1 |
1
배터리 관리 시스템(Battery Management System, BMS)으로부터 배터리의 측정값을 수신하는 단계;상기 배터리의 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는 단계; 및사이클 내에서 상기 배터리의 부하 전류가 변화하는 경우 및 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여, 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 포함하는 n차원 벡터를 입력 벡터로 하여 기학습된 기계학습 모델을 이용하여 배터리의 노화 상태를 추정하는 단계 - 여기서 n은 자연수임 - 를 포함하는, 배터리 노화 상태 추정 방법
|
2 |
2
제1항에 있어서,상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들은 방전 전압 분포 엔트로피, 방전 전하량, 및 방전 전류 평균값을 포함하고, 방전 전류 분산 및 방전 전류 분포 엔트로피 중 적어도 하나를 더 포함하는, 배터리 노화 상태 추정 방법
|
3 |
3
제2항에 있어서,상기 방전 전압 분포 엔트로피는 배터리의 내부 저항에 의한 전압 강하를 보상하고, 보상된 방전 전압에 대하여 히스토그램을 생성하고, 상기 히스토그램의 각 구간의 확률을 이용하여 계산되는, 배터리 노화 상태 추정 방법
|
4 |
4
제3항에 있어서,상기 보상된 방전 전압은 하기의 수학식에 의하여 계산되는 - V는 보상된 전압, I는 방전 전류, Ri는 내부 저항임 -, 배터리 노화 상태 추정 방법
|
5 |
5
제4항에 있어서,상기 내부 저항은 하기의 수학식에 의하여 계산되는 - Ri는 내부 저항, SOH는 상기 배터리의 건강상태(state of health), a와 b는 상기 배터리의 특성에 따라 결정되는 계수임 -, 배터리 노화 상태 추정 방법
|
6 |
6
제3항에 있어서,상기 방전 전압 분포 엔트로피는 하기의 수학식에 의하여 계산되는 - H(x)는 방전 전압 분포 엔트로피, xi는 히스토그램의 i번째 구간, p(xi)는 xi에 해당하는 전압이 나타날 확률, N은 전체 구간의 개수임 -, 배터리 노화 상태 추정 방법
|
7 |
7
제1항에 있어서,상기 배터리의 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는 단계는,상기 배터리의 측정값 중 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여 사전에 결정된 건강상태(SOH) 추정에 효과적인 일부 구간에 해당하는 측정값을 이용하여 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는, 배터리 노화 상태 추정 방법
|
8 |
8
제1항에 있어서,상기 기계학습 모델은 장단기 메모리(Long-Short Term Memory, LSTM)인, 배터리 노화 상태 추정 방법
|
9 |
9
제8항에 있어서,상기 n차원 벡터의 각 성분들은 하기의 수학식에 의하여 0과 1 사이의 값으로 변환되어 상기 기계학습 모델에 입력되는 - x는 변환 전 n차원 벡터의 각 성분, xscale은 변환 후 n차원 벡터의 각 성분, xmin은 x의 최소값, xmax는 x의 최대값임 -, 배터리 노화 상태 추정 방법
|
10 |
10
배터리 관리 시스템(Battery Management System, BMS)으로부터 배터리의 측정값을 수신하는 통신부;상기 배터리의 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는 전처리부; 및사이클 내에서 상기 배터리의 부하 전류가 변화하는 경우 및 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여, 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 포함하는 n차원 벡터를 입력 벡터로 하여 기학습된 기계학습 모델을 이용하여 배터리의 노화 상태를 추정하는 추정부를 포함하는, 배터리 노화 상태 추정 장치
|
11 |
11
제10항에 있어서,상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들은 방전 전압 분포 엔트로피, 방전 전하량, 및 방전 전류 평균값을 포함하고, 방전 전류 분산 및 방전 전류 분포 엔트로피 중 적어도 하나를 더 포함하는, 배터리 노화 상태 추정 장치
|
12 |
12
제11항에 있어서,상기 방전 전압 분포 엔트로피는 배터리의 내부 저항에 의한 전압 강하를 보상하고, 보상된 방전 전압에 대하여 히스토그램을 생성하고, 상기 히스토그램의 각 구간의 확률을 이용하여 계산되는, 배터리 노화 상태 추정 장치
|
13 |
13
제12항에 있어서,상기 보상된 방전 전압은 하기의 수학식에 의하여 계산되는 - V는 보상된 전압, I는 방전 전류, Ri는 내부 저항임 -, 배터리 노화 상태 추정 장치
|
14 |
14
제13항에 있어서,상기 내부 저항은 하기의 수학식에 의하여 계산되는 - Ri는 내부 저항, SOH는 상기 배터리의 건강상태(state of health), a와 b는 상기 배터리의 특성에 따라 결정되는 계수임 -, 배터리 노화 상태 추정 장치
|
15 |
15
제12항에 있어서,상기 방전 전압 분포 엔트로피는 하기의 수학식에 의하여 계산되는 - H(x)는 방전 전압 분포 엔트로피, xi는 히스토그램의 i번째 구간, p(xi)는 xi에 해당하는 전압이 나타날 확률, N은 전체 구간의 개수임 -, 배터리 노화 상태 추정 장치
|
16 |
16
제10항에 있어서,상기 전처리부는 상기 배터리의 측정값 중 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여 사전에 결정된 건강상태(SOH) 추정에 효과적인 일부 구간에 해당하는 측정값을 이용하여 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는, 배터리 노화 상태 추정 장치
|
17 |
17
제10항에 있어서,상기 기계학습 모델은 장단기 메모리(Long-Short Term Memory, LSTM)인, 배터리 노화 상태 추정 장치
|
18 |
18
제17항에 있어서,상기 n차원 벡터의 각 성분들은 하기의 수학식에 의하여 0과 1 사이의 값으로 변환되어 상기 기계학습 모델에 입력되는 - x는 변환 전 n차원 벡터의 각 성분, xscale은 변환 후 n차원 벡터의 각 성분, xmin은 x의 최소값, xmax는 x의 최대값임 -, 배터리 노화 상태 추정 장치
|
19 |
19
배터리의 노화 상태를 추정하기 위한, 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램에 있어서, 상기 컴퓨터 프로그램은 상기 컴퓨터에 의해 실행될 때 상기 컴퓨터가:배터리 관리 시스템(Battery Management System, BMS)으로부터 배터리의 측정값을 수신하도록 하고,상기 배터리의 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하도록 하고, 그리고사이클 내에서 상기 배터리의 부하 전류가 변화하는 경우 및 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여, 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 포함하는 n차원 벡터를 입력 벡터로 하여 기학습된 기계학습 모델을 이용하여 배터리의 노화 상태를 추정 - 여기서 n은 자연수임 - 하도록 하는 명령어들을 포함하는, 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램
|
20 |
20
배터리를 구비한 운송수단의 외부에서 구현되고, 상기 운송수단과 무선 통신 방식으로 통신 가능한 배터리 노화 상태 추정 장치에 있어서,상기 배터리 관리 시스템(Battery Management System, BMS)으로부터 상기 배터리의 측정값을 수신하는 통신부;상기 배터리의 측정값을 이용하여 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 계산하는 전처리부; 및사이클 내에서 상기 배터리의 부하 전류가 변화하는 경우 및 상기 배터리의 충전 및 방전이 완전히 진행되지 않는 경우를 고려하여, 상기 방전 전압 및 방전 전류 각각의 사이클 내에서의 변화 특성을 나타내는 인자들을 포함하는 n차원 벡터를 입력 벡터로 하여 기학습된 기계학습 모델을 이용하여 배터리의 노화 상태를 추정하는 추정부를 포함하는, 배터리 노화 상태 추정 장치
|