| 1 |
1
셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리(LIB) 팩 제어방법에 있어서,배터리 콘트롤러로부터 전달되는 LIB 팩 내의 각 셀의 상태에 관한 입력데이터를 이용하여 복수의 신경망 모델이 복합된 셀 밸런싱 신경망 모델을 학습시키는 단계;학습된 셀 밸런싱 신경망 모델을 이용하여, 상기 LIB 팩 내의 각 셀의 상태를 예측하는 단계; 및상기 예측에 따라 상기 각 셀의 충전상태를 보정하는 제어신호를 상기 배터리 콘트롤러로 전달하여, 상기 각 셀의 충전상태를 보정하는 단계를 포함하는 것을 특징으로 하는, 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩 제어방법
|
| 2 |
2
청구항 1에 있어서,상기 셀 밸런싱 신경망 모델을 학습시키는 단계는,상기 배터리 콘트롤러로부터 전달되는 상기 LIB 팩의 각 셀의 충방전 상태에 관한 상기 입력데이터를 CNN(Convolutional Neural Network) 신경망을 통해 상기 각 셀의 상기 입력데이터간 공간적 특성 및 사이클 형태를 학습 및 추출하는 단계;상기 입력테이터를 LSTM(Long Short Term Memory) 신경망을 이용하여 상기 각 셀의 시간에 따른 충방전 특성을 학습 및 추출하는 단계; 및상기 입력데이터를 RNN(Recurrent Nenural Network) 신경망을 통해 동일 시간에서 상기 각 셀의 전압통계특성간의 상관계수를 학습 및 추출하는 단계;를 포함하는 것을 특징으로 하는, 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩 제어방법
|
| 3 |
3
청구항 2에 있어서,상기 셀 밸런싱 신경망 모델을 학습시키는 단계는,상기 배터리 콘트롤러로부터 전달되는 상기 LIB 팩의 각 셀의 충방전 전압데이터를 상기 입력데이터로 하여, 상기 CNN 신경망, 상기 LSTM 신경망 및 상기 RNN 신경망을 통해 병렬 학습하여 수행되는 것을 특징으로 하는, 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩 제어방법
|
| 4 |
4
청구항 3에 있어서,상기 셀 밸런싱 신경망을 학습 및 상기 각 셀의 상태를 예측하기 위해, 상기 입력데이터는 x축을 시간으로, y축을 셀로 하는2차원 충방전 사이클 데이터이거나 직병렬 셀들로 구성된 3차원 데이터로 변환되어 제공되는 것을 특징으로 하는, 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩 제어방법
|
| 5 |
5
청구항 4에 있어서,상기 RNN 신경망을 통해 동일 시간에서 상기 각 셀의 전압통계특성간의 상관계수를 학습 및 추출하는 단계에서,[상관계수 수식]상기 입력데이터를 가지고 RNN신경망을 학습시키되, 동일시간 t에서의 상기 각 셀들의 전압값들을 상기 상관계수 수식에 대입하여 출력되는 px,y 값이 RNN 중의 LSTM 입력으로 사용한 학습을 통해, 동일 시간 t에서 상기 각 셀의 전압통계특성간의 상관계수를 학습 및 추출하는 것을 특징으로 하는, 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩의 제어방법
|
| 6 |
6
청구항 5에 있어서,상기 학습된 셀 밸런싱 신경망 모델은,상기 LIB 팩 내의 각 셀의 상태를 예측하는 단계에서, 상기 각 셀의 충전상태(SoC)와 상기 상관계수를 예측하여 임의의 사이클에서의 열화될 셀을 검출하는 것을 특징으로 하는, 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩의 제어방법
|
| 7 |
7
청구항 3에 있어서,상기 셀 밸런싱 신경망 모델을 학습시키는 단계에서,상기 CNN 신경망, 상기 LSTM 신경망 및 상기 RNN 신경망에 의해 각 학습된 가중치(WC,R,V, BC,R,V)는,[가중치 결합수식]Ct = σ(WC * X + BC) : CNN으로 학습된 가중치 Rt = σ(WR * X + BR) : RNN으로 학습된 가중치Vt = σ(WV * X + BV) : VDCNN으로 학습된 가중치Pt = ReLU(Ct * h(t-1) + Vt * h(t-1))최종 출력 h(t) = (1-K) Rt * h(t-1) + K Pt * h(t-1) (0 003c# K 003c# 1)(* 기호는 컨볼루션 연산, K는 각 신경망들 간 Weighting Factor, σ는 시그모이드 함수(활성화 함수), W는 가중치, X는 입력, B는 바이어스 값)상기 가중치 결합수식에 의해 조합되어 상기 셀 밸런싱 신경망 모델이 학습되는 것을 특징으로 하는, 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩의 제어방법
|
| 8 |
8
청구항 4에 있어서, 상기 CNN 신경망의 학습을 통해, 상기 충방전 전압데이터의 충방전 곡선의 변곡점, 극대값 및 극소값을 기초로 사이클 형태(Cycle shape) 및 사이클 패턴을 추출하는 것을 특징으로 하는, 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩의 제어방법
|
| 9 |
9
셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리(LIB) 팩의 제어장치에 있어서,배터리 콘트롤러로부터 전송된 LIB 팩 내의 각 셀의 충방전 상태에 관한 입력데이터를 CNN 연산을 통해 학습하여 상기 입력데이터의 공간적 특성 및 사이클 형태(cycle shape) 및 사이클 패턴을 추출하는 패턴추출 신경망부;상기 입력데이터를 LSTM 연산을 통해 상기 각 셀의 시간에 따른 충전상태 특성을 학습하는 충전상태 학습 신경망부;상기 입력데이터를 RNN 연산을 통해, 동일 시간에서 상기 각 셀의 전압통계특성간에 상관계수를 학습하는 상관계수 학습 신경망부; 및상기 패턴추출 신경망부, 상기 충전상태 학습 신경망부 및 상기 상관계수 학습 신경망부로부터 학습된 결과를 통합하여 셀 밸런싱 신경망 모델을 생성하고, 생성된 셀 밸런싱 신경망 모델을 이용하여 열화될 셀들을 예측하고, 충전상태 보정 파라미터를 상기 배터리 콘트롤러에 전송하여 셀 밸런싱을 이루도록 하는 예측부를 포함하는 것을 특징으로 하는, 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩의 제어장치
|
| 10 |
10
청구항 9에 있어서,상기 배터리 콘트롤러로부터 상기 입력데이터를 전송받아 상기 패턴추출 신경망부, 충전상태 학습 신경망부 및 상기 상관계수 학습 신경망부로 제공하는 입력부를 더 포함하며,상기 입력부가 제공하는 또는 상기 입력부가 제공받는 상기 입력데이터는 x축을 시간으로, y축을 셀로 하는 2차원 충방전 사이클 데이터이거나 직병렬 셀들로 구성된 3차원 데이터인 것을 특징으로 하는, 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩의 제어장치
|
| 11 |
11
청구항 9에 있어서,상기 상관계수 학습 신경망부는,[상관계수 수식]상기 입력데이터를 가지고 RNN신경망을 학습시키되, 동일시간 t에서의 상기 각 셀들의 전압값들을 상기 상관계수 수식에 대입하여 출력되는 px,y 값을 RNN 중의 LSTM 입력으로 사용함으로써, 동일 시간 t에서 상기 각 셀의 전압통계특성간의 상관계수를 학습하는 것을 특징으로 하는, 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩의 제어장치
|
| 12 |
12
청구항 9에 있어서, 상기 예측부는,[가중치 결합수식]Ct = σ(WC * X + BC) : CNN으로 학습된 가중치 Rt = σ(WR * X + BR) : RNN으로 학습된 가중치Vt = σ(WV * X + BV) : VDCNN으로 학습된 가중치Pt = ReLU(Ct * h(t-1) + Vt * h(t-1))최종 출력 h(t) = (1-K) Rt * h(t-1) + K Pt * h(t-1) (0 003c# K 003c# 1)(* 기호는 컨볼루션 연산, K는 각 신경망들 간 Weighting Factor, σ는 시그모이드 함수(활성화 함수), W는 가중치, X는 입력, B는 바이어스 값)상기 패턴추출 신경망부, 충전상태 학습 신경망부 및 상기 상관계수 학습 신경망부로에 의해 각 학습된 가중치(WC,R,V, BC,R,V)를 상기 가중치 결합수식에 의해 조합하여 상기 셀 밸런싱 신경망 모델을 생성하는 것을 특징으로 하는, 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩의 제어장치
|
