖는 시계열 데이터들 간의 패턴을 학습하는 Long short-term memory (LSTM) 또는 Gated Linear Unit (GLU) 중 어느 하나의 머신 러닝 기법을 이용하여 배터리 열화의 시계열적인 패턴 학습을 수행함으로써, 미리 학습된 데이터를 저장하는, 배터리의 상태 추정 장치
|
18 |
18
제 11 항에 있어서,상기 배터리 충전시의 전압, 전류 및 온도는,정전류(constant current) 및 정전압(constant voltage) 충전시 일정 기간 동안 동일한 시간 간격을 기준으로 샘플링(sampling)되어 시계열적으로 측정된 변화 데이터인, 배터리의 상태 추정 장치
|
19 |
19
제 11 항에 있어서,상기 메모리에 저장된 프로그램은,상기 대상 배터리에 대해 주어진 정격 용량 (rated capacity) 대비 상기 현재 캐패시티의 비율로부터 상기 대상 배터리의 성능 상태(state of health, SoH)를 산출함으로써, 상기 대상 배터리의 성능을 도출하는, 배터리의 상태 추정 장치
|