| 1 |
1
전기차 배터리의 전류를 측정하는 전류 측정 모듈;주행 데이터와 전류 측정 데이터가 지정된 SOC(State of Charge) 산출 조건이 되었을 때 배터리 개방 회로 전압(OCV)을 측정하는 OCV 측정 모듈;주행 데이터와 전류 측정 데이터가 지정된 SOC(State of Charge) 산출 조건이 되었을 때 배터리 온도를 측정하는 온도 측정 모듈;상기 전류 측정 모듈, 상기 OCV 측정 모듈 및 상기 온도 측정 모듈을 통해 각기 측정한 전류 측정 데이터, OCV 측정 데이터 및 온도 측정 데이터를 서버에 온라인으로 전달하는 프로세서; 및상기 온라인으로 전달되는 전류 측정 데이터를 미리 학습된 딥러닝 모델1 기반으로 보정하며, 미리 학습된 딥러닝 모델2 기반으로 OCV 값을 예측하여 전기차 배터리의 SOH(State of Health) 값을 예측하고, 또한 미리 학습된 딥러닝 모델3 기반으로 전기차 배터리의 SOH를 예측하는 서버;를 포함하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치
|
| 2 |
2
제 1항에 있어서, 상기 서버는,미리 학습한 딥러닝 모델1 및 딥러닝 모델2 기반으로 현재 SOH 값이 예측되고, 또한 딥러닝 모델3 기반으로 현재 SOH 값이 예측될 경우, 상기 예측된 두 SOH 값에 앙상블 기법을 적용하여 최종 SOH 값을 예측하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치
|
| 3 |
3
제 1항에 있어서, 상기 딥러닝 모델1을 학습한 서버는,측정 주기가 긴 저품질 전류 측정 데이터를 주기가 짧은 고품질 전류 측정 데이터로 보정하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치
|
| 4 |
4
제 1항에 있어서, 상기 SOC 산출 조건은,충전 전 주차 상태에서 안정 시간이 경과된 후, 충전 후 안정 시간이 경과된 후, 및 주행 후 안정 시간이 경과된 후, 중 적어도 한 가지 조건을 포함하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치
|
| 5 |
5
제 1항에 있어서, 상기 딥러닝 모델1은, 동일한 배터리 전류를 각기 다른 주기로 다양하게 측정한 전류 측정 데이터를 학습하는 딥러닝 모델인 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치
|
| 6 |
6
제 1항에 있어서, 상기 딥러닝 모델2는, 주행 데이터와 전류 측정 데이터가 지정된 SOC 산출 조건이 되었을 때, 배터리 온도에 대응하는 OCV 측정 데이터를 학습하는 딥러닝 모델인 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치
|
| 7 |
7
제 1항에 있어서, 상기 딥러닝 모델3은,서버가 차량 장치로부터 실제 측정되어 전달받은 주행 데이터, 전류 측정 데이터, OCV 측정 데이터, 및 온도 측정 데이터 중 적어도 하나 이상을 바탕으로 산출하여 누적된 SOH 값을, 지정된 구간으로 구분하고, 각 구간별 시작 SOH 값과 종료 SOH 값 사이의 저하된 SOH 값()을 학습하는 딥러닝 모델인 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치
|
| 8 |
8
제 1항에 있어서, 상기 딥러닝 모델2를 학습한 서버는, SOH 예측을 위하여 OCV를 예측해야 할 경우, 딥러닝 모델1 기반으로 보정된 전류 측정 데이터 및 배터리 온도 측정 데이터를 바탕으로 미리 학습한 딥러닝 모델2를 이용하여 OCV를 예측하고, OCV 예측 값에 대응하는 SOC 값이 미리 설정된 LUT(Look Up Table)를 이용하여, 상기 OCV 예측 값에 대응하는 SOC 값을 예측하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치
|
| 9 |
9
제 1항에 있어서, 상기 서버는,SOH 산출 조건이 되었을 때, 산출된 SOC 값을 이용하여 SOH 값을 산출하며,상기 SOH 산출 조건은,전기차가 안정 시간 이상 주차된 상태에서 충전이 수행되고, 충전 후 안정 시간이 경과된 후에 해당되는 조건인 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치
|
| 10 |
10
제 9항에 있어서, 상기 서버는,상기 SOH 산출 조건이 되지 않았을 때, SOH 값을 예측해야 될 경우, 예측된 SOC 값을 이용하여 SOH 값을 예측하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치
|
| 11 |
11
제 1항에 있어서, 상기 서버는,아래의 수학식1 내지 수학식3을 이용하여 SOH 값을 산출하거나 예측하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 장치
|
| 12 |
12
전기차 배터리의 SOH 예측 장치의 프로세서가 전류 측정 데이터, OCV 측정 데이터 및 온도 측정 데이터를 서버에 온라인으로 전달하는 단계; 및상기 서버가 상기 온라인으로 전달되는 전류 측정 데이터를 미리 학습된 딥러닝 모델1 기반으로 보정하며, 미리 학습된 딥러닝 모델2 기반으로 OCV 값을 예측하여 전기차 배터리의 SOH(State of Health) 값을 예측하고, 또한 미리 학습된 딥러닝 모델3 기반으로 전기차 배터리의 SOH를 예측하는 단계;를 포함하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 방법
|
| 13 |
13
제 12항에 있어서, 상기 전기차 배터리의 SOH를 예측하는 단계에서,상기 서버는,미리 학습한 딥러닝 모델1 및 딥러닝 모델2 기반으로 현재 SOH 값이 예측되고, 또한 딥러닝 모델3 기반으로 현재 SOH 값이 예측될 경우, 상기 예측된 두 SOH 값에 앙상블 기법을 적용하여 최종 SOH 값을 예측하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 방법
|
| 14 |
14
제 12항에 있어서, 상기 딥러닝 모델1은, 동일한 배터리 전류를 각기 다른 주기로 다양하게 측정한 전류 측정 데이터를 학습하는 딥러닝 모델이며,상기 딥러닝 모델2는, 주행 데이터와 전류 측정 데이터가 지정된 SOC 산출 조건이 되었을 때, 배터리 온도에 대응하는 OCV 측정 데이터를 학습하는 딥러닝 모델이며,상기 딥러닝 모델3은, 서버가 차량 장치로부터 실제 측정되어 전달받은 주행 데이터, 전류 측정 데이터, OCV 측정 데이터, 및 온도 측정 데이터 중 적어도 하나 이상을 바탕으로 산출하여 누적된 SOH 값을, 지정된 구간으로 구분하고, 각 구간별 시작 SOH 값과 종료 SOH 값 사이의 저하된 SOH 값()을 학습하는 딥러닝 모델인 것을 특징으로 하는 전기차 배터리의 SOH 예측 방법
|
| 15 |
15
제 12항에 있어서, 상기 딥러닝 모델1을 학습한 서버는,측정 주기가 긴 저품질 전류 측정 데이터를 주기가 짧은 고품질 전류 측정 데이터로 보정하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 방법
|
| 16 |
16
제 12항에 있어서, 상기 딥러닝 모델2를 학습한 서버는, SOH 예측을 위하여 OCV를 예측해야 할 경우, 딥러닝 모델1 기반으로 보정된 전류 측정 데이터 및 배터리 온도 측정 데이터를 바탕으로 미리 학습한 딥러닝 모델2를 이용하여 OCV를 예측하고, OCV 예측 값에 대응하는 SOC 값이 미리 설정된 LUT(Look Up Table)를 이용하여, 상기 OCV 예측 값에 대응하는 SOC 값을 예측하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 방법
|
| 17 |
17
제 12항에 있어서, 상기 전기차 배터리의 SOH를 예측하는 단계에서,상기 서버는,SOH 산출 조건이 되었을 때, 산출된 SOC 값을 이용하여 SOH 값을 산출하며,상기 SOH 산출 조건은,전기차가 안정 시간 이상 주차된 상태에서 충전이 수행되고, 충전 후 안정 시간이 경과된 후에 해당되는 조건인 것을 특징으로 하는 전기차 배터리의 SOH 예측 방법
|
| 18 |
18
제 17항에 있어서, 상기 서버는,상기 SOH 산출 조건이 되지 않았을 때, SOH 값을 예측해야 될 경우, 예측된 SOC 값을 이용하여 SOH 값을 예측하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 방법
|
| 19 |
19
제 12항에 있어서, 상기 미리 학습된 딥러닝 모델2 기반으로 OCV 값을 예측하여 전기차 배터리의 SOH 값을 예측하는 단계에서,상기 서버는,아래의 수학식1 내지 수학식3을 이용하여 SOH 값을 산출하거나 예측하는 것을 특징으로 하는 전기차 배터리의 SOH 예측 방법
|
