KR100880717B1 - 뉴럴네트워크연산에 기초한 2차전지의 충전상태를 검출하기위한 방법 및 장치 - Google Patents

Abstract

본 발명의 뉴럴네트워크방식 검출장치는 배터리시스템에 구비되는 2차전지(2차배터리)의 내부상태를 검출하도록 제공된다. 상기 뉴럴네트워크방식 검출장치는 검출유닛, 생성유닛 및 연산유닛을 포함한다. 상기 검출유닛은 배터리의 동작상태를 나타내는 전기신호를 검출한다. 상기 생성유닛은 전기신호를 이용하여, 배터리의 내부상태를 추정하는데 필요한 입력파라미터를 생성한다. 상기 입력파라미터는 배터리의 성능저하상태 및 배터리방식에서의 차이 중 적어도 하나에 따라 배터리의 현재충전상태의 캘리브레이션을 반영한다. 상기 연산유닛은 입력파라미터를 뉴럴네트워크연산에 적용하여 배터리의 충전상태를 나타내는 출력파라미터를 연산한다.

뉴럴네트워크, 2차전지, 충전상태검출, 입력파라미터, 출력파라미터, 개로전압, 내부저항

Description

뉴럴네트워크연산에 기초한 2차전지의 충전상태를 검출하기 위한 방법 및 장치{METHOD AND APPARATUS FOR DETECTING CHARGED STATE OF SECONDARY BATTERY BASED ON NEURAL NETWORK CALCULATION}

도1은 본 발명에 따른 제1실시예에 의하여 채용되는 차량용 배터리시스템의 회로를 나타낸 블록도.

도2는 완전 충전된 배터리로부터 소정 전력량의 방전에 응답하여 검출된 차량용 배터리의 개로전압을 연산하는 방법을 나타낸 플로우차트.

도3은 배터리의 완전충전상태를 결정하기 위하여 이용되는 범위를 나타내는 2차원 맵.

도4는 완전 충전된 배터리로부터 소정 전력량의 방전에 응답하여 검출된 개로전압을 연산하기 위하여 이용되는 근사식을 추정하는 방법을 나타낸 2차원 맵.

도5는 뉴럴네트워크 연산장치의 기능구성을 설명하기 위한 기능블록도.

도6은 뉴럴네트워크 연산장치에 의하여 실행되는 과정을 나타낸 플로우차트.

도7은 종래기술에 대응하는 기술에 따라 개로전압이 사용되지 않을 때 연산되는 SOC(충전상태)에 대한 테스트 결과를 나타낸 그래프.

도8은 제1실시예에 따라 개로전압의 이용으로 연산되는 SOC에 대한 테스트결 과를 나타낸 그래프.

도9는 개로전압의 이용 및 이용되지 않는 두 경우 간의 비교형태에서 여러 성능저하 배터리의 SOC검출에서의 정확도를 설명하는 테이블.

도10은 본 발명에 따른 제2실시예에 의하여 채용되는 차량용 배터리시스템의 회로를 나타낸 블록도.

도11은 캘리브레이션 데이터로서 기능하는 제1 및 제2개로전압에서의 차이를 검출하는 방법을 설명하는 플로우차트.

도12는 제2실시예에서 테스트 될 새로운 배터리와 성능저하 배터리 각각의 방전용량 및 개로전압 간의 관계를 나타낸 그래프.

도13은 제2실시예에서 캘리브레이션 데이터로 되는 제1 및 제2개로전압 간의 차이를 이용하여 SOC 검출에 대한 테스트 결과를 나타낸 그래프.

도14는 종래기술에 대응하는 구성에 따라 제1 및 제2개로전압 간의 차이를 이용하지 않고 SOC검출에 대한 테스트 결과를 나타낸 그래프.

도15는 본 발명에 따른 제3실시예에 의하여 채용되는 차량용 배터리시스템의 회로를 나타낸 블록도.

도16은 캘리브레이션 데이터로서 기능하는 배터리의 내부저항을 검출하는 방법을 설명하는 플로우차트.

도17은 배터리의 내부저항을 연산하기 위한 선형근사식을 결정하기 위하여 이용되는 2차원 맵.

도18은 테스트를 위하여 사용된 각 배터리의 내부저항과 방전용량 간의 관계 를 설명하기 위한 그래프.

도19는 종래기술에 대응하는 구성에 따라 배터리의 내부저항을 이용하지 않고 SOH검출에 대한 테스트 결과를 나타낸 그래프.

도20은 제3실시예에 따라 배터리의 내부저항을 이용하여 SOH검출에 대한 테스트 결과를 나타낸 그래프.

도21은 종래기슬에 대응하는 구성에 따라 캘리브레이션 데이터를 이용하지 않고 SOC 검출에 대한 비교테스트 결과를 나타낸 그래프.

도22는 변형예에서 이루어지는 것으로 캘리브레이션 데이터를 이용하지 않고 SOC검출에 대한 비교테스트 결과를 나타낸 그래프.

도23은 종래기슬에 대응하는 구성에 따라 캘리브레이션 데이터를 이용하지 않고 SOC검출에 대한 비교테스트 결과를 나타낸 그래프.

도24는 다른 변형예에서 이루어지는 것으로 캘리브레이션 데이터를 이용하지 않고 SOC검출에 대한 테스트 결과를 나타낸 그래프.

도25는 본 발명에 따른 제4실시예에 의하여 채용되는 차량용 배터리시스템의 회로를 나타낸 블록도.

도26은 차량이 주행하는 동안 완전충전되는 배터리로부터 소정 전력량의 방전에 응답하여 검출되는 차량용 배터리의 개로전압과 내부저항을 연산하는 방법을 나타낸 플로우차트.

도27은 장치에 설치된 뉴럴네트워크 연산장치의 기능구성을 나타낸 블록도.

도28은 뉴럴네트워크 연산장치의 제1뉴럴네트워크블록의 기능구성을 설명하 는 기능상의 블록도.

도29는 뉴럴네트워크 연산장치의 제2뉴럴네트워크블록의 기능구성을 설명하는 기능상의 블록도.

도30은 제4실시예에 의하여 제공되는 구성에 기초하여 연산되는 SOC에 대한 테스트 결과를 나타낸 그래프.

도31은 제4실시예에 의하여 제공되는 구성에 기초하여 연산되는 SOH(건전상태)에 대한 테스트 결과를 나타낸 그래프.

도32는 배터리의 성능저하 정도를 분류하기 위하여 이용되는 참조맵을 나타낸 도면.

도33은 제4실시예에 따른 뉴럴네트워크 연산장치의 변형예의 기능구성을 설명하는 기능상의 블록도.

도34는 제4실시예에 따른 다른 변형예의 구성과 비교를 위하여 실행되는 뉴럴네트워크 연산장치의 종래형태에서 캘리브레이션 데이터를 이용하지 않고 실행되는 SOC에 대한 테스크 결과를 나타낸 그래프.

도35는 제4실시예의 또 다른 변형예에 따라 캘리브레이션 데이터를 이용하여 실행되는 SOC에 대한 테스트 결과를 나타내는 그래프.

도36은 본 발명에 따른 제5실시예에 의하여 채용되는 차량용 배터리시스템의 회로를 나타낸 블록도.

도37은 완전충전된 배터리로부터 소정 전력량에 응답하여 차량용 배터리의 개로전압과 내부저항을 연산하는 방법을 나타낸 플로우차트.

도38은 제5실시예에 따른 차량용 배터리시스템에서 뉴럴네트워크 연산장치의 기능구성을 설명하는 기능상의 블록도.

도39는 제5실시예와 종래기술에 기초한 구성 간의 비교방법에서, 성능저하 정도가 다른 사용된 여러 테스트 될 배터리의 완전충전상태를 검출함에 있어서 예상되는 오차를 나타낸 그래프.

도40은 본 발명에 따른 제6실시예에 의하여 채용되는 차량용 배터리시스템의 회로를 나타낸 블록도.

도41은 완전충전 배터리 각각으로부터의 소정 전력량의 방전에 응답하여 검출되는 개로전압과 복수개의 결합계수 메모리테이블 간의 대응관계를 나타낸 도면.

도42는 제6실시예에 따른 차량용 배터리시스템에서 뉴럴네트워크 연산장치의 기능구성을 설명하는 기능상의 블록도.

도43은 출력파라미터로서 복수의 결합계수 메모리테이블을 이용하여 SOC를 연산하는 방법을 나타낸 플로우차트.

도44 내지 46은 각각 제6실시예에 의하여 제공되는 구성에 기초하여 이루어진 테스트 결과를 나타낸 그래프.

도47 내지 49는 각각 종래기술에 대응하는 구성에 기초하여 이루어진 비교테스트 결과를 나타낸 그래프.

도50은 본 발명에 따른 제7실시예에 의하여 채용되는 차량용 배터리시스템의 회로를 나타낸 블록도.

도51은 배터리의 개로전압과 내부저항을 연산하도록 이용되는 근사식을 추정 하는 방법을 나타낸 2차원 맵.

도52는 뉴럴네트워크연산에 대한 입력파라미터와 배터리의 SOC를 연산하는 처리방법을 나타낸 플로우차트.

도53은 제7실시예에서의 뉴럴네트워크의 기능구성을 설명하는 기능상의 블록도.

도54는 뉴럴네트워크 연산장치의 학습에 대하여 이용될 사용된 여러 배터리의 용량을 설명하는 테이블.

도55 내지 도57은 각각 제7실시예에 의하여 제공되는 구성에 기초하여 이루어진 테스트 결과를 나타낸 그래프.

도58 내지 도60은 각각 종래기슬에 대응하는 구성에 기초하여 이루어진 비교 테스트 결과를 나타낸 그래프.

도61은 제7실시예의 변형예에 따른 테스트 결과를 나타낸 그래프.

도62는 제7실시예의 다른 변형예에 따른 테스트 결과를 나타낸 그래프.

도63 내지 도65는 각각 제7실시예의 다른 변형예에 따라 이루어진 테스트 결과를 나타낸 그래프.

도69는 본 발명의 제8실시예에 의하여 채용되는 차량용 배터리시스템의 회로를 나타낸 블록도.

도70은 배터리의 물리량을 나타내는 입력파라미터로서 제공되는 비율을 연산하는 방법의 개요를 나타낸 플로우차트.

도71은 완전충전된 배터리로부터 소정의 전력량이 방전되는 상태를 결정하기 위한 서브루틴의 개요를 나타낸 플로우차트.

도72는 제8실시예에서의 뉴럴네트워크 연산장치의 기능구성을 설명하는 기능상의 블록도.

도73은 비교 테스트용으로 이용되는 배터리의 완전충전용량을 설명하는 그래프.

도74는 각 배터리의 개로전압과 SOC 간의 관계를 나타낸 그래프.

도75는 각 배터리의 내부저항과 SOC 간의 관계를 나타낸 그래프.

도76은 각 배터리의 최대방전전력과 SOC 간의 관계를 나타낸 그래프.

도77 내지 도79는 각각 종래기술에 대응하는 구성에 기초하여 이루어진 비교 테스크 결과를 나타낸 그래프.

도80은 각 배터리의 개로전압비율와 SOC 간의 관계를 나타낸 그래프.

도81은 각 배터리의 내부저항비율과 SOC 간의 관계를 나타낸 그래프.

도82는 각 배터리의 최대방전전력비율과 SOC 간의 관계를 나타낸 그래프.

도83 내지 도85는 각각 제8실시예에 따른 구성에 기초하여 이루어진 테스트 결과를 나타낸 그래프.

도86은 제8실시예의 변형예에 따라 이루어진 그래프로서, 배터리의 개로전압과 SOC의 현재값 간의 관계를 나타낸 그래프.

도87은 제8실시예의 변형예에 따라 이루어진 그래프로서, 보정된 배터리의 개로전압과 SOC의 보정을 나타낸 그래프.

도88 내지 도90은 각각 종래기술에 대응하는 구성에 기초하여 이루어진 비교 테스트 결과를 나타낸 그래프.

도91 내지 도93은 각각 제8실시예의 변형예에 의하여 제공되는 구성에 기초하여 이루어진 테스트 결과를 나타낸 그래프.

도94는 전압과 전류의 신호 및 배터리의 개로전압과 내부저항 모두의 데이터 연산 습득을 설명하는 타이밍차트.

도95는 새로운 배터리와 사용된(성능저하된) 배터리 모두의 충전상태 및 SOH, SOC와 완전충전용량의 정의를 나타낸 도면.

*도면의 주요부분에 대한 부호의 설명*

1: 차량용 배터리 2: 차량용 발전기

3: 전기장치 4: 전류센서

5: 배터리상태 검출장치 6: 발전기 제어유닛

7: 뉴럴네트워크 연산장치 8: 버퍼

9: 보정신호발생장치 201: 입력층

202: 중간층 203: 출력층

본 발명은 2차전지의 충전상태를 검출하기 위한 뉴럴네트워크(neural network)방식을 갖는 배터리시스템에 관한 것으로, 보다 상세하게는 예를 들면 차량에 장착되는 이와 같은 배터리의 충전상태의 검출을 향상시키기 위한 뉴럴네트워크방식의 배터리시스템에 관한 것이다.

차량장착 배터리시스템은 대부분 납전지와 같은 2차전지(2차배터리)로 구성된다. 2차전지에서 성능저하 정도는 전압과 전류 등의 배터리의 전기량과 SOC(충전상태)와 SOH(건전상태) 등의 배터리의 충전상태량 간의 보정에 변동을 준다. 상기 SOC는 배터리의 충전율(%)을 나타내고, 상기 SOH는 배터리의 잔존용량(Ah)을 나타낸다. 그러므로 배터리의 성능저하가 진행됨에 따라, SOC 및/또는 SOH를 검출하는데 있어서 정확도가 저하될 수 있어 SOC 및/또는 SOH는 배터리마다 달라진다. 이러한 문제점은 대량 생산되는 각 2차전지의 SOC 및/또는 SOH의 정확한 검출을 어렵게 한다. 따라서 이러한 변동을 안정적으로 방지하기 위하여, 이러한 변동을 각 2차전지의 이용가능한 충전 및 방전범위를 고려하고, 그 결과 상기 범위가 좁아지도록 한다.

예를 들면 일본 특개평9-243716호 공보 및 일본특허공개 제2003-249271호 공보와 같은 몇몇 공지의 문헌은 이와 같은 문제를 개선하기 위한 기술을 제안하고 있다. 즉 이들 문헌은 뉴럴네트워크(소위 "배터리상태의 뉴럴네트워크방식 검출"이라 불림)을 이용하여 2차전지의 SOC 및/또는 SOH를 어떻게 검출하는지에 대하여 제안하고 있다.

예를 들면 일본 특개평9-243716호 공보는 학습된 뉴럴네트워크가 잔존용량을 연산하도록 적어도 개로전압, 방전직 후 검출전압 및 내부저항을 포함하는 입력파 라미터가 이용되는 배터리 잔존용량 검출기술을 제안하고 있다. 또한 일본특허공개 제2003-249271호 공보는 배터리의 성능저하를 나타내는 정보를 연산하도록 제1학습 뉴럴네트워크에 배터리의 전압, 전류와 내부저항 및 온도 데이터가 입력되고, 배터리의 잔존용량을 연산하도록 제2학습 뉴럴네트워크에 상기 정보 및 배터리의 전압, 전류 및 내부저항의 데이터가 입력되는 배터리 잔존용량 검출기술을 제안하고 있다.

상기 뉴럴네트워크는 측정될 대상물의 특성 변동에 대처하는 적응성을 구비하기 때문에, 전술한 바와 같이 배터리상태의 검출에 상기 뉴럴네트워크가 이용되었다.

그러나 종래의 뉴럴네트워크방식 검출장치를 사용하여 SOC 및/또는 SOH가 검출되는 경우라도, 배터리에서의 성능저하로 인하여 측정정확도에서의 변동 및 변화는 충분히 방지될 수 없다. 따라서 SOC 및/또는 SOH에 대한 정확한 검출은 충분히 실용적인 수준이라고 말하기에는 어려움이 있다. 즉 새로운 배터리 및 사용된(오래된, 성능저하된) 배터리는 뉴럴네트워크로 입력될 전류와 전압 이력(history) 데이터와 뉴럴네트워크로부터의 출력파라미터인 SOC, SOH 간의 보정에 차이를 발생한다. 이러한 어려 보정차이의 존재는 뉴럴네트워크를 이용하여 연산이 이루어지는 경우라도 측정 정확도에서의 변동 및 변화를 흡수하기에는 어려움이 있다.

또한 전술한 문제점을 개선하기 위한 기술이 공지되어 있다. 구체적으로 최소제곱접을 이용하여 배터리의 개로전압 및 내부저항의 현재값을 입력파라미터에 부가한다. 그러므로 이들 현재값과, 전압 및 전류 이력데이터가 입력파라미터로서 뉴럴네트워크에 주어진다. 이들 부가 데이터 즉 배터러의 동작상태를 반영하는 현재값은 배터리의 성능저하에 의한 영향을 덜 받고 정확도에서 향상되는 SOC 및/또는 SOH와 같은 출력파라미터를 검출할 수 있다.

그러나 이러한 물리량의 현재값이 입력파라미터의 일부 요소로서 고려되는 경우라도, 배터리의 실질적인 성능저하 진행은 실질적으로 요구되는 높은 수준의 SOC 및/또는 SOH의 검출을 얻거나 유지하는데 어려움이 있다.

한편 거의 모든 각 배터리의 동작을 커버하는 다수의 상태량은 뉴럴네트워크 연산장치로 공급될 수 있다. 이 경우 검출 정확도의 증대를 기대할 수 있다. 그러나 이러한 구성은 연산장치의 회로사이즈가 커지고, 연산부하가 증대되며, 전력이 많이 소비되는 문제점이 있다.

따라서 상기의 제반 문제점을 해결하기 위하여 제안된 것으로, 본 발명은 각배터리의 충전 및 방전특성에서의 차이, 예를 들면 일시적 성능저하의 정도(순환 성능저하) 및/또는 배터리 방식의 차이에 관계없이 높은 정확도로 출력파라미터를 제공할 수 있는 뉴럴네트워크연산을 기초한 2차전지의 충전상태 검출을 위한 방법 및 장치를 제공하는데 그 첫번째 목적이 있다.

또한 본 발명은 단독으로 또는 상기 첫번째 목적과 조합되어 적은 입력파라미터로 출력파라미터를 제공할 수 있는 뉴럴네트워크에 기초하여 2차전지의 충전상태를 검출하고, 배터리의 충전상태를 나타내는 검출정보의 정확도를 높게 유지하기 위한 장치를 제공하는데 두번째 목적이 있다.

상기 본 발명의 첫번째 목적을 달성하기 위하여 본 발명의 기본 관점으로, 배터리시스템에 구비되는 2차전지(2차배터리)의 내부상태를 검출하기 위한 뉴럴네트워크방식의 장치로서, 상기 배터리의 동작상태를 나타내는 전기신호를 검출하기 위한 검출수단; 상기 전기신호를 이용하여, 상기 배터리의 내부상태를 추정하는데 필요하며 상기 배터리의 현재충전상태의 캘리브레이션을 반영하는 입력파라미터를 생성하기 위한 생성수단; 및 상기 입력파라미터를 뉴럴네트워크연산에 적용하여 상기 배터리의 충전상태를 나타내는 출력파라미터를 연산하기 위한 연산수단을 포함하는 뉴럴네트워크방식 검출장치를 제공한다.

본 발명의 제1 내지 제3관점으로서, 상기 전기신호는 소정기간 동안 실시간으로 얻어진 배터리의 전압 및 전류이고, 상기 입력파라미터는 상기 배터리의 동작상태를 나타내는 제1입력파라미터와 상기 배터리의 성능저하상태를 나타내는 제2입력파라미터로 이루어지며, 상기 생성수단은 상기 배터리의 전압과 전류 데이터에 기초하여 상기 제1입력파라미터를 연산하기 위한 제1연산수단, 및 배터리의 소정 충전상태(예를 들면 완전충전된 배터리로부터 소정 전력량이 방전되는 상태)에 응답하여 상기 제2입력파라미터를 연산하기 위한 제2연산수단을 포함하는 것이 바람직하다.

본 발명의 제1 및 제2관점으로서, 상기 출력파라미터 연산수단은 뉴럴네트워 크연산방법에 기초하여 제1 및 제2입력파라미터 모두를 처리함으로써 상기 배터리의 현재충전상태를 나타내는 상기 출력파라미터를 연산하기 위한 수단인 것이 보다 바람직하다.

새로운 배터리가 한 번 사용될 경우, 상기 배터리는 더 이상 새로운 배터리가 아니며, 배터리의 성능저하 정도(순환 성능저하)가 변화되고, 노화된 사용 배터리(즉 성능에서의 성능저하)가 된다. 물론 각 배터리의 성능저하 정도는 배터리방식에 따라 좌우된다. 즉 사용된 모든 배터리의 현재충전상태는 배터리마다 다르다. 따라서 이러한 충전상태의 차이는 모두 "현재의 충전상태"로 반영된다.

그러므로 앞의 기능적 구성은 뉴럴네트워크 캘리브레이션에 대한 입력파라미터에 배터리의 현재충전상태의 캘리브레이션 데이터를 포함하는 기술을 적용하며, 상기 캘리브레이션은 전술한 바와 같이 사용된 배터리의 충전/방전에서의 성능저하 정도를 반영한다. 이러한 캘리브레이션 데이터를 입력파라미터로 포함하는 것은 예를 들면 전압 및 전류 이력 데이터가 입력파라미터로서 단순히 이용되는 경우보다 보다 정확하게 출력파라미터를 연산(추정)할 수 있다. 이러한 연산을 일정간격으로 반복함으로써, 사용된 배터리의 충전상태는 사용된 배터리의 충전/방전의 일시적인 성능저하를 자동으로 추적하여 높은 정확도로 체크할 수 있다.

이러한 캘리브레이션 데이터로서, 예를 들면 사용된 배터리의 성능저하로 인하여 출력파라미터(SOC 등)에서의 변화로 보정을 나타내는 충전관련 물리량을 이용하는 것이 바람직하다. 예를 들면 이러한 충전관련 물리량은 배터리의 소정 충전상태에 응답하여 검출되는 개로전압이다. 이러한 종류의 충전관련 물리량은 본 실시 예의 제1관점에서의 제2입력파라미터로서 참조되며, 상기 제2입력파라미터는 뉴럴네트워크연산을 실행하는 뉴럴네트워크 연산장치에 제공되는 입력파라미터를 형성하도록 제1입력파라미터와 조합된다.

또한 본 발명에 채용될 수 있는 충전관련 물리량은 배터리의 완전충전 및 배터리의 완전충전으로부터 소정 전력량의 방전에 응답하여 얻어진 개로전압 간의 차이를 포함한다. 또한 이러한 물리량으로서, 전술한 전압차 및 완전충전 배터리로부터 소정 전력량의 방전에 응답하여 얻어진 개로전압의 조합이 이용될 수 있다. 또한 완전충전 배터리로부터 소정 전력량의 방전에 응답하여 얻어진 배터리의 내부저항은 이러한 충전관련 물리량으로서 이용될 수 있다. 이와 같이 다양한 물리량은 배터리의 SOC와 SOH의 변화로 보정되어, 성능저하 및/또는 배터리방식의 차이에 따라 각 배터리의 충전/방전에서의 변화의 보정에 대한 캘리브레이션 데이터로서 이용될 수 있다.

본 발명의 제3관점으로서, 상기 제1입력파라미터 연산수단은 제공받은 상기 배터리의 전압과 전류의 데이터에 기초하여 상기 제1입력파라미터로서 전압 이력 데이터 및 전류 이력 데이터를 연산하도록 구성되고, 상기 제2입력파라미터 연산수단은, 상기 배터리의 소정 충전상태에 응답하여 상기 전압 이력 데이터 및 전류 이력 데이터 모두를 이용하여 상기 제2입력파라미터로서 상기배터리의 개로전압과 내부저항을 연산하도록 구성되며, 상기 출력파라미터 연산수단은 상기 배터리의 현재 예상되는 완전충전용량을 나타내는 상기 출력파라미터를 연산하기 위한 수단이다.

이와 같이 완전충전된 배터리로부터 소정 전력량의 방전에 응답하여 검출되 는 배터리의 개로전압과 내부저항만을 입력파라미터에 부가함으로써, 뉴럴네트워크연산에 대한 정확도는 크게 향상될 수 있고, 입력파라미터가 증가하는 것을 방지할 수 있다. 따라서 뉴럴네트워크를 갖거나 갖지 않는 종래 연산장치에 비하여 뉴럴네트워크 연산장치의 사이즈는 작게 유지될 수 있고, 사용된 배터리의 완전충전용량은 정확하게 연산될 수 있다. 연산을 위한 시간은 실제의 사용에 필요한 기간으로 유지될 수 있다. 그 결과 과충전 및 과방전을 유의하지 않고, 이용을 위한 용량범위는 확대될 수 있다. 종래기술에 비하여, 배터리는 보다 소형화로 이루어질 수 있고, 배터리에 대한 필요한 방전용량범위를 커버하기에는 충분하다. 이는 단지 차량에 배터리를 탑재하기 위하여 차지하는 공간을 작게 할 뿐만 아니라, 챠량 본체 무게를 감소시킨다. 그 결과 본 발명의 제2목적을 달성할 수 있다.

본 발명의 제4관점에 따르면, 상기 전기신호는 소정기간 실시간으로 얻어진 상기 배터리의 전압 및 전류이고, 상기 연산수단은 상기 입력파라미터를 제공받는 입력층, 상기 입력파라미터와 기록가능한 결합계수 모두를 이용하여 뉴럴네트워크연산을 실행하는 중간층, 및 상기 출력파라미터를 추정하고 배터리의 충전상태를 나타내는 상기 출력파라미터가 출력되도록 하기 위한 출력층을 구비한 뉴럴네트워크를 포함하고, 상기 생성수단은 테이블마다 서로 다른 메모리테이블에 상기 결합계수가 각각 저장되고, 상기 입력파라미터에서 지정되며 상기 배터리의 성능저하상태로 보정을 갖는 지정된 입력파라미터 특징의 분할범위에서 좌우되는 복수의 메모리테이블을 갖는 메모리; 및 상기 지정된 입력파라미터의 현재값에 응답하여 상기 저장된 결합계수를 읽어들이도록 상기 복수의 메모리테이블로부터의 메모리테이블 을 선택하기 위한 선택수단을 포함하며, 상기 결합계수는 상기 입력층, 중간층 및 출력층을 상호 연결하고, 상기 지정된 결합계수는 상기 뉴럴네트워크연산에 부여된다. 일 예로 상기 입력파라미터는 상기 배터리의 저압 및 전류에서 추정되는 상기 배터리의 전압 이력 데이터, 전류 이력 데이터, 및 개로전압을 포함하며, 상기 지정된 입력파라미터는 상기 배터리가 완전충전상태일 때 얻어지는 배터리의 개로전압이다.

전술한 복수개의 메모리테이블의 선택적인 이용은 뉴럴네트워크연산에 대한 결합계수가 현재 획득한 입력파라미터로 높은 보정을 갖도록 선택될 수 있어, 배터리의 충전상태의 연산 정확도는 증대된다. 이러한 정확한 연산은 연산에 대한 메모리용량이 약간 증대되도록 하는 것을 조건으로 하여 구현될 수 있고, 이에 따라 연산에 대한 회로의 사이즈가 증가하는 것을 방지한다. 메모리테이블을 선택적으로 읽는 것은 메모리에서의 결합계수의 어드레스만을 변화시키기 때문에 연산에 대한 처리시간은 거의 증가하지 않는다. 즉 연산 지연은 발생하지 않는다. 그러므로 메모리용량이 조금 증가함에 따라 배터리의 충전상태는 높은 정확도로 검출될 수 있다.

본 발명의 제5관점에 따르면, 상기 생성수단은 상기 배터리의 성능저하상태 및 배터리의 방식차이 중 하나 이상에 기인하여 상기 배터리의 충전 및 방전특성에 따라 좌우되어 캘리블이션된 입력파라미터를 생성하도록 구성된다. 상기 입력파라미터는, 입력변수로서 상기 개로전압(Vo) 및 내부저항(R)을 이용하고 현재방전가능한 배터리의 전류량에 대한 보정을 나타내는 소정함수f(Vo, R), 및 상기 배터리의 전류(I)를 이용하는, 상기 배터리의 전압(V) 또는 상기 배터리의 전압(V)과 상기 배터리가 완전충전상태일 때 검출되는 배터리의 전압(Vf)의 비율(V/Vf) 중 하나, 상기 배터리의 개로전압(Vo) 또는 상기 배터리의 개로전압과 상기 배터리가 완전충전상태일 때 검출되는 배터리의 개로전압(Vo)의 비율(Vo/Vof) 중 하나, 상기 배터리의 내부저항(R) 또는 상기 배터리의 내부저항(R)과 상기 배터리가 완전충전상태일 때 검출되는 배터리의 내부저항(Rf)의 비율(R/Rf) 중 하나를 포함하는 것이 바람직하다.

이러한 관점에서는 연산을 위한 샘플링된 많은 쌍의 전압 및 전류 데이터가 필요로 되지 않고, 그 결과 회로 사이즈의 증가는 방지될 수 있으며, 또한 뉴럴네트워크연산 정확도는 확보된다. 보다 구체적으로, 상기 입력파라미터는 각 배터리의 성능저하 및 잔존용량에 독립되게 보정된 변수 Vo 및 R을 갖는 함수값f(Vo, R)을 각각 포함한다. 다시 말해서, 개로전압(Vo)과 내부저항(R)을 단독으로 이용하는 것이 비하여, 방전가능 전력량을 나타내는 함수값f(Vo, R)은 각 배터리의 성능저하 및 충전상태를 갖는 높은 보정을 갖는다. 그러므로 그의 잔존용량에서의 배터리의 성능저하의 영향은 전술한 작용효과를 이룰 수 있다.

본 발명의 제6관점에 따르면, 상기 입력파라미터는 상기 배터리의 현재충전상태를 반영하는 복수의 물리상태량으로 구성되며, 상기 복수의 물리상태량은 그 물리상태량 중에서 지정되는 물리상태량의 현재값과 배터리의 소정충전상태에 응답(예들 들면 완전충전된 배터리로부터 소정 전력량의 방전에 응답)하여 얻어진 지정된 물리상태량값 간의 비율을 포함한다.

앞의 제5관점에 의하여 제공되는 다양한 작용효과는 이 제5관점의 구성에서도 유지되며, 따라서 서로 다른 성능저하상태, 사용된 이력 및/또는 초기용량을 갖는 다양한 배터리의 검출에 효과적이다.

본 발명의 추가적인 목적들, 특징들 및 장점들은 다음의 상세한 설명 및 첨부도면으로부터 보다 명료하게 이해될 수 있다.

첨부도면을 참조하여 본 발명에 따른 차량용 배터리시스템의 바람직한 여러 실시예를 설명한다.

다음 실시예들은 제8실시예까지 이루어지는 것으로, 제1실시예(변형예 포함)는 도1 내지 도9 및 도94를 참조하여 설명하고, 제2실시예(변형예 포함)은 도10 내지 도14을 참조하여 설명하고, 제3실시예(변형예 포함)는 도15 내지 도24을 참조하여 설명하고, 제4실시예(변형예 포함)는 도24 내지 도35을 참조하여 설명하며, 제5실시예(변형예 포함)는 도36 내지 도39를 참조하여 설명한다. 또한, 제6실시예(변형예 포함)는 도40 내지 도49와 참조하여 설명하고, 제7실시예(변형예 포함)은 도50 내지 도68을 참조하여 설명하며, 도8실시예(변형예 포함)는 도69 내지 도93을 참조하여 설명한다.

다음 실시예들의 상세한 설명에 앞서, 배터리(2차전지, 충전지)의 충전상태는 도95을 참조하여 정의된다. 도95에 나타낸 바와 같이, "잔존용량"이라 칭한 SOH(건전상태)(Ah)는 방전가능한 배터리의 현재용량을 의미하고, "충전율"이라 칭한 SOC(충전상태)(%)는 배터리 완전충전용량에 대한 배터리 잔존용량의 비율을 의미하며, "완전충전용량Q(Ah)"은 배터리에서의 현재충전가능용량을 의미한다. 그러 므로 예를 들면 아직 사용되지 않은 새로운 배터리는 100%의 SOC에 대응하는 64Ah의 SOH를 갖는 것(즉, 64Ah의 완전충전용량)으로 가정한다. 이러한 배터리에서, 25.6Ah의 SOH는 40%의 SOC에 대응한다. 그리고 이러한 새로운 배터리가 사용되고, 그의 충전능력이 현저히 저하되어 완전충전용량이 40Ah인 것으로 가정한다. 그러나 이러한 용량 또한 100%의 SOC에 대응한다. 이 경우 40%의 SOC는 16.0Ah의 SOH를 의미한다.

(제1실시예)

이하 도1 내지 도9를 참조하여 제1실시예에 따른 차량용 배터리시스템을 설명한다. 이러한 차량용 배터리시스템은 뉴럴네트워크방식의 연산에 기초하며, 본 발명에 따른 배터리시스템에 대응한다.

도1에 나타낸 바와 같이, 차량용 배터리시스템에는 차량용 배터리(이하 간단히 "배터리"라 함)(1) 및 차량용 발전기(2), 전기장치(3), 전류센서(4), 배터리상태 검출장치(5) 및 발전기 제어유닛(6)을 포함하는 다른 전기부품들이 제공된다. 여기에서 도면에 나타낸 바와 같이 상기 배터리상태 검출장치(5)는 뉴럴네트워크 연산장치(7), 버퍼(8), 및 보정신호발생장치(9)를 구비하며, 디지털/아날로그 신호의 컴퓨터 구성 또는 구조 중 하나에 의하여 형성되는 일부 또는 전체로 이루어질 수 있다.

상기 차량용 발전기(2)는 배터리(1)를 충전하고 전기장치(3)에 전력을 공급하도록 차량에 탑재된다. 상기 전기장치(3)는 배터리(1) 또는 발전기(2)에 의하여 전력을 공급받는 차량 전기부하로서 작용한다. 상기 전류센서(4)는 배터리(1)와 전 기장치(2) 사이에 위치되어 배터리(1)로의 충전전류와 방전전류 및 배터리로부터의 충전전류와 방전전류를 검출한다. 또한 상기 배터리상태 검출장치(5)는 배터리(1)의 내부동작(충전/방전)상태를 나타내는 신호를 검출하기 위한 전기회로이다. 상기 배터리(1)의 단자는 배터리상태 검출장치(5)에 연결되어 단자전압(간략히, 전압)은 배터리상태 검출장치(5)로 제공된다.

상기 버퍼(8)는 주로 두 가지 기능을 구비하는데, 하나의 기능은 전압 이력(history)(Vi)과 전류 이력(Ii)을 나타내는 데이터로서 이들 데이터를 기억하고 출력하기 위하여 배터리의 전압(단자전압)(V) 및 전류(I) 모두의 데이터를 제공받는 것이고, 다른 하나의 기능은 개로전압(Vo)의 현재값 및/또는 배터리(1)의 내부저항(R)의 현재값을 연산하고 출력하는 것이다. 상기 개로전압(Vo)은 부하전류가 제로로 간주되는 것을 조건으로 하여 배터리 단자에 나타나는 전압이다.

상기 뉴럴네트워크 연산장치(7)는 버퍼(8) 및 보정신호발생장치(9) 모두로부터 입력되는 여러 방식의 신호를 제공받도록 구성되며, 소정의 저장상태량을 나타내는 신호(본 실시예에서 SOC(충전상태))를 출력하도록 입력된 신호에 뉴럴네트워크연산을 적용한다. 또한 상기 보정신호 발생장치(9)는 뉴럴네트워크 연산장치(7)에 입력데이터의 일부로서 캘리브레이션 데이터(calibration data)를 출력하기 위하여 후술하는 켈리브레이션 데이터를 연산하도록 구성된다.

상기 발전기제어유닛(6)은 뉴럴네트워크 연산장치(7)로부터 출력되는 신호 및 미도시의 여러 다른 구성요소들로부터 제공되는 신호(S_other) 모두에 응답하여 차 량용 발전기(2)에 의하여 발생되는 전력량을 제어하도록 구비된다.

본 실시예에서, 상기 회로는 배터리상태 검출장치(5)가 보정신호 발생장치(9) 뿐만 아니라 버퍼(8)와 뉴럴네트워크 연산장치(7) 모두를 구비하는 것을 특징으로 한다.

상기 버퍼(8), 뉴럴네트워크 연산장치(7) 및 보정신호 발생장치(9), 즉 상기 배터리상태 검출장치(5)는 예를 들면 본 실시예에서는 사전에 설치된 소프트웨어에서 동작하는 마이크로컴퓨터 시스템으로 이루어진다. 그러나 이에 항상 한정되는 것은 아니다. 전용 소프트웨어 회로가 배터리상태 검출장치(5)를 대신할 수 있다.

다음으로 상기 버퍼(8)를 설명한다. 뉴럴네트워크 연산장치(7)에 대한 이전신호(pre-signal) 처리회로로서 기능하는 상기 버퍼(8)는 배터리전압 이력(Vi)과 배터리전류 이력(Ii)을 나타내는 데이터를 기억하도록 배터리(1) 전압(V)신호 및 전류센서(4)로부터의 전류(I)신호 모두를 동시에 일정 간격(예를 들면, T/5초이고, T는 25초임; 도94 참조)으로 샘플링하고, 상기 뉴럴네트워크 연산장치(7)에 대한 각 순간 시간에서 전압(V) 및 전류(I)를 나타내는 데이터를 병렬로 공급한다. 상기 뉴럴네트워크 연산장치(7)에서 연산부하의 경감 및 입력셀 개수의 제한과 같은 여러 인자를 고려하여, 상기 배터리전압 이력(Ii)과 배터리전류 이력(Ii)을 포함하는 전압(V)과 전류(I)의 샘플링 데이터는 현 순간시간을 처리하는 소정기간(예를 들면, T = 25초; 도94 참조) 내에 각 순간 시간에서 필요한 데이터로 이루어진다. 본 실시예에서 예를 들면 전압 이력 데이터(Vi) 및 전류 이력 데이터(Ii)는 각각 5개의 데이터(도94 참조)를 제공하도록 일정간격으로 샘플링되지만, 이에 한정되는 것 은 아니다.

또한 배터리전압 이력(Vi)과 배터리전류 이력(Ii)을 나타내는 데이터를 저장하는 것에 더하여, 상기 버퍼(8)는 배터리전압 이력(Vi)과 배터리전류 이력(Ii) 간의 관계를 나타내는 데이터를 생성하고, 이러한 관련 데이터를 뉴럴네트워크 연산장치(7)에 제공한다. 이러한 관련 데이터는 전압(V) 및 전류(I) 간의 관계를 나타내는 선형근사식(LN)을 컴퓨팅하기 위하여 전압 이력(Vi)과 전류 이력(Ii) 두 데이터가 최소제곱법에 제공되어 생성되고, 상기 근사식(LN)은 전압(V) 및 전류(I) 쌍들이 입력될 때 매 시간 y절편(개로전압(Vo)에 대응) 및/또는 기울기(내부저항(R)에 대응)를 연산하도록 적용되어, 상기 개로전압(Vo)의 현재값 및/또는 내부저항의 현재값(R)이 생성된다(도94 참조). 이들 현재값은 전술한 바와 같이 전압 이력(Vi)과 전류 이력(Ii) 간의 관련 데이터로서 기능할 수 있다. 상기 선형근사식(LN)을 생성하는 방법과 상기 근사식(LN)을 기초로 현재값(Vo, R)을 연산하는 방법은 공지이기 때문에, 본 실시예에서는 이에 대한 상세한 설명은 생략한다.

전술의 최소제곱법은 기억될 데이터량을 감소시키는데 유용하다.

본 실시예에서 SOC가 연산될 경우, 상기 개로전압(Vo)의 현재값은 내부저항(R)의 현재값보다 보다 아주 크다. 그러므로 상기 내부저항(R)의 현재값은 연산에서 생략될 수 있다. 또한 상기 개로전압(Vo) 및/또는 내부저항(R)의 현재값은 생략될 수 있다.

이하 보정신호 발생장치(9)에 대하여 설명한다. 상기 보정신호 발생장치(9)는 미도시된 CPU(중앙처리장치) 및 메모리를 구비한 컴퓨터 시스템으로 형성된다. 상기 CPU는 도2에 나타낸 여러 처리단계로 구성되는 플로우차트에 의하여 제안되는 소프트웨어에서 동작하고, 메모리에 미리 기억된다. 이들 처리단계의 실행을 통해, 상기 CPU 즉 상기 보정신호 발생장치(9)는 배터리(1)가 소정의 전력량에 의한 완전충전상태로부터의 전력을 방전(소정의 전력량의 방전)할 경우에 검출되는 개로전압(Vo)을 연산한다. 그런 다음 상기 보정신호 발생장치(9)는 뉴럴네트워크연산에 대하여 이용되는 캘리브레이션 데이터로서 제공되는 결과적인 개로전압(Vo)을 뉴럴네트워크 연산장치(7)에 제공한다.

다음으로 도2에 나타낸 처리단계를 설명한다.

엔진의 구동 개시에 응답하여 상기 보정신호 발생장치(9)는 그의 연산(단계 S1)을 시작한다. 시작 이후, 상기 보정신호 발생장치(9)는 일정 간격으로 전압(V) 및 전류(I)를 검출하며(단계 S2), 그런 다음 검출된 전압(V) 및 전류(I)를 이용하여 배터리(1)가 후술할 완전충전상태(즉 완전충전결정)인지 여부를 결정하도록 검출된 값을 적용시킨다(단계 S3). 이후 상기 보정신호 발생장치(9)는 전류적분값(Ah)이 소정 충전량과 동일한 소정 문턱값에 도달하였는지 여부를 결정한다(단계 S4 및 S5). 본 실시예에서, 상기 소정 문턱값은 초기 SOC의 100% 내지 95%의 값으로 설정된다. 상기 전압(V) 및 전류(I)는 DC성분을 픽업(pickup)하도록 저역통과필터와 같이 노이즈 저감에 적용될 수 있다.

전류적분값이 소정 문턱값에 도달한 것으로 결정될 경우, 이러한 결정이 이루어질 때 달성되는 개로전압(Vo)의 값은 소정 전력량이 방전될 때 사용되는 개로전압값(Vo)으로 설정된다(단계 S6). 상기 개로전압값(Vo)은 본 발명에 대응하는 것 으로 결정 전력량이 방전될 때 얻어지는 성능저하 상태량을 나타낸다. 상기 개로전압(Vo)은 연산된 값으로 갱신된다(단계 S7). 이러한 개로전압(Vo)은 앞의 개로전압의 현재값과 같은 방식으로 연산된다.

도3을 참조하여 단계 S3에서 실행되는 완전충전상태에 대한 결정을 설명한다. 도3은 버퍼(8)에서 일정간격으로 샘플링되고 기억된 배터리(1)의 전압(V) 및 전류(I)의 데이터 쌍이 2차원적으로 맵핑(mapping)된 2차원 맵을 나타낸 것이다. 이러한 맵에서, 완전충전상태를 결정하는데 이용하기 위하여 소정 영역이 미리 결정된다. 현재 검출된 한 쌍의 전압(V)과 전류(I)를 지정한 좌표점은 그 좌표점이 도3에 나타낸 맵의 소정 영역에 존재하는지 여부에 관하여 맵을 참조하여 이루어진 경우이다. 상기 좌표점이 소정 영역에 있다면, 배터리(1)는 완전충전상태인 것으로 결정한다. 그러므로 이러한 조건에 만족하는 전압(V)은 완전충전상태에 응답하여 개로전압(Vo_full)으로서 정의된다.

상기 전압(V) 및 전류(I)는 현재의 샘플링 직전 소정의 짧은 기간에 걸친 평균값인 평균전압(Va) 및 평균전류(Ia)로 대체될 수 있다.

도4를 참조하여 단계 S6에서 실행되는 개로전압(Vo)값에 대한 연산을 설명한다. 먼저 전력이 완전충전상태에서 소정량 방전되기 직전 연산된 시간의 특정기간 동안 입력된 복수의 전압(V)과 전류(I) 쌍의 데이터에 최소제곱법을 적용하여 상기 전압(V)과 전류(I) 간의 관계를 정의하는 선형근사식(LN)을 얻는다. 상기 전압/전류 쌍의 개수는 소정 값으로 설정된다. 그런 다음 상기 개로전압(Vo)은 근사식(LN) 의 y절편값으로서 연산된다. 이러한 연산값은 소정 전력량이 방전될 때 얻어지는 전술한 개로전압으로서 간주된다.

상기 선형근사식(LN)의 정확도 향상이 요구될 경우, 극성인자(polarization factor)라 하는 물리량이 전압 및 전류데이터(V, I)를 선택하도록 이용될 수 있다. 즉 지나간 전류를 나타내는 데이터는 배터리의 극성 상태를 나타내는 극성인자를 얻도록 이용될 수 있다. 그러므로 극성인자가 소정 범위에 있는 전류 및 전류만이 선형근사식(LN)을 생성하도록 선택적으로 이용될 수 있다.

최소제곱법에서 선형근사식(LN)을 생성하는 방법과 선형근사식에서 개로전압(Vo)을 연산하는 방법은 공지이므로, 여기에서는 이에 대한 상세한 설명은 생략한다.

도5를 참조하여 뉴럴네트워크 연산장치(7)를 그의 구성 및 기능면에서 상세히 설명한다. 예를 들면, 상기 뉴럴네트워크 연산장치(7)는 역전파방법에서 학습하는 세 개의 계층적 피드포워드(feed-forward) 방식의 연산장치로 형성된다. 상기 연산장치(7)에는 이러한 방식으로 제한되는 것은 아니며, 적절히 선택되는 다른 어떠한 뉴럴네트워크방식이 채용될 수 있다.

상기 뉴럴네트워크 연산장치(7)는, 기능적 블록으로서 입력층(201), 중간층(202), 및 출력층(203)으로 구성된다. 그러나 실질적으로 상기 연산장치(7)는 CPU와 메모리를 포함하는 마이크로컴퓨터 시스템을 구비하도록 구성되고, 상기 CPU는 그의 연산에 대하여 주어진 일정간격으로 메모리, 소프트웨어 처리로부터 읽어낸 프로그램을 실행한다.

상기 입력층(201)은 소정 개수의 입력셀로 구성된다. 상기 각 입력셀은 입력데이터(신호), 전압 이력 데이터(Vi), 전류 이력 데이터(Ii), 및 버퍼(8)로부터의 개로전압(Vo)과 내부저항(R)의 현재값을 제공받을 뿐만 아니라, 보정신호 발생장치(9)로부터 소정의 전력량이 방전될 때 얻어지는 개로전압(Vo)값을 제공받는다. 상기 각 입력셀은 제공받은 셀을 중간층(202)에 속하는 모든 연산셀로 전달한다. 상기 중간층(202)에서의 연산셀은 후술한 뉴럴네트워크연산을 입력층(201)의 입력셀로부터 입력되는 데이터에 적용하고, 출력층(203)의 출력셀에 결과적 연산결과를 제공한다. 상기 연산은 SOC를 지향하기 때문에, 상기 출력층(203)의 출력셀은 충전상태(SOC)를 나타내는 출력데이터로서 연산된다.

상기 입력층(201)의 j셀에 입력되는 데이터는 INj로 나타내고, 상기 입력층(201)의 j셀과 중간층(202)의 k셀 간의 결합계수를 Wjk를 나타내는 것으로 가정할 경우, 상기 중간층(202)의 k셀로 입력되는 신호는 다음과 같이 나타낸다.

INPUTk(t) = ∑(Wjk * INj) (j = 1 내지 2m + 3) ...(1)

또한 상기 중간층(202)의 k셀로부터 출력되는 신호는 다음과 같이 나타낸다.

OUTk(t) = f(x) = f(INPUTk(t) + b) ...(2)

여기에서 부호 b는 상수이다.

상기 식(2)은 변수 입력으로서 INPUTk(t) + b를 이용하는 S자 함수라 불리는 비선형함수인 f(INPUTk(t) + b)를 이용함으로써 정의된다. 이러한 함수는 다음과 같이 정의된다.

f(INPUTk(t) + b) = 1/(1 + exp(-(INPUTk(t) + b))) ...(3)

상기 중간층(202)의 k셀과 출력층(203)의 셀 간의 결합계수가 Wk로 나타낼 경우, 상기 출력층(203)에 대한 입력신호는 상기와 유사하게 다음과 같이 나타낸다.

INPUTo(t) = ∑Wk * OUTk(t) (k = 1 내지 Q) ...(4)

부호 Q는 중간층(202)에서의 셀의 개수를 나타낸다. 따라서 순간시간(t)에서의 출력층(203)으로부터의 출력신호는 다음과 같다.

OUT(t) = L * INPUTo(t) ...(5)

여기에서 L은 선형상수이다.

본 실시예에 따른 뉴럴네트워크연산은 시간 t에서의 최종 출력 OUT(t)와 후술하는 미리 측정된 목표출력(즉 참값 tar(t)) 간의 오차를 최소화하기 위하여 셀 간의 결합계수가 최적화되는 학습처리를 도입한다. 상기 출력 OUT(t)는 출력층(203)으로부터 출력되는 출력파라미터, 본 실시예에서는 시간 t에서의 SOC(충전상태)이다.

다음으로 결합계수를 갱신하는 방법에 대하여 설명한다.

상기 중간층(202)의 k셀과 출력층(203)의 각 셀 간의 결합계수(Wk)는 다음의 식에 기초하여 갱신된다.

Wk = Wk + ΔWk ...(6)

여기에서 ΔWk는 다음과 같이 정의된다.

ΔWk = -η *

Ek/

Wk

= η * [OUT(t) - tar(t)] * [

OUT(t)/Wk]

= η * [OUT(t) - tar(t)] * L * [

INPUTo(t)/

Wk]

= η * L * [OUT(t) - tar(t)] * OUTk(t) ...(6)

여기에서 η은 상수를 나타낸다.

상기 값 Ek는 교습데이터(teaching data)와 네트워크 출력 간의 오차를 나타내며, 다음과 같이 정의될 수 있다.

Ek = [OUT(t) - tar(t)] * [OUT(t) - tar(t)]/2 ...(7)

또한 층간층(202)의 k셀과 입력층(201)의 j셀 간의 결합계수 Wjk를 갱신하는 방법에 대하여 설명한다. 상기 결합계수 Wjk는 다음과 같은 식에서 갱신된다.

Wjk = Wjk + ΔWjk ...(8)

여기에서 ΔWjk는 다음과 같이 정의된다.

ΔWjk = -η *

Ek/

Wjk

= -η * [

Ek/

INPUT(t)] * [

INPUTk(t)/

Wjk]

= -η * [

Ek/

OUTPUT(t)] * [

OUTk(T)/

INPUTk(t)] * INj

= -η * [

Ek/

OUTPUT(t)] * [

OUTk(T)/

INPUTo(t)] *

[

INPUTo(t)/OUTk(T)] * f′(INPUTk(t) + b) * INj

= -η * (OUT(t) - tar(t)) * L * Wk * f′(INPUTk(t) + b) * INj

= -η * L * Wk * INj * (OUTsoc(t) - tar(t)) * f′(INPUTk(t) + b)

...(9)

여기에서 f′(INPUTk(t) + b)는 이송함수의 미분계수값이다.

이와 같이 갱신된 새로운 결합계수 Wk 및 Wjk는 출력 OUT(t), 즉 시간 t에서의 SOC를 재 연산하도록 이용된다. 이러한 갱신 및 연산과정은 오차함수 Ek가 주어진 최소값 이하가 될 때까지 반복된다. 그러므로 오차함수 Ek가 주어진 최소값 이하가 되도록 결합계수가 갱신되는 과정은 이전의 학습처리과정이다.

도6을 참조하여 이전의 학습처리과정을 나타낸 플로우차트를 설명한다. 이러한 처리과정에서, 뉴럴네트워크 연산장치(7)로부터 출력되는 타깃은 배터리(1)의 상태를 나타내는 양(즉 충전상태량)이다. 실질적으로 예를 들면 상기 충전상태량은 SOC(충전상태)이다.

먼저 개시가 명령되면, 뉴럴네트워크 연산장치(7)는 적절히 선택된 초기값을 결합계수에 부여한다(단계 S11). 상기 초기값은 예를 들면 난수표(random table)를 이용하여 결정된다. 그런 다음 상기 연산장치(7)는 학습을 위한 앞의 입력신호를 입력신호로서 읽어들이고, 입력층(201)의 각 셀에 수용된다(단계 S12). 상기 결합계수에 부여된 앞의 초기값을 이용하여 상기 입력신호는 뉴럴네트워크 연산에 적용되어 SOC의 값 즉 출력파라미터가 계산된다.

그런 다음 상기 연산장치(7)는 앞의 식에 따른 오차함수 Ek를 연산하고(단계 S14), 상기 오차함수 Ek가 주어진 최소값으로서 제공되는 문턱 "th"보다 작은지 여부를 결정한다(단계 S15). 상기 오차함수 Ek의 값이 문턱 th와 같거나 그보다 클 경우, 상기 연산장치(7)는 결합계수 Kw 및 Wjk가 갱신될 수 있도록 하여 학습처리에서 전술한 갱신량(ΔW)을 계산한 다음(단계 S16), 결합계수 Wk 및 Wjk의 갱신으로 진행한다(단계 S17).

그런 다음 상기 뉴럴네트워크 연산장치(7)에서의 처리과정은 입력층(201)의 셀에서 학습을 위한 입력신호를 다시 읽도록 단계 S12로 복귀된다. 그러므로 SOC는 앞에서와 같이 다시 연산되고, 오차함수 Ek가 역치 th보다 작은 값을 가질 때까지 앞의 처리과정을 반복한다.

이에 대하여 상기 오차함수 Ek가 역치 th보다 작은 값을 나타내는 것으로 연산장치(7)에서 결정할 경우, 상기 연산장치(7)는 학습이 완료되었음을 결정한다(단계 S18). 이러한 결정에 응답하여 상기 학습처리과정은 종료된다.

따라서 상기 뉴럴네트워크 연산장치(7)는 그 연산장치(7)가 앞의 학습처리에 기초하여 대표적인 배터리 방식에 대응하는 다양한 충전/방전 패턴을 학습하거나, 제품을 적하하기 전에 학습결과가 이 연산장치(7)에 미리 기록되도록 제조될 수 있다. 이는 상업적으로 이용가능한 차량에 장착되는 차량용 배터리의 SOC를 연속적으로 추정할 수 있다.

완전충전이 결정되지 못하거나 소정 전력량의 방전에 응답하는 개로전압(Vo)이 검출될 수 없는 경우에는, 개로전압(Vo)으로서 검출되는 최종값이 유지될 수 있다. 또한 완전충전과 관련한 개로전압(Vo) 갱신으로의 다른 접근을 제공할 수 있어, 상기 SOC는 배터리의 사용 동안에 배터리(1)가 얼마나 성능저하되었는지에 따라 정확하게 검출될 수 있다.

(테스트 결과)

성능저하 배터리를 포함하는 몇몇 배터리의 충전/방전 패턴(10.15 모드)을 학습한 뉴럴네트워크 연산장치를 준비한다. 또 다른 성능저하(즉 사용됨) 배터리에 대한 다른 충전/방전 패턴(10.15 모드)가 그 패턴에서 실행되는 뉴럴네트워크연산으로 연산장치에 입력되어 SOC(즉 충전율)을 얻는다. 그 결과는 도7에 나타내었다.

이러한 테스트의 조건은 다음과 같다. 뉴럴네트워크 연산장치(7)에 대한 입력신호는 전압 이력 데이터(Vo)와 전류 이력 데이터(Ii), 개로전압(Vo)의 현재값, 및 내부저항(R)의 현재값을 나타내는 신호이다. 소정의 전력량이 방전될 때 요구되는 개로전압(Vo) 데이터는 이 테스트에 이용되지 않는다. 이와 같이 사용된 배터리는 새로운 배터리의 완전충전상태에서 12.4V의 개로전압(Vo)보다 높은 완전충전상태에서의 12.9V의 개로전압(Vo)을 갖는다. 그 결과 SOC 검출의 오차는 20.7% 만큼(평균제곱오차) 크다.

주어진 전력량(이 경우 0.5Ah)이 완전충전상태로부터 방전될 때 요구되는 개로전압(Vo)이 뉴럴네트워크 연산장치로의 입력신호에 부가되는 경우에서 다른 테스트가 이루어졌다. 그리고 SOC 검출은 앞과 동일한 학습이 반영된 뉴럴네트워크연산에 따라 이루어진다. 이러한 결과는 SOC 검출오차가 20.7%로부터 4.2%로 급격히 감소하는 것을 나타내는 도8에 나타난 바와 같이 얻어진다.

충전/방전 패턴(10.15 모드)의 사용과 유사하게 SOC 검출오차를 얻도록 완전충전전력으로부터 소정 전력의 방전에 응답하여 개로전압(Vo)이 사용되고 사용되지 않는 두 경우에서 다른 테스트를 실행한 것으로, 테스트 견본으로서 5개의 성능저하 배터리가 사용되었다. 이 테스트 결과는 실질적으로 동일한 뉴럴네트워크연산에 적용하는 것을 고려하지 않고, 완전충전상태 후에 소정 전력량이 방전될 때 필요로 되는 개로전압(Vo)만의 적용이 SOC 검출오차를 크게 감소시킬 수 있다는 것을 나타 내는 것임을 도9에 나타내었다.

본 실시예에서 본 발명에 따른 "배터리의 소정 충전상태"는 일 예로 완전충전된 배터리(1)로부터 소정 전력량이 방전되는 상태에 대응한다.

(변형예)

도5에 나타낸 뉴럴네트워크연산의 구성에서, 입력신호는 전압 이력(Vi) 및 전류 이력(Ii) 데이터만으로 제한될 수 있고, 소정의 전력량이 방전될 때 얻어진 개로전압(Vo) 데이터가 캘리브레이션 데이터로서 이용될 수 있다. 이러한 변형된 구성의 효과를 확인하기 위하여, 두 개의 구성을 이용하여 추가적으로 사용된 배터리의 SOC 검출오차에서 비교 테스트를 실행하였는데, 하나의 구성은 앞의 입력신호를 사용하지만 캘리브레이션 데이터는 사용하지 않고 실행되고, 다른 하나의 구성은 앞의 입력신호 및 캘리브레이션 데이터를 사용하여 실행되었다. 상기 테스트 결과는 도21 및 도22에 나타내었다. 도21은 캘리브레이션 데이터가 사용되지 않은 것으로 S0C 검출오차가 14.9% 만큼 많은 경우를 나타낸 도면이며, 도22는 캘리브레이션 데이터가 사용된 경우로 SOC 검출오차가 4.1%까지 크게 떨어지는 것임을 알 수 있는 도면이다.

또 다른 변형예도 가능하다. 즉 도5에 나타낸 뉴럴네트워크연산의 구성에서, 입력신호는 전압 이력(Vi)의 데이터만으로 제한될 수 있고, 소정 전력량이 방전될 때 얻어지는 개로전압(Vo)의 데이터가 캘리브레이션 데이터로 이용될 수 있다. 이러한 변형된 구성의 효과를 확인하기 위하여, 두 구성을 이용하여 또 다른 사용된 배터리의 SOC에서 실행되는 비교 테스트를 실행하였는데, 하나의 구성은 앞의 입력 신호는 이용하고 캘리브레이션 데이터를 이용하지 않고 실행한 것이고, 다른 하나의 구성은 앞의 입력신호 및 캘리브레이션 데이터 모두를 이용하여 실행한 것이다. 이러한 테스트 결과는 도23 및 도24에 나타내었다. 도23은 캘리브레이션 데이터가 이용되지 않은 경우를 나타낸 것으로, SOC 검출오차가 11.3%만큼 크고, 도24는 캘리브레이션 데이터가 이용되는 경우를 나타낸 것으로, 제1변형에와 같이 SOC 검출오차가 5.3%까지 크게 감소되는 것을 알 수 있다.

(제2실시예)

본 발명의 차량용 배터리시스템에 따른 제2실시예를 도10 내지 도14를 참조하여 설명한다.

제2실시예에서 채용된 차량용 배터리시스템은 보정신호 발생장치의 동작을 제외하고 제1실시예에서 채용된 차량용 배터리시스템과 동일하다. 그러므로 설명의 간략화를 위하여, 제1실시예와 동일한 구성요소는 동일부호를 부여하며, 상세한 설명은 생략한다. 이는 이후의 다른 실시예들에서도 동일하게 적용된다.

도10에 나타낸 바와 같이, 제2실시예는 제1실시예와 다르게 두 개로전압(Vo) 간의 차이(ΔV)를 이용하도록 구성되는 보정신호 발생장치(19)를 갖는 배터리상태 검출장치(15)를 채용한다. 제1실시예에서는 배터리(1)가 완전충전상태에서 소정 전력량으로 방전될 때 검출되는 개로전압(Vo)만을 이용한다. 이러한 전력량 대신에, 상기 보정신호 발생장치(19)는 배터리(1)가 완전충전상태에서 소정 전력량을 방전할 때 검출되는 개로전압(Vo)과 배터리(1)가 실질적으로 완전충전상태일 때 검출되는 개로전압(Vo) 간의 차이(ΔV)를 이용한다.

상기 보정신호 발생장치(19)에 의하여 실행되는 처리과정은 도11에 나타내었다.

도11에 나타낸 바와 같이, 엔진의 시동에 응답하여 상기 보정신호 발생장치(19)는 연산을 개시한다(단계 S21). 상기 개시 이후 상기 보정신호 발생장치(19)는 일정 간격으로 배터리(1)의 전압(V) 및 전류(I)를 검출하고(단계 S22), 이후 검출된 전압(V)과 전류(I)를 이용하여 검출값을 배터리(1)가 완전충전상태인지 여부의 결정에 적용시킨다(즉 완전충전결정)(단계 S23). 상기 배터리(1)가 완전충전상태인 것으로 결정될 경우, 상기 보정신호발생장치(19)는 전류적분값(Ah)을 연산하도록 전류(I)의 적분을 개시한다(단계 S24). 본 실시예에서 소정의 제1문턱값은 초기 SOC의 100 내지 95%의 값으로 설정된다.

상기 단계 S25에서의 결정이 긍정일 때, 즉 상기 전류적분값(Ah)이 소정의 제1문턱값에 도달할 경우, 거의 완전충전상태에서 검출되는 제1개로전압(Vo1)은 제1실시예와 동일 방식으로 얻어진 근사식(LN)의 y절편값을 검출함으로써 연산된다(단계 S26). 예를 들면 소정의 제1방전량은 제로(zero)의 값으로 설정될 수 있다. 이 경우 정확한 완전충전상태에서의 개로전압(Vo)이 얻어질 수 있다.

이러한 검출 이후, 상기 전류의 적분은 다시 개시되고(단계 S27), 적분된 전류가 제2방전량과 동일한 제2문턱값에 도달하는지 여부를 결정한다(단계 S28). 상기 제2방전량은 제1방전량보다 크도록 설정된다. 설명된 바와 같이, 근사값(LN)은 제2개로전압(Vo)을 연산하도록 계산된다. 최종적으로 상기 제1 및 제2개로전압(Vo1, Vo2) 간의 차이(ΔV)는 Vo2 - Vo1을 실행함으로써 연산된다(단계 S30).

(테스트 결과)

용량 및 성능저하 정도가 서로 다른 여러 배터리들을 이용하여, 10.15주행모드에서 실제 구동하는 동안 테스트를 실행하였다. 이 테스트에서 전류(I) 및 단자전압(V)은 뉴럴네트워크 연산장치에 대하여 입력신호를 발견하도록 측정되고, 상기 연산장치는 목표 출력으로서 SOC의 참값(적분된 전류값에서 연산됨)을 이용하여 학습된다. 도12는 배터리의 방전/개로전압 특성 부분을 나타낸 도면이다.

전압 이력 데이터(Vi), 전류 이력 데이터(Ii), 각 배터리의 내부저항(R)값, 및 개로전압값(Vo1, Vo2)에 부가하여, 캘리브레이션 데이터로서 전압차이(ΔV) 값이 이용된다. 상기 제[1방전량은 0.5Ah이고, 상기 제2방전량은 5Ah이다. 상기 SOC의 검출결과는 도13에 나타내었다. SOC 참값과 검출된 SCO값 간의 차이는 오차가 약 5.7%인 결과를 갖는 평균제곱오차로서 평가된다.

비교를 위하여 캘리브레이션 데이터로서 제공되는 전압차(ΔV)(그러므로 제1방전량을 방전함에 있어서의 개로전압(Vo1))가 뉴럴네트워크 연산장치(7)에 부여되지 않은 조건에서 SOC를 검출하기 위하여 다른 테스트가 실행되었으며, 그 테스크 결과는 도14에 나타내었다. SOC와 개로전압(Vo) 간의 보정은 배터리의 성능저하 정도에 좌우되어 달라지기 때문에, 검출오차는 12.3%이다. 따라서 12.3%로부터 5.7%로 검출오차가 향상되는 것을 나타낸 전술한 테스트는 캘리브레이션 데이터로서 뉴럴네트워크 연산장치에 전압차(ΔV)의 입력에 따른 것이다.

(제3실시예)

본 발명의 차량용 배터리시스템에 따른 제3실시예를 도15 내지 도24를 참조 하여 설명한다.

제3실시예의 배터리스템의 구성 및 동작은 실질적으로 전술한 실시예들의 구성 및 동작과 동일하지만, 보정신호 발생장치와 뉴럴네트워크 연산장치의 구성 및 동작에 있어서는 전술한 실시예와 다르다.

제3실시예에 따른 차량용 배터리시스템은 전술한 보정신호발생장치와 뉴럴네트워크 연산장치 대신에 보정신호 발생장치(29)와 뉴럴네트워크 연산장치(17)를 갖는 배터리상태 검출장치(25)를 제공한다.

상기 보정신호 발생장치(29)는 캘리브레이션 데이터로서 완전충전상태에서 소정의 전력량을 방전함에 있어서 검출되는 개로전압 대신에, 소정의 전력량이 완전충전상태에서 방전될 때 검출되는 배터리(1)의 내부저항(R)을 채용한다. 한편 상기 뉴럴네트워크(17)는 SOC(충전상태) 대신에 잔존용량을 나타내는 SOH(건전상태)를 나타내는 데이터를 출력하는 출력층(203)을 구비한다.

또한 상기 캘리브레이션 데이터는 완전충전상태에서 소정의 전력량이 방전될 때 검출되는 개로전압(Vo)과 내부저항(R) 두 데이터로 구성될 수 있다.

도16은 보정신호 발생장치(29)에 의하여 실행되는 처리과정을 나타낸 도면이다.

상기 보정신호 발생장치(29)에서, 처리과정은 차량의 주행에 응답하여 개시되고(단계 S41), 전압(V) 및 전류(I)가 일정간격으로 검출된다(단계 S42). 그런 다음 상기 검출된 전압(V)과 전류(I)의 데이터는 완전충전상태를 결정하기 위하여 이용된다(단계 S43). 상기 배터리가 완전충전상태인 것으로 결정될 경우, 검출된 데 이터의 적분 데이터는 전류적분량(Ah)(단계 S44)을 제공하도록 시작된다. 그런 다음 전류적분량이 완전충전력의 부분적 소비량인 소정의 방전전력량에 도달하는지 여부를 결정한다(단계 S45). 상기 결정이 긍정일 때, 즉 상기 전류적분량이 소정의 방전전력량에 도달할 경우, 근사식(LN)은 전술한 근사식과 유사한 방식으로 평가되어 내부저항(R)값은 근사식(LN)의 기울기로부터 알 수 있다(단계 S26).

전술한 처리과정에서, 완전충전상태 및 내부저항(R)의 연산은 전술한 방법과 동일한 방법으로 실행된다. 다시 말해서 배터리(1)로부터 검출된 전압(V)과 전류(I)의 데이터는 최소제곱법에서 선형근사식(LN)을 평가하도록 이용되고, 상기 근사식(LN)의 기울기는 도17에서 예시한 바와 같이 내부저항(R)을 나타내는 양이 됨으로써 연산된다.

참고로 소정 방식의 몇몇 사용된 배터리에 대하여 내부저항(R)과 방전전력량 간의 관계를 도18에 나타내었다. 도18로부터 완전충전전력량이 사용된 배터리에 의해 좌우되지만, 사용된 모든 배터리들은 그의 완전충전량에서 거의 동일하거나 그 부근(즉 OAh의 방전량으로부터 되는 작은 범위에)인 것임을 나타낸다. 그러므로 성능저하를 나타내는 표시로서 이러한 범위 내에 초기 내부저항값(R)을 이용하기에는 어려움이 있다. 이에 대하여 방전량이 증가함에 따라 초기내부저항(R)의 차이는 특징적으로 크게 이루어진다. 따라서 내부저항(R)의 데이터는 소정의 전력량이 완전충전상태로부터 방전된 후 그 내부저항(R)이 평가되는 한(즉, 상당한 전력량이 방전된 후 평가됨), 입력신호로서 채용될 수 있다. 그러므로 이러한 초기내부저항(R)은 배터리의 성능저하에 대한 특징적인 표시로서 작용할 수 있어, 배터리의 잔존용 량은 정확하게 검출될 수 있다.

(테스트 결과)

앞의 실시예들과 유사하게, 본 실시예에 의하여 구현되는 구성을 확인하기 위한 테스트가 실행되었다. 실질적으로 용량 및 성능저하 정도에서 서로 다른 학습용 몇몇 배터리들이 10.15 주행모드 하에서 각 배터리의 전류(I) 및 단자전압(V)이 측정되는 동안 테스트에 적용되었다. 측정된 데이터를 이용하여 뉴럴네트워크 연산장치에 대한 입력신호가 연산되고, 목표 출력으로서 제공되는 잔존용량에 기초하여 학습이 이루어진다. 상기 입력신호는 전압 이력 데이터(Vi), 전류 이력 데이터(Ii), 최소제곱법을 이용하여 발견한 내부저항(R)의 현재값(즉 근사식(LN)의 기울기), 개로전압(Vo)의 현재값(즉 근사식(LN)의 y절편), 및 소정 전력량이 완전충전전력으로부터 방전될 때 얻어지는 내부저항(R)값이다.

학습을 위한 배터리 이외, 10.15모드에서 주행하는 동안 검출된 입력신호를 이용하여 SOH를 평가하도록 뉴럴네트워크연산에 다른 성능저하 배터리(10.5Ah 및 27Ah의 완전충전용량을 가짐)가 적용된다. 상기 검출된 결과는 도19 및 도20에 나타낸 것으로, 도20의 결과는 5Ah 양이 완전충전전력으로부터 방전되는 경우에 얻어지는 초기내부저항(R)을 이용하여 얻어진 것이고, 도19의 결과는 내부저항값을 이용하지 않고 얻어진 것이다.

검출의 정확한 평가는 앞의 두 테스트 예시에서 참값과 검출값 간의 평균제곱오차로서 이루어진다. 상기 검출의 정확도는 전력 5Ah가 방전될 때 얻어진 초기내부저항(R)을 적용함으로써 4.7Ah으로부터 0.8Ah로 크게 향상된 것임을 알 수 있 다.

앞의 실시예에 채용될 있는 변형예를 제공하며, 버퍼(8)의 샘플링 타이밍과 관련된다. 앞의 실시예에서, 전압 및 전류 이력(Vi 및 Ii)에 대한 샘플링이 일정 간격으로 이루어지지만, 이에 한정되지 않는다. 대신에 전압 및 전류가 소정값으로 충전되는 언제라도 샘플링을 충분히 실행할 수 있다.

(제4실시예)

도25 내지 도32를 참조하여 본 발명의 차량용 배터리시스템에 따른 제4실시예를 설명한다.

본 실시예에 따른 차량용 배터리는 캘리브레이션데이터로서 완전충전상태의 배터리(1)로부터 소정의 전력량을 방전하는 것에 응답하여 얻어지는 배터리(1)의 개로전압(Vo) 및 배터리(1)의 내부저항(R) 모두를 이용하여 SOC(충전상태) 및 SOH(건전상태) 를 나타내는 정보를 검출하도록 뉴널네트워크연산을 실행하는 것을 특징으로 한다.

이러한 특징에 대하여 상기 차량용 배터리시스템은 도25에 나타낸 바와 같이 버퍼(18), 뉴럴네트워크 연산장치(27) 및 보정신호 발생장치(39)를 갖는 배터리상태 검출장치(35)를 제공한다.

제1실시예와 유사하게, 상기 버퍼(18)는 전압과 전류 이력 데이터(Vi, Ii)의 전처리를 실행한다. 또한 상기 버퍼(18)는 공지 기술에 의하여 전압 및 전류데이터(V, I)간의 관계를 반영한는 근사식(LN)(도4 참조)을 생성하도록 최소제곱법을 이들 전압 및 전류 이력 데이터(Vi, Ii)에 적용한다. 이러한 근사식(LN)을 이용하여 상기 버퍼(18)는 전압 및 전류데이터(V, I)가 읽혀질 때마다 근사식(LN)의 y절편값(즉 개로전압)을 연산하여 배터리(1)의 개로전압의 현재값(Vo)을 얻는다. 전압 및 전류 이력 데이터(Vi, Ii)와 상호 관련한 데이터로서 기능하는 이러한 개로전압의 현재값(Vo)은 뉴럴네트워크 연산장치(7)로 제공된다.

상기 보정신호 발생장치(39)는 앞의 개로전압값(Vo)과 내부저항(R)을 연산하고, 캘리브레이션 데이터로서 뉴럴네트워크 연산장치(7)에 이들 값의 데이터를 제공하도록 구성된다. 도26을 참조하여 이들 값을 연산하는 방법에 대하여 설명한다.

엔진의 시동에 응답하여 상기 보정신호발전장치(39)는 연산을 개시한다(단계 S51). 개시 이후, 상기 보정신호 발생장치(39)는 일정간격으로 배터리(1)의 전압(V) 및 전류(I)를 검출하고(단계 S52), 그런 다음 검출된 전압(V) 및 전류(I)를 이용하여 그 검출된 값이 배터리(1)가 완전충전상태인지 여부를 결정하도록 적용된다(단계 S53). 그런 다음 상기 보정신호 발생장치(39)는 전류적분을 개시하도록 명령하고, 적분된 전류값(Ah)이 소정 방전량에 도달하는지 여부를 결정한다(단계 S54, S55).

적분된 전류값이 소정 방전량에 도달하는 것으로 결정될 경우, 이러한 결정이 이루어질 때 얻어지는 개로전압값(Vo)은 소정 전력량이 방전될 때 검출되는 개로전압(Vo)으로서 연산된다(단계 S56). 지금까지 기억된 개로전압(Vo)은 이러한 연산값으로 갱신된다(단계 S57).

또한 전술한 바와 같이 개로전압(Vo)의 연산에 응답하여 배터리(1)의 내부저항(R) 값은 앞서 설명한 바와 같이 근사식(LN)의 기울기를 계산함으로써 연산되고( 단계 S58), 지금까지 기억된 기억내부저항(R)은 연산된 값으로 갱신된다(단계 S59).

상기 뉴럴네트워크 연산장치(27)는 기능적으로 도27에 나타낸 바와 같이 SOC(충전상태)를 연산하기 위한 제1뉴럴네트워크블록(1071) 및 SOH(건전상태)를 연산하기 위한 제2뉴럴네트워크블록(1072)을 제공한다. 실질적으로 이들 뉴럴네트워크블록(1071, 1072)은 두 세트의 처리과정에 의하여 기능적으로 구현되는데, 예를 들면 각 단계는 소정 간격에서의 세트 세트마다 실행된다. 보다 구체적으로 CPU 및 메모리를 갖는 마이크로컴퓨터 시스템이 뉴럴네트워크 연산장치(27)에 이용될 수 있다. 두 세트의 처리과정을 제안하는 처리과정의 데이터는 메모리에 미리 저장되고, 상기 CPU는 제안된 처리과정에서의 처리를 실행할 수 있다.

상기 SOC에 대한 제1뉴럴네트워크블록(1071)은 도28에 기능적으로 나타내고, SOH에 대한 제2뉴럴네트워크블록(1072)는 도29에 기능적으로 나타내었다. 두 블록(1071, 1072) 간의 차이는, SOC에 대한 제1블록(1071)으로의 입력신호(파라미터)가 내부저항(R)의 신호에 포함되지 않지만 SOH에 대한 제2블록(1072)은 내부저항(R)에 포함되는 구성에서 그 차이가 있다. 상기 내부저항(R)을 이용하거나 이용하지 않는 것을 제외하고는 블록(1071, 1072) 양측은 그의 구성에서 동일하다. 그러므로 상기 제1블록(1072) 및 제2블록(1072)을 대표하여 제1블록(1071)을 설명한다.

도28에 나타낸 상기 SOC에 대한 제1뉴럴네트워크블록(1071)은 전술의 뉴럴네트워크블록과 같이, 역전파방법에서 학습하는 세 개의 계층적 피드포워드방식 연산장치로 형성된다. 그러나 이는 하나의 일 예이고, 다른 어떠한 뉴럴네트워크방식이 적절히 선택되어 이 블록(1071)에 적용될 수 있다. 상기 블록(1071)은 소정 개수의 입력셀을 갖는 입력층(201)을 구비한다.

상기 각 입력셀은 입력데이터(신호)로서 전압 이력 데이터(Vi), 전류 이력 데이터(Ii) 및 배터리(1)로부터의 개로전압(Vo)과 내부저항(R)의 현재값을 제공받을 뿐만 아니라, 캘리브레이션데이터로서 소정의 전력량이 방전될 때 보정신호 발생장치(39)로부터 얻어진 개로전압(Vo)의 값을 제공받는다. 상기 각 입력셀은 증간층(202)에 속하는 모든 연산셀에 제공받은 데이터를 부여한다.

상기 중간층(202)의 연산셀은 입력층(201)의 입력셀로부터 입력되는 데이터에 뉴럴네트워크 연산을 적용하고, 출력층(203)의 출력셀에 결과적인 연산결과를 제공하는 역할을 한다. 상기 연산은 SOC로 지향되기 때문에, 상기 출력층(203)에서의 출력셀은 SOC를 나타내는 출력데이터로서 제공된다.

상기 제1뉴럴네트워크블록(1071)의 학습방법은 근사식(1) 내지 (9) 및 도6과 관련하여 전술한 바와 같이 동일하다.

(테스트 결과)

사용된 배터리를 포함하는 몇몇 배터리의 소정의 충전/방전 패턴(10.15모드)을 학습한 제1뉴럴네트워크 연산장치(즉 SOC 전용 연산장치)가 준비된다. 추가적으로 사용된 배터리에 대한 다른 충전/방전 패턴(10.15모드)가 상기 패턴에서 실행되는 뉴럴네트워크연산으로 상기 연산장치에 입력되어 SCO(즉 배터리의 충전율)가 얻어진다. 이러한 결과를 도30에 나타내었다.

이 테스크 조건은 다음과 같다. 상기 제1뉴럴네트워크 연산장치로의 입력신 호는 전압 이력 데이터(Vi), 전류 이력 데이터(Ii) 및 개로전압(Vo)의 현재값(즉 최소제곱 근사식(LN)의 y절편에 의하여 제공된 현재값)을 나타내는 신호이다. 상기 캘리브레이션 데이터는 완전충전으로부터 소정량(0.5Ah)의 방전에 응답하여 검출되는 개로전압(Vo)이다. 이러한 테스트는 1.9%의 검출오차를 나타내며, 뉴럴네트워크 연산은 크게 향상된다.

앞의 테스트에서 사용된 배터리 그룹의 몇몇 충전/방전 패턴(10.15모드)을 학습한 제2뉴럴네트워크 연산장치(즉 SOH전용 연산장치)가 준비된다. 앞의 테스트에서 사용된 추가적인 사용된 배터리에 대하여 다른 충전/방전 패턴(10.15모드)이 그 패턴에서 실행되는 뉴럴네트워크연산으로 상기 연산장치로 입력되어 잔존용량을 나타내는 SOH를 얻는다. 이러한 결과를 도31에 나타내었다.

테스트 조건은 다음과 같다. 상기 제2 뉴럴네트워크 연산장치에 대한 입력신호는 전압 이력 데이터(Vi)와 전류 이력 데이터(Ii), 개로전압(Vo)의 현재값(즉 최소제곱 근사값(LN)의 y절편에 의하여 제공되는 현재값), 및 내부저항(R)을 나타내는 현재값(즉 최소제곱 근사값(LN)의 기울기)을 나타내는 신호이다. 상기 캘리브레이션 데이터는 완전충전으로부터 소정 전력량(예를 들면 0.5Ah)의 방전에 응답하여 검출되는 개로전압(Vo) 및 동일 방전에 응답하여 검출된 내부저항(R)이다. 이러한 테스트는 SOH에 대한 검출오차가 1.1Ah인 것을 나타내었으며 이는 크게 향상시킨다.

앞에서 연산된 SOC와 SOH의 값은 예를 들면 도32에 나타낸 맵을 이용하여 분류될 수 있고(SOC의 경우에서), 성능저하 정도를 나타내는 정보가 제공될 수 있다. 도32에 나타낸 성능저하정도 맵은 미리 제공되고 뉴럴네트워크 연산장치에 구비된 메모리에 기억된다. 도32에 나타낸 이러한 예시의 맵은 SOC의 양 및 완전충전용량(Q)에 좌우되는 섹션(단계)을 구비하여, 연산된 SOC 데이터는 연산된 데이터 실패 스텝을 결정하도록 12스텝의 성능저하 정도를 참조하여 이루어진다.

(변형예)

제4실시예의 몇몇 변형예가 다음과 같이 제공될 수 있다.

제1변형예는 배터리의 성능저하 정도의 연산에 관련된다. 상기 배터리의 성능저하 정도는 "SOH의 현재값(SOC X Q_intial)"을 연산함으로써 얻어질 수 있다. 여기에서 Q_intial은 테스트될 배터리의 초기 완전충전용량을 나타내며, 이는 미리 테스트되고 초기 데이터로서 기억된다. 이러한 방식의 연산은 연산장치(27)에 전달가능하게 연결되는 다른 연산장치 또는 그 연산장치(27) 자체에 의하여 실행될 수 있어, 상기 각 배터리의 성능저하 정도는 정확한 각각의 SOC, SOH를 제공할 수 있다.

도33은 제2변형예를 나타낸 도면으로, 뉴럴네트워크 연산장치의 다른 형태에 관한 것이다. 도33에 기능적으로 나타낸 뉴럴네트워크 연산장치(37)는 제1뉴럴네트워크블록(1071) 및 제2뉴럴네트워크블록(1072A)을 갖도록 구성된다. 이들 블록에서, 상기 제1뉴럴네트워크블록(1071)은 도27에 나타낸 블록과 동일하며, 상기 제2뉴럴네트워크블록(1072A)은 입력데이터로서 제4실시예의 SOC 데이터와 유사하게 연산된 SOC 데이터, 소정량의 방전에 응답하여 검출되는 개로전압(Vo), 및 이 방전에 응답하여 검출되는 내부저항(R)을 제공받는다. 그러므로 학습을 통하여 SOH의 값을 연산할 수 있다. 따라서 상기 SOH는 제4실시예에서 연산된 SOC와 같이 거의 동일한 검출 정확도로 연산될 수 있다.

제3변형예는 입력 및 캘리브레이션 데이터를 제공하는 방법이다. 도29에 나타낸 뉴럴네트워크 연산장치(27)의 구성에서, 상기 입력신호는 전압 이력(Vi)과 전류 이력(Ii) 데이터만으로 제한될 있고, 캘브레이션 데이터로서 소정 전력량이 방전될 때 얻어진 개로전압(Vo)과 내부저항(R) 데이터가 이용될 수 있다. 이러한 변형된 구성의 효과를 확인하기 위하여 두 구성을 이용하여 추가적으로 사용된 배터리의 SOC 검출오차에서 비교 테스트가 실행되었다. 여기에서 상기 두 구성 중 하나의 구성은 앞의 입력신호를 사용하고 캘리브레이션 데이터를 사용하지 않고 실행된 것이고, 다른 하나의 구성은 입력신호 및 캘리브레이션 데이터 모두를 사용하여 실행한 것이다. 도34 및 도35에 이러한 테스크 결과를 나타낸 것이다. 도34는 캘리브레이션 데이터가 사용되지 않는 경우를 나타낸 것으로 SOC 검출오차는 9.1% 만큼 크고, 도35는 캘리브레이션 데이터를 사용한 경우를 나타낸 것으로 SOC 검출오차가 6.8%로 크게 감소된 것이다.

(제5실시예)

도36 내지 도39를 참조하여 본 발명의 차량용 배터리시스템에 따른 제5실시예를 설명한다.

본 실시예에 따른 차량용 배터리시스템은 캘리브레이션 데이터(입력신호이 일부)로서 소정 전력량이 완전충전전력으로부터 방전될 때 얻어지는 배터리(1)의 개로전압(Vo) 및 내부저항(R) 모두를 사용하여 배터리(1)의 완전충전용량을 추정하 기 위한 뉴럴네트워크연산을 실행하는 것에 특징이 있다.

이러한 특징에 대하여, 상기 차량용 배터리시스템은 도36에 나타낸 바와 같이 버퍼(28), 뉴럴네트워크 연산장치(47), 및 보정신호 발생장치(49)를 갖는 배터리상태 검출장치(45)를 제공한다. 상기 배터리상태 검출장치(45)는 전체적으로 또는 그 일부분으로 CPU, 메모리 및 다른 필요부품을 갖고 마이크로컴퓨터로 형성될 수 있지만, 디지털 로직 회로 및/또는 아날로그 회로에서의 회로로 제한되지 않는다. 도36에 나타낸 회로는 단지 예로서 나타낸 것이다.

상기 뉴럴네트워크 연산장치(47)는 버퍼(28)와 보정신호 발생장치(49)로부터 다양한 입력신호를 제공받고, 출력파라미터로서 배터리(1)의 예상 완전충전용량(Q)을 나타내는 데이터를 추정하도록 입력신호에 뉴럴네트워크연산을 적용하도록 구성된다. 상기 보정신호 발생장치(49)는 캘리브레이션 데이터로서 완전충전전력을 갖는 배터리(1)로부터 소정 전력량의 방전에 응답하여 얻어지는 배터리(1)의 개로전압(Vo)과 내부저항(R)을 연산하도록 구성된다. 상기 보정신호 발생장치(49)가 기능적으로 마이크로컴퓨터 시스템에 의하여 구현될 경우, CPU는 RAM 또는 레지스터에 유지된 일군의 전압 및 전류 쌍(V, I)으로부터 개로전압(Vo) 및 내부저항(R)을 연산한다.

또한 상기 버퍼(28)는 제공받을 전압 및 전류(V, 1)의 처리과정에서만 결합되도록 형성되고, 전압 및 전류 이력 데이터(Vi, Ii)를 형성하도록 일정 간격에서의 두 방식의 데이터의 병렬 샘플링, 그의 기억 및 뉴럴네트워크 연산장치(47)에 대한 각 샘플링 시간에서 전압과 전류 데이터(V, I)의 병렬출력을 포함한다.

상기 보정신호 발생장치(49)는 완전충전전력을 갖는 배터리로부터 소정 전력량의 방전에 응답하여 검출되는 배터리(1)의 개로전압(Vo)과 내부저항(R)을 연산하도록 구성된다. 이들 개로전압(Vo)과 내부저항(R)의 값을 나타내는 데이터는 캘리브레이션 데이터로서 뉴럴네트워크 연산장치(47)로 제공된다. 이들 데이터에 대한 처리과정은 도37에 나타내었으며, 도26에 나타낸 처리과정과 유사하다.

구체적으로 엔진의 시동에 응답하여 보정신호 발생장치(49)는 연산을 개시한다(단계 S51'), 개시 이후 상기 보정신호 발생장치(49)는 일정간격으로 배터리(1)의 전압(V) 및 전류(I)를 검출하고(단계 S52'), 그런 다음 검출된 전압(V) 및 전류(I)를 이용하여 배터리(1)가 완전충전상태인지 여부를 결정하도록 검출된 값을 적용한다(단계 S53'). 이후 상기 보정신호 발생장치(49)는 전류적분의 시작을 명령하고 적분된 전류값(Ah)이 소정 방전량에 도달하는지 여부를 결정한다(단계 S54' 및 S55').

상기 적분된 전류값이 소정 방전량에 도달한 것으로 결정될 경우, 이러한 결정이 이루어질 때 얻어진 개로전압값이 소정 전력량이 방전될 때 검출되는 개로전압값(Vo)으로 연산된다(단계 S56'). 현재까지 저장된 개로전압(Vo)은 새로운 연산값으로 갱신된다(단계 S57').

또한 전술한 바와 같이 개로전압의 연산에 응답하여, 전술한 바와 같이 근사식(LN)의 기울기를 추정하여 배터리(1)의 내부저항값이 연산되고(단계 S58'), 또한 현재까지 저장된 내부저항(R)은 새로운 연산값으로 갱신된다(단계 S59').

도38에 나타낸 바와 같이, 상기 뉴럴네트워크 연산장치(47)는 입력셀(201)을 갖는 입력층(201), 연산셀을 갖는 중간층(202), 및 출력셀을 갖는 출력층(203)을 구비한다. 상기 입력층(201)의 입력셀은 입력신호로서 버퍼(28)로부터 전압 이력 데이터(Vi)와 전류 이력 데이터(Ii)를 제공받고, 또한 캘리브레이션 데이터로서 보정신호 발생장치(49)로부터 소정 전력량의 방전에 모두 응답하는 개로전압(Vo)과 내부저항(R)의 데이터를 제공받는다. 상기 입력셀에 의하여 제공받은 데이터는 중간층(202)의 연산셀에 각각 제공된다.

상기 각 셀은 입력셀로부터 주어진 입력데이터에서 소정의 뉴럴네트워크 연산을 실행하여 현재 배터리(1)의 예상 완전충전용량(Q)이 추정된다. 추정된 완전충전용량을 나타내는 데이터는 예를 들면 출력층(203)으로부터 발전기 제어유닛(6)으로 제공될 출력셀로 전달된다.

상기 뉴럴네트워크 연산장치(47)에 의하여 실행되는 상세한 학습처리과정은, 시간함수 t인 출력파라미터으로서 최종적으로 연산되는 출력 OUT(t)가 배터리(1)의 완전충전용량(Q)인 것을 제외하고는 제1실시예에서 설명한 학습처리과정과 동일하다.

도37의 처리과정에서, 완전충전이 아직 구현되지 않는 것으로 결정되거나 소정 전력량의 방전에 응답한 개로전압(Vo)을 아직 알 수 없는 것으로 결정될 경우, 앞서 얻어진 값은 개로전압(Vo)으로서 유지된다.

또한 이러한 전력방전에서의 개로전압(Vo) 및 내부저항(R)이 변동되는 경우, 상기 변동값은 새로운 변동값으로 갱신되고 유지되어, 완전충전용량(Q)은 배터리의 성능저하 정도를 좌우하는 정확도로 검출될 수 있다.

변형예로서, 배터리의 성능저하 정도를 연산하기 위한 수단을 제공하는 것으로 도36에 나타낸 바와 같이 뉴럴네트워크 연산장치(47) 또는 발전기 제어유닛(6) 중 어느 하나에 의하여 기능적으로 달성될 수 있다. 예를 들면 이러한 유닛은 다음의 식에 기초하여 연산을 실행한다.

DD = Q_present / Q_initial

여기에서 DD는 배터리(1)의 성능저하 정도를 나타내고, Q_present는 뉴럴네트워크 연산장치(47)에 의하여 또는 뉴럴네트워크 연산장치(47)에서 완전충전용량의 현재값을 나타내며, Q_initial는 배터리시스템에 미리 주어진 완전충전용량의 초기값을 나타낸다. 이러한 연산기능은 각 배터리의 성능저하 정도를 체크하고, 차량용 배터리의 교환시기를 결정하는데 유용하다.

(테스트 결과)

본 실시예에 따른 뉴럴네트워크 연산장치를 이용하여 테스트될 다수의 배터리가 테스트되었다. 이러한 테스트 결과는 다음과 같다.

테스트 시편으로서 9개의 차량용 리드 배터리가 적용되었고, 각각 27Ah의 초기완전충전용량을 가지며, 성능저하 정도는 서로 다르다. 0.2CA의 방전조건하에서 단자전압이 완전충전상태에 대응하는 값으로부터 10.5V로 떨어질 때까지 방전을 실행한 조건에서 검출될 전류적분에 의하여 얻어진 전류전분값의 형태로 현재의 각 배터리의 완전충전용량이 측정된다. 앞의 조건하에서 방전되는 이들 배터리는 차량용 뉴럴네트워크 연산장치로 연결되고, 뉴럴네트워크 연산장치가 완전충전용량을 추정하도록 실행되는 10.15주행 모드하에서 차량의 주행이 이루어진다. 또한 개로전압(Vo) 및 내부저항(R)을 검출하기 위한 소정 전력량은 완전충전상태로부터 소비되는 5.0Ah이다. 전압 및 전류 이력(Vi, Ii)의 데이터는 뉴럴네트워크연산 직전에 소정기간 동안 일정간격으로 샘플링된 5 쌍의 전압 및 전류이다. 주행중에 완전충전을 결정한 이후, 각 배터리에 대한 완전충전용량을 검출하는 오차는 5.0Ah의 방전 완료로부터 주행 종결부까지 경과 한 기간 동안에 필요로 되는 데이터를 이용하여 추정된다. 이러한 오차는 평균값으로 표현되고, 테이블1에서와 같이 나타난다.

(테이블1)

테스트 시편 No.1 완전충전용량 18.2Ah

검출오차 2.3Ah

테스트 시편 No.2 완전충전용량 21.8Ah

검출오차 0.6Ah

테스트 시편 No.3 완전충전용량 10.5Ah

검출오차 0.6Ah

테스트 시편 No.4 완전충전용량 10.0Ah

검출오차 0.1Ah

테스트 시편 No.5 완전충전용량 18.3Ah

검출오차 2.1Ah

테스트 시편 No.6 완전충전용량 21.2Ah

검출오차 1.2Ah

테스트 시편 No.7 완전충전용량 24.3Ah

검출오차 3.4Ah

테스트 시편 No.8 완전충전용량 27.6Ah

검출오차 0.2Ah

테스트 시편 No.9 완전충전용량 25.1Ah

검출오차 3.3Ah

또한 전압 및 전류 이력(Vi, Ii)가 입력파라미터로서 적용되지만 캘리브레이션 데이터(즉 앞의 개로전압(Vo)과 내부저항(R))은 적용되지 않은 조건에서 비교 테스트가 실행되었다. 앞과 동일한 다른 테스트 조건하에서, 상기 비교 테스트가 실행되고, 테스트 결과는 테이블2와 같이 요약된다.

(테이블2)

테스트 시편 No.1 완전충전용량 18.2Ah

검출오차 3.9Ah

테스트 시편 No.2 완전충전용량 21.8Ah

검출오차 2.8Ah

테스트 시편 No.3 완전충전용량 10.5Ah

검출오차 5.4Ah

테스트 시편 No.4 완전충전용량 10.0Ah

검출오차 5.7Ah

테스트 시편 No.5 완전충전용량 18.3Ah

검출오차 4.4Ah

테스트 시편 No.6 완전충전용량 21.2Ah

검출오차 3.4Ah

테스트 시편 No.7 완전충전용량 24.3Ah

검출오차 1.7Ah

테스트 시편 No.8 완전충전용량 27.6Ah

검출오차 2.8Ah

테스트 시편 No.9 완전충전용량 25.1Ah

검출오차 2.7Ah

도39는 테이블1 및 2에서 요약된 앞의 검출오차의 그래프를 나타낸 것이다. 즉 입력데이터의 개수가 10편에서 12편(Vi = 편, Ii = 5편, R = 1편 및 Vo = 1편)으로 약간 증가되지만, 현재 예상되는 각 사용된 배터리의 완전충전용량은 크게 향상된 정확도로 계산될 수 있음을 알 수 있다. 또한 뉴럴네트워크연산을 통해 계산된 완전충전용량(Q)은 제조시 초기에 기억된 초기 완전충전용량에 대한 소정 퍼센트 이하로 되고, 배터리의 유용성이 없고 새로운 배터리로 교체되어야 하는 것을 제안한다.

그런데 개로저압이 완전충전된 배터리로부터 소정 전력량의 방전에 응답하여 검출될 경우, 상기 소정 전력량은 현재의 완전충전전력으로부터 배터리의 최초 완전충전용량의 0 내지 30%의 방전에 대응하는 값으로 설정되는 것이 바람직하다. 상기 소정 전력량은 2 내지 20%의 방전에 대응하는 값으로 설정되는 것이 바람직하 다. 구체적으로 상기 소정 전력량은 3 내지 10%의 방전에 대응하는 값이 보다 바람직하다.

제4실시예에서, 상기 입력파라미터는 최소 전압 이력 데이터, 전류 이력 데이터, 소정 방전량에 응답하는 개로전압, 및 소정 방전량에 응답하는 내부저항을 포함한다. 물론 배터리상태를 나타내는 다른 파라미터가 입력파라미터에 포함될 수 있다. 그러나 실제 이용 면에서, 뉴럴네트워크에 대한 연산량에서의 과도한 증가를 방지하는 것은 중요한 사안이다. 그러므로 앞의 최소의 입력파라미터에 다른 파라미터를 부가하는 것은 연산량이 그의 50% 범위내로 증가하도록 하는 것으로 그 확대는 제한된다.

(제6실시예)

도40 내지 도49를 참조하여 본 발명의 차량용 배터리시스템에 따른 제6실시예를 설명한다.

본 실시예에 따른 차량용 배터리시스템은 결합계수가 입력파라미터에 좌우되는 그룹(group) 단위로 리스트화되는 복수의 메모리테이블(즉 매트릭스)을 이용하여 실행되는 뉴럴네트워크연산을 특징으로 한다.

도40에 나타낸 바와 같이, 차량용 배터리시스템은 버퍼(38) 및 뉴럴네트워크 연산장치(57)를 갖는 배터리상태 검출장치(55)를 제공한다. 이 회로에서, 전술한 여러 실시예에서 제안된 보정신호 발생장치는 포함하지 않는다. 이러한 배터리상태 검출장치(55)는 예를 들면 전술한 바와 같이 기능적으로 구현되며, 이에 한정되지 않는다.

전술한 방법과 동일 방법을 이용하여, 버퍼(38)는 전압(V) 및 전류(I) 쌍을 샘플링하고, 입력파라미터로서 뉴럴네트워크 연산장치(57)로 모두 제공되는 전압 이력 데이터(Vi)와 전류 이력 데이터(Ii) 뿐만 아니라 개로전압(Vo)을 생성하도록 샘플링된 데이터를 이용한다. 또한 상기 전압 이력 데이터(Vi)와 전류 이력 데이터(Ii)는 앞서 설명한 바와 같이 평균전압(Va)과 평균전류(Ia) 쌍으로 대체될 수 있다. 또한 상기 개로전압(Vo) 대신에 배터리(1)의 내부저항(R)이 입력파라미터의 일부로서 이용될 수 있다. 상기 개로전압(Vo)과 내부저항(R)은 전술한 바와 같은 동일 방식으로 얻을 수 있다.

상기 뉴널네트워크 연산장치(57)는 배터리(1)가 완전충전상태인지 여부를 결정하도록 실행되고, 뉴럴네트워크연산은 결합계수에 대하여 복수의 메모리테이블을 이용한다. 상기 완전충전상태에 대한 결정은 전술한 제1실시예와 동일하다(도3 참조). 상기 배터리(1)가 완전충전상태일 때 검출되는 개로전압은 전술한 바와 같이 Vo_full로 나타낸다.

상기 뉴럴네트워크 연산장치(57)에 의하여 완전충전상태에서 개로전압의 값Vo_full을 포함하는 범위의 입력파라미터에 기초하여 학습이 미리 이루어지고, 결합계수 메모리테이블이 상기 연산장치(57)에 설치된 또는 외부적으로 연결되는 메모리(M)로부터 선택된다. 도41에 나타낸 바와 같이, 메모리는 개로전압Vo_full 값에 의하여 좌우되어 결정되는, 즉 그 개로전압의 크기에 의하여 좌우되어 결정되는 매 전압범위A(내지 C)에 대하여 결합계수가 기록되는 복수의 결합계수 메모리테이블(T1 - T3)을 저장한다. 상기 결합계수 메모리테이블(T1 - T3)은 사전에 일대일 대응하는 각 전압 범위에 대하여 설정된다.

상기 각 메모리 테이블 TiDP 저장된 결합계수는 어떠한 전압 범위 내의 존재하는 개로전압Vo_full을 갖는 학습 배터리로부터 얻어진 입력파라미터를 기초로 하여 연산된 결합계수이다. 완전충전상태가 이제부터 구현되는 것으로 결정될 경우, 상기 뉴럴네트워크연산은 메모리 테이블에서의 결합계수를 갱신하지 않고 이루어진다.

도42는 입력층(201), 중간층(202) 및 출력층(203)을 갖는 뉴럴네트워크 연산장치(57)의 구성을 기능적으로 나타낸 도면으로, 이들 층의 셀은 앞서 설명한 바와 같은 유사한 방식으로 서로 상호 연결된다. 그러므로 상기 뉴럴네트워크 연산장치(57)는 제1실시예에서 설명한 바와 같이 입력층(201)의 입력셀에 주어진 전류 이력 데이터(Ii, Ii-1, ..., Ii-m), 전압 이력 데이터(Vi, Vi-1, ..., Vi-m), 및 개로전압(Vo)과 오차함수를 최소화하도록 갱신되는 결합계수(Wjk 및 Wk)의 입력파라미터를 이용하여 지정 방식의 뉴럴네트워크연산 실행할 수 있다. 상기 연산은 출력층(203)이 출력파라미터로서 예를 들면 SOC를 출력하도록 실행된다.

본 실시예에 따른 뉴럴네트워크연산은 버퍼(38)와 뉴럴네트워크 연산장치(57)에 의하여 상호 실행되는 도43과 관련하여 이루어진다.

먼저 차량이 주행을 시작할 경우, 전압 및 전류 이력 데이터(Vi 및 Ii)를 구성하는 전압(V)과 전류(I) 쌍은 버퍼(38)로 입력되고, 개로전압(Vo)은 버퍼(38)에 서 연산되며, 이들 데이터는 입력파라미터로서 뉴럴네트워크 연산장치(57)로 입력된다(단계 S61 내지 S63).

상기 연산장치(57)에서, 배터리(1)가 완전충전상태인지 여부를 결정한다(단계 S64). 상기 배터리(1)가 완전충전된 것으로 결정될 경우, 개로전압Vo_full 값에 의하여 좌우되는 결합계수 메모리 테이블(Ti)을 선택하도록 개로전압Vo_full이 연산된다(단계 S65, 도41 참조). 즉 개로전압Vo_full의 연산값이 전압범위 A 내지 C로 떨어졌는지 결정한 다음, 연산된 전압값에 대응하는 결합계수 메모리 테이블(Ti)이 자동적으로 지정된다. 그러므로 지정된 결합계수 메모리 테이블(Ti)에 저장된 결합계수가 읽혀진다.

그런 다음 상기 뉴럴네트워크 연산장치(57)는 배터리의 충전율을 나타내는 SOC(충전상태)를 추정하도록 읽어들인 결합계수에서 뉴럴네트워크연산을 실행한다. 이후 결과적인 SOC의 데이터는 출력파라미터로서 뉴럴네트워크 연산장치(57)로부터 예를 들면 발전기 제어유닛(6)으로 출력된다.

앞에 나타낸 처리과정의 변형으로서, 내부저항 또는 어떤 다른 전기량이 뉴럴네트워크연산에서 이용되는 일군의 입력파라미터에 부가될 수 있다. 이 경우 상기 내부저항(R) 또는 다른 전기량은 개로전압(Vo)과 함께 단계 S63에서 연산될 수 있다.

또 다른 변형으로서 상기 SOC 대신에 배터리의 잔존용량을 나타내는 SOH(건전상태)가 적용될 수 있다.

따라서 개로전압Vo_full의 분할 전압범위 A 내지 C에 의하여 좌우되는 복수의 충전/방전 패턴은 데이터 요구발송(shipping) 전에 앞의 뉴럴네트워크연산에서 학습처리를 통해 얻을 수 있다. 그러므로 그의 제조과정에서 발생되는 각 차량용 배터리의 성능에서의 부적절한 변동은 실세 주행 차량에서 정확하게 추정될 수 있다.

(테스트 결과)

용량 및 성능저하 정도가 서로 다른 테스트될 15개의 배터리(차량용 리드 배터리)가 준비되고, 완전충전상태에서 개로전압Vo_full 값(크기)에 따라 세 그룹의 배터리로 분류하였다. 제1 배터리그룹은 개로전압Vo_full이 12.1V 초과 12.4V 미만인 5개의 배터리로 구성되고, 제2 배터리그룹은 개로전압Vo_full이 12.4V 초과 12.8V 미만인 5개의 배터리로 구성되며, 제3 배터리그룹은 개로전압Vo_full이 12.8V 초과 13.2V 미만인 5개의 배터리로 구성된다.

상기 각 배터리는 동일 차량에 교대로 장착되고, 10.15 주행모드에서 전류(I) 및 단자전압(V)의 측정이 이루어진다. 그런 다음 측정을 이용하여 개로전압(Vo)이 연산된다. 이후 SOC는 전술한 뉴럴네트워크연산을 통해 연산되고, 결합계수 메모리 테이블이 그룹별로 생성되어 3개의 결합계수 메모리 테이블이 얻어지며, 뉴럴네트워크연산을 위한 결합계수가 그룹별로 기록된다.

다음으로 3개의 결합계수 메모리 테이블을 가지며, 충전/방전 패턴을 학습한 뉴널네트워크 연산장치를 이용하여, SOC의 값을 간출하도록 다른 성능저하된 배터 리들이 적용되고, 전류적분방식에서 연산된 결과적인 SOC 값과 SOC 참값 간의 비교가 이루어진다. 상기 테스트 결과를 도44 내지 도46에 나타내었다.

도44는 개로전압Vo_full이 12.25V인 배터리로부터 얻어진 SOC의 연산된(측정된) 결과를 나타낸 그래프이고, 상기 결과는 제1배터리 그룹에 의하여 주어진 충전/방전 패턴을 학습한 결합계수를 갖는 제1결합계수 메모리 테이블의 이용으로 연산된다. 도45는 개로전압Vo_full이 12.6V인 배터리로부터 얻어진 SOC의 연산된(측정된) 결과를 나타낸 그래프이고, 상기 결과는 제2배터리 그룹에 의하여 주어진 충전/방전 패턴을 학습한 결합계수를 갖는 제2결합계수 메모리 테이블의 이용으로 연산된다. 도46은 개로전압Vo_full이 12.9V인 배터리로부터 얻어진 SOC의 연산된(측정된) 결과를 나타낸 그래프이고, 상기 결과는 제3배터리 그룹에 의하여 주어진 충전/방전 패턴을 학습한 결합계수를 갖는 제3결합계수 메모리 테이블의 이용으로 연산된다.

비교 테스트 또한 실행된다. 앞의 15개의 배터리(차량용 리드 배터리)는 동일 차량에 교대로 장착되고, 전류데이터(I) 및 단자전압 데이터(V) 모두 측정되며, 차량의 10.15모드에서의 주행동안에 개로전압(Vo)이 연산된다. 상기 측정된 값 및 연산된 값은 앞의 뉴럴네트워크연산에 적용된다. 그런 다음 앞의 뉴럴네트워크연산을 통해 SOC가 연산되고, 하나의 결합계수 메모리 테이블이 생성된다. 결합계수 메모리 테이블을 가지며 충전/방전 패턴을 학습한 뉴럴네트워크 연산장치를 이용함으로써, 다른 사용된 배터리가 SOC 값을 연산하도록 적용되고, 전류적분방식에서 연산된 결과적인 SOC값과 SOC 참값 간의 비교가 이루어진다. 개로전압Vo_full이 12.25V, 12.6V 및 12.9V인 배터리의 연산된 결과가 각각 제공되는 결과는 도47 내지 도49에 나타내었다.

앞의 테스트 결과는 개로전압Vo_full의 크기에 의하여 좌우되어 그룹지어지는 복수의 결합계수 테이블에 기인하며, SOC의 연산 정확도는 대폭 향상될 수 있음을 알 수 있다.

변형예로서, 개로전압Vo_full 대신에, 완전충전된 배터리로부터 소정 전력량의 방전에 응답하여 검출된 개로전압(Vo)을 이용할 수 있다. 이 경우, 개로전압(Vo)의 크기에 좌우되어 복수개의 결합계수 메모리 테이블은 전술한 바와 유사하게 설정된다. 배터리의 내부저항(R)은 전압Vo_full 대신에 단독으로 이용될 수 있다. 상기 개로전압(Vo) 및 내부저항(R)의 조합이 전압Vo_full를 대신하여 이용될 수 있다.

또한 개로전압Vo_full을 설정하는 방법에 관한 변형 예를 제공한다. 앞의 실시예에서는 개로전압Vo_full 및/또는 내부저항(R)의 극성 영향에 대한 고려는 없었다. 그 대신 상기 개로전압Vo_full 및/또는 내부저항(R)은 그의 값이 극성전압의 영향을 고려하여 감소하는 것으로 결정될 수 있다. 결과적인 개로전압Vo_full 및/또는 내부저항(R)은 기억테이블에 결합계수를 각각 할당하기 위하여 유용하다.

다른 변형예로서, 전술한 전압(V), 개로전압(Vo) 및 내부저항(R)은 배터리가 완전충전일 때 얻어진 값에 관련한 비율로 대신할 수 있다. 또한 다른 배터리들이 보다 최적의 형태로 상호 비교되기 때문에 효과적이고, 이에 따라 뉴럴네트워크 학 습에서의 배터리용량 및 배터리 충전상태의 연산의 불규칙성을 완화한다.

(제7실시예)

도50 내지 도68을 참조하여, 본 발명의 차량용 배터리시스템에 따른 제7실시예를 설명한다.

본 발명에 따른 차량용 배터리시스템은 연산부하가 증가하는 것을 방지하고, 회로사이즈가 증대되는 것을 방지하며, 차량용 배터리의 충전상태를 나타내는 하나 이사의 출력파라미터를 정확하게 검출할 수 있는 것에 특징이 있다.

도50에 나타낸 바와 같이, 본 발명에 따른 차량용 배터리는 버퍼(48) 및 뉴럴네트워크 연산장치(67)는 포함하지만 제1 내지 제3실시예에서 채용된 보정신호 발생장치는 포함하지 않는 배터리상태 검출장치(65)를 제공한다. 상기 배터리상태 검출장치(65)는 예를 들면 마이크로컴퓨터, 메모리 및 다른 필요구성부품을 갖는 컴퓨터 시스템에 의하여 가능적으로 구현될 수 있다.

상기 버퍼(48)는 다음의 다양한 방식의 처리과정을 실행하도록 구성된다.

먼저 전술한 바와 유사하게, 상기 버퍼(48)는 전압(V) 및 전류(I) 쌍을 동시에 샘플링하고 샘플링된 데이터를 기억하도록 배터리(1)의 전압(단자전압)(V) 데이터와 전류센서(4)로부터 전류(I) 데이터를 실시간 일정간격으로 읽어들인다. 또한 상기 버퍼(48)는 이들 각 쌍의 전압(V) 및 전류(I)를 이용하여 평균전압(Va), 평균전류(Ia), 개로전압(Vo), 내부저항(R), 및 방전가능한 전류량을 나타내는 보정함수값f(Vo, R)을 포함하는 기능값 형태를 지정한다.

상기 평균전압(Vo)은 연산시간의 최종 간격에 걸친 배터리(1)의 전압(V)의 평균이고, 평균전류(Ia)는 연산시간의 최종 간격 동안 검출되는 배터리(1)에서 및 배터리(1)로부터의 충전 및 방전된 전류(I)의 평균이다. 이들 값(Va, Ia)은 전압(V)과 전류(I)의 데이터를 각각 공급하는 저역통과필터의 출력으로 될 수 있다.

상기 개로전압(Vo)과 내부저항(R)은 상기 평균전압(Va)과 평균전류(Ia)가 2차원적으로 맵핑된(도51 참조) 2차원 맵을 이용하여 연산된다. 각 쌍의 평균전압(Va)과 평균전류(Ia)는 선형근사식(LN)을 계산하도록 최소제곱법에서 연산된다. 사기 근사식(LN)의 y절편 및 기울기는 배터리의 개로전압(Vo)과 내부저항(R)을 나타낸다. 그러므로 상기 선형근사식(L)에 기초하여 개로전압(Vo)과 내부저항(R)을 나타내는 데이터는 평균전압(Va)과 평균전류(Ia) 쌍이 입력될 때 매시간마다 연산된다.

또한 상기 버퍼(48)는 f(V o , R) = Vo·Vo/R = Pm의 식을 연산함으로써 보정함수값f(Vo, R)을 얻는다. 그러므로 상기 값 Pm은 현재 배터리(1)의 방전가능한 전력량에 대한 포지티브 관계를 갖는 함수로 표현되는 전력을 나타낸다.

또한 상기 버퍼(48)는 평균전압(Va)의 "완전충전율", 개로전압(Vo), 내부저항(R), 및 보정함수값f(Vo, R)을 각각 연산한다. 상기 "완전충전율"은 각각 물리양으로 제공되고, 배터리(1)의 완전충전상태에서 얻어진 값에 대하여 각 물리량의 현재값의 비율로서 정의된다. 이러한 완전충전율은 배터리 성능저하 정도에 높은 보정을 가지며, 이에 따라 성능저하로 인한 각 배터리의 충전상태를 보정(측정)하기 위한 입력파라미터로 적절하다.

실질적으로 배터리(1)의 완전충전상태가 검출되는 최종 시점에서, 상기 버퍼 (48)는 최종 완전충전상태에서 추정될 평균전압(Va)을 나타내는 완전충전 평균전압(Vaf), 최종 완전충전상태에서 추정될 개로전압(Vo)을 나타내는 완전충전 개로전압(Vof), 완전충전상태에서 추정될 내부저항(R)을 나타내는 완전충전 내부저항(Rf), 및 완전충전상태에서 추정될 보정함수값f(Vo, R)을 나타내는 완전충전 보정함수값f(Vof, Rf)을 연산하고 기억한다. 그런 다음, 이들 물리량 값을 메모리로부터 읽어내어 각각 현재 연산된 현재값과 비교한다. 즉 Va/Vaf, Vo/Vof, R/Rf, 및 (Vo·Vo/R)/(Vof·Vof/Rf)의 비율은 뉴럴네트워크 연산장치(67)에 대한 입력파라미터의 일부로서 추정된다. 그러므로 (Vo·Vo/R)/(Vof·Vof/Rf)의 비율은 전력비이다.

상기 완전충전 평균전압(Vaf), 완전충전 개로전압(Vof), 완전충전 내부저항(Rf), 및 완전충전 보정함수값f(Vof, Rf)의 연산은 배터리(1)가 현재 완전충전상태인지 여부에 대한 결정을 포함한다. 이러한 결정은 제1시시예(도3 참조)에 설명한 것과 유사하게 실행된다. 즉 도3의 전압(V) 및 전류(I)는 평균전압(Va) 및 평균전류(Ia)로 읽을 수 있다. 그러므로 평균전압(Va) 및 평균전류(Ia) 쌍은 그 각 쌍에 의하여 열겨된 좌표점이 2차원 맵에서 완전충전상태를 나타내는 소정 영역에 위치되는 결정에 적용된다. 이러한 결정조건이 충족될 때 계산되는 상기 평균전압(Va), 개로전압(Vo), 내부저항(R), 및 보정함수값f(Vo, R) = Vof·Vof/Rf는 완전충전 평균전압(Vaf), 완전충전 개로전압(Vof), 완전충전 내부저항(Rf), 및 완전충전 보정함수값f(Vof, Rf)에서 나타난다.

이들 완전충전 관련 물리량은 메모리에 기억되고, 완전충전결정이 이루어질 때마다 갱신된다.

도52는 배터리상태 검출장치(65(즉, 버퍼(48)와 연산장치(57))에 의하여 실행되는 처리과정을 나타낸 것이다. 상기 배터리충전 검출장치(65)는 전술한 바와 같이 필요한 처리를 위하여 전압(V) 및 전류(I) 데이터를 읽어들이고(단계 S71), 그런 다음 전술한 바와 같이 배터리(1)가 완전충전상태인지 여부를 결정한다(단계 S72). 이 결정이 긍정일 경우(단계 S72에서 예를 경우), 완전충전 개로전압(Vof), 완전충전 내부저항(Rf), 및 완전충전 보정함수값f(Vof, Rf) = Vof·Vof/Rf는 전술한 바와 같이 연산되고 갱신된다(단계 S73), 그런 다음 검출장치(65)에서의 처리과정은 단계 S74로 진행되는데, S74 단계는 사전 연산으로서, r1 = Va/Vaf, r2 = Vo/Vof, r3 = R/Rf, 및 r4 = (Vo·Vo/R)/(Vof·Vof/Rf)과 평균전류(Ia)는 5개의 입력파라미터로서 뉴럴네트워크 연산장치(67)로 제공되어, 이들 입력파라미터에 응답하여, 상기 뉴럴네트워크 연산장치(67)는 배터리(1)의 충전율[%]을 나타내는 SOC과 관련한 출력파라미터를 위하여 소정의 뉴럴네트워크연산을 실행한다(단계 S75). 이와 같이 연산된(즉 계산된) SOC는 발전기 제어유닛(6)으로 출력된다(단계 S76).

또한 적절히 선택되는 어떠한 다른 파라미터가 입력파라미터에 부가될 수 있다.

상기 뉴럴네트워크 연산장치(67)의 동작은 지금까지 설명한 연산장치의 동작과 동일하다. 즉 도53에 나타낸 바와 같이 연산장치(67)는 r1 = Va/Vaf, r2 = Vo/Vof, r3 = R/Rf, 및 r4 = (Vo·Vo/R)/(Vof·Vof/Rf)의 완전충전 관련 비율 및/또는 평균전류(Ia)로 구성된 입력파라미터를 제공받기 위한 입력셀을 구비한 입력층(201), 연산을 위한 중간층(202), 그로부터 출력파라미터로서 SOC가 제공되는 출 력층(203)을 기능적으로 제공한다. 상기 비율 r4는 완전충전과 관련한 전력비율이다.

변형예로서, 상기 출력파라미터는 잔존용량, 즉 방전가능한 현재용량을 나타내는 SOH로 이루어질 수 잇다.

따라서 상기 뉴럴네트워크 연산장치(67)는 도6과 관련하여 설명한 바와 같이 차량용 배터리시스템의 탑재 이전에 여러 전형적 방식의 방전/충전 패턴을 학습할 수 있도록 할 수 있다. 그 결과 각 차량용 배터리의 제조의 변화와 관계없이, 배터리는 차량 주행 동안에 뉴럴네트워크연산을 통해 정확하게 평가될 수 있다.

(테스트 결과)

앞의 실시예들과 유사하게, 본 실시예에 따른 구성에 의하여 부여된 작용효과를 확인하기 위한 테스트가 실행되었다.

용량 및 성능저하 정도가 서로 다른 5개의 배터리 A 내지 E를 준비한다(도54 참조). 이들 배터리 A 내지 E는 10.15모드 주행 동안에 전류 및 단자전압의 측정, 뉴럴네트워크 연산에 대하여 앞의 5개의 입력파라미터의 연산, 및 SOC의 참값으로서 제공된 목표출력을 갖는 학습(전류적분값으로서 연산됨)에 적용된다.

그런 다음 상기 학습이 완료된 뉴럴네트워크 연산장치는 성능면에서 다양하게 성능저하된 추가적으로 테스트 될 사용된 배터리 각각의 SOC를 연산하도록 이용된다, 이러한 테스트 결과는 도55 내지 도60에 나타낸 전류적분값과 비교된다. 도55 내지 도57은 Va, Vo, R 및 (Vo·Vo/R)/(Vof·Vof/Rf)으로 구성되는 입력파라미터를 사용하여 각각 테스트될 3개의 배터리의 SOC를 나타낸 것이다. 이에 반하여 도58 내지 도60은 Va, Vo, R 및 Ia로 구성되는 4개의 입력파라미터만을 사용하여, 즉 완전충전관련 전력비율 (Vo·Vo/R)/(Vof·Vof/Rf)은 사용하지 않은 각각 3개의 동일 배터리의 SOC를 나타낸 것이다. 두 그룹 간의 테스트된 결과의 비교로부터, 입력파라미터에 전력비율만이 부가되는 것은 SOC 계산의 정확도를 크게 향상시킬 수 있다는 것을 알 수 있다.

또한 다른 9개의 배터리 그룹(이들 중 하나는 새 배터리)이 Vo/Vof 및 SOC의 비율을 간의 관계를 테스트하도록 적용되었다. 이 테스트 결과는 0.86의 보정을 나타내는 도61에 나타내었다. 또한 추가적으로 9개의 배터리의 다른 그룹(이들 중 하나는 새 배터리)이 (Vo·Vo/R)/(Vof·Vof/Rf)의 완전충전 전력비율 및 SOC 간의 보정을 테스트하도록 적용되었다. 이들 테스트 결과는 도62에 나타내었으며, 0.93의 보정을 나타내었다. 도62의 결과로부터, 전술한 바와 같이 큰 보정을 갖는 앞의 전력비율을 입력파라미터에 대한 추가는 개로전압(Vo)만을 사용한 것과 비교하여 SOC 연산의 정확도를 상승시키는 것임을 알 수 있다.

(변형 예들)

전술한 구성은 다음과 같이 변형될 수 있다. 하드웨어 구성은 전술한 바와 동일하지만, 입력파라미터는 전술한 바와 다르다. 구체적으로 (Vo·Vo/R)/(Vof·Vof/Rf)의 완전충전관련 전력비율 대신에, Im = (Vm - Vo)/R으로 정의되는 완전추전관련 전력비율이 보정함수값f(Vo, R)으로서 제공된다. 이러한 전류 Im는 현재의 충전가능전류를 나타낸다. 방전정지에서의 소정의 최종 전압인 전압 Vm은 10.5V로 설정된다. 방전정지전압 Vm과 충전가능전류 Im 간의 관계는 도51에 나타내었다.

다른 변형예로서, 함수값 f(Vo, R)은 다음과 같은 식으로 선형 전환될 수 있다.

f(Vo, R) = k1 × (Vm - Vo) + k2)/(R + k3).

여기에서 k1 내지 k3는 상수이고, 바람직한 값으로서 k1은 1이고, k2 및 k3는 각각 0이다. 이는 뉴럴네트워크연산을 보다 정확하게 할 수 있다.

또한 함수값 f(Vo, R)은 함수값 Vo·Vo/R을 갖는 보정을 구비하도록 설정될 수 있다.

또한 함수값 f(Vo, R)은 다음과 같은 식으로 선형 전환될 수 있다.

f(Vo, R) = k1 × ((Vo + k2) × (Vo + k2) + k3)/(R + k4).

k1 내지 k4는 상수이고, 바람직한 값으로서 k1은 1이고, k2 및 k4는 각각 0이다. 이는 뉴럴네트워크연산을 보다 정확하게 할 수 있다.

(테스트 결과)

전술한 바와 동일한 방법으로, 용량 및 성능저하 정도가 서로 다른 5개의 배터리 A 내지 E를 준비한다(도54 참조). 이들 배터리 A 내지 E는 10.15모드 주행 동안에 전류 및 단자전압의 측정, 뉴럴네트워크 연산에 대하여 앞의 5개의 입력파라미터의 연산, 및 SOC의 참값으로서 제공된 목표 출력을 갖는 학습(전류적분값으로서 연산됨)에 적용된다.

그런 다음 상기 학습이 완료된 뉴럴네트워크 연산장치는 성능면에서 다양하게 성능저하된 추가적으로 테스트될 사용된 배터리 각각의 SOC를 연산하도록 이용된다, 이러한 테스트 결과는 도63 내지 도68에 나타낸 전류적분값과 비교된다. 도 63 내지 도65는 Va, Vo, R 및 [(Vm - Vo)/R]/[(Vm -Vof)/Rf]으로 구성되는 입력파라미터를 사용하여 각각 테스트될 3개의 배터리의 SOC를 나타낸 것이다. 이에 반하여 도66 내지 도68은 Va, Vo, R 및 Ia로 구성되는 4개의 입력파라미터만을 사용하여, 즉 완전충전관련 전류비율 [(Vm - Vo)/R]/[(Vm -Vof)/Rf]은 사용하지 않은 각각 3개의 동일 배터리의 SOC를 나타낸 것이다. 두 그룹 간의 테스트된 결과의 비교로부터, 입력파라미터에 전류비율만이 부가되는 것은 SOC 계산의 정확도를 크게 향상시킬 수 있다는 것을 알 수 있다.

또 다른 변형예로서는 [(Vm - Vo)/R]/[(Vm -Vof)/Rf] 및 (Vo·Vo/R)/(Vof·Vof/Rf)의 완전충전관련비율 모두를 입력파라미터에 병렬로 포함하는 것이다. 이러한 변형예에서, 입력파라미터와 SOC 간의 보정은 개로전압(Vo)과 내부저항(R) 중 하나 또는 모두가 입력파라미터로부터 생략될 수 있는 결과로부터 앞의 두 완전충전관련비율 중 하나만이 사용되는 경우보다 크게 상승될 수 있다.

(제8실시예)

본 발명의 차량용 배터리시스템에 따른 제8실시예를 도69 내지 도93을 참조하여 설명한다.

앞의 제7실시예와 유사하게, 본 실시예에 따른 차량용 배터리시스템은 연산부하가 증가하는 것을 방지하고, 회로사이즈가 증대되는 것을 방지하며, 차량용 배터리의 충전상태를 나타내는 하나 이사의 출력파라미터를 정확하게 검출할 수 있는 것에 특징이 있다.

본 실시예에 따른 차량용 배터리시스템은 버퍼(58)와 뉴럴네트워크 연산장치 (77)를 갖는 배터리상태 검출장치(75)이 제공된 도69에서 나타낸 회로를 갖는다. 전술한 바와 유사하게, 배터리상태 검출장치(75)는 마이크로컴퓨터에서 기능적으로 처리됨으로써 달성될 수 있지만, 전술한 하드웨어 회로는 동일하게 이용될 수 있다.

도70을 참조하여 버퍼(58)에 대한 동작을 설명한다.

먼저 전술한 바와 유사하게, 상기 버퍼(48)는 전압(V) 및 전류(I) 쌍을 동시에 샘플링하고 샘플링된 데이터를 기억하도록 배터리(1)의 전압(단자전압)(V) 데이터와 전류센서(4)로부터의 전류(I) 데이터를 실시간 일정간격으로 읽어들인다(단계 S81). 그런 다음 최종 연산간격 동안 획득한 전압의 평균전압(Va), 개로전압(Vo), 내부저항(R), 및 최대방전(P = Vo·Vo /4R)에 대하여, 상기 버퍼(58)는 전압(V) 및 전류(I) 쌍의 데이터를 이용하여 각각 현재값 Vat, Vot, Rt 및 Pt를 연산한다. 상기 개로전압(Vo) 및 내부저항(R)은 전술한 방법과 동일한 방법으로 연산된다.

상기 버퍼(58)는 완전충전된 배터리(1)가 소정 전력량(예를 들면 1.4Ah)을 방전하였는지 여부를 결정하다(단계 S83). 상기 배터리(1)로부터 소정 전력량의 방전이 참인 경우에만, 상기 버퍼(58)는 단계 S84로 진행하고, 단계 S82에서 연산된 현재값 Vat, Vot, Rt 및 Pt는 각각 소정 전력량의 방전에 응답하는 Vaf, Vof, Rf 및 Pf 값으로 설정된다. 즉 Vaf, Vof, Rf 및 Pf 각각은 소정 전력량의 방전에 각각 응답하는 평균전압 Va, 개로전압 Vo, 내부저항(R), 및 최대방전전력(P = Vo·Vo /4R)을 각각 나타낸다.

그런 다음 상기 버퍼(58)는 단계 S85로 진행되고, Vat/Vaf, Vot/V of, Rt/Rf 및 Pt/Pf의 열 형태의 비율이 뉴럴네트워크 연산장치(77)에 입력파라미터로서 연산된다. 이후 상기 처리는 다음 쌍의 전압과 전류 데이터가 샘플링될 때 까지 정지된다. Vat/Vaf, Vot/Vof, Rt/Rf, 및 Pt/Pf의 비율은 각각 소정 전력량의 방전에 응답하여 얻어지는 값과 현재값에 관한 것으로 평균전압(Va)의 비율, 개로전압(Vo)의 비율, 내부저항(R)의 비율, 및 최대방전전력의 비율(P = Vo·Vo /4R)이다.

완전충전된 배처리(1)로부터 방전되는 소정 전력량은 버퍼(75)에 의하여 실행되는 도71에 나타낸 처리과정을 기초로 한다. 먼저 배터리(1)가 완전충전되었는지 여부를 결정하고(단계 S83), 전류적분값(Ah)은 배터리(1)가 현재 완전충전된 것으로 종결될 때 제로로 설정된다(단계 S83₂). 그런 다음 완전충전 이후 검출되는 충전/방전 전류를 적분하기 위한 처리과정은 Ah = Ah + △Ah를 연산함으로써 실행되며, 여기에서 △Ah는 처리 시에 응답하여 적분되는 현재 전류값이다(단계 S83₃). 이후 전류적분값(Ah)(즉, 방전값)이 소정 문턱값(Ahth)에 도달하였는지 여부를 결정한다(단계 S83₄). 상기 값 Ah가 문턱값(Ahth)에 도달한 것으로 결정될 경우, 상기 버퍼(58)는 완전충전상태로부터 소정의 전력량의 방전을 인식한다.

앞의 결정을 위하여 이용되는 소정의 전력량은 현재에 구현되는 완전충전상태로부터 최초 완전충전용량의 5%의 방전에 응답하는 값으로 설정되는 것이 바람직하다. 그러나 이에 한정되지 않는다. 본 발명에 의한 여러 실험은 어떠한 작은 전력량의 방전이라도 문턱값(Ahth)에 대한 참조로서 이용될 수 있다.

배터리(1)의 완전충전상태를 결정하는 방법 및 개로전압(Vo)과 내부저항(R) 을 연산하는 방법은 전술한 방법과 동일하거나 유사하다.

도72는 Vat/Vaf, Vot/Vof, Rt/Rf, 및 Pt/Pf의 비율 데이터를 구성하는 입력파라미터를 제공받고, 배터리(1)의 충전상태량을 나타내는 SOC 및 SOH를 출력파라미터로서 제공하는 뉴럴네트워크 연산장치(77)의 기능적 구성을 나타낸 것이다. 상기 입력파라미터는 이들 4개의 비율에 한정되지 않으며, Vot/Vof, Rt/Rf, 및 Pt/Pf의 비율 중 적어도 하나 및 Vat/Vaf의 비율을 포함하는 파라미터로 이루어질 수 있다.

상기 뉴럴네트워크 연산장치(77)의 동작은 전술한 연산장치의 동작과 동일하다(도6 참조).

이와 같이 SOC 또는 SOH의 보정을 갖는 평균전압(Va)의 비율에 부가하여, 배터리 성능저하의 높은 보정을 갖는 개로전압(Vo), 내부저항(R) 및 최대 방전전력(P)은 그 비율로서 뉴럴네트워크연산에 제공되도록 입력파라미터에 반영될 수 있다. 따라서 상기 뉴럴네트워크연산은 배터리 성능저하를 고려할 수 있고, 출력파라미터를 정확하게 추정할 수 있다.

상기 입력파라미터로 고려된 상기 비율은 개로전압(Vo), 내부저항(R) 및 최대 방전전력(P) 중에서 하나 또는 둘로 제한되지 않는다. 비율형태로 고려되는 것 이외의 나머지 양들은 상수로 곱해지거나 상수로 더해지거나 밸 수 있다.

(테스트 결과)

도73에 나타낸 학습을 위한 배터리 A 내지 E는 소정의 충전 및 방전 패턴에서 동작되어(10.15 주행모드), 뉴럴네트워크 연산장치는 이들 배터리(A 내지 E)의 입력파라미터와 출력파라미터(SOC)간의 관계를 학습하였다. 상기 입력파라미터는 평균전압(Va), 개로전압(Vo), 내부저항(R), 및 최대방전전력(P = Vo·Vo /4R)이다.

도74, 도75 및 도76은 각 배터리(A 내지 E)에 대하여 개로전압(Vo)과 SOC 간의 관계, 내부저항(R)과 SOC 간의 관계, 및 최대방전력(P)과 SOC 간의 관계를 각각 나타낸 것이다.

또한 테스트될 3개의 배터리가 10.15 주행모드에서 소정의 충전 및 방전 패턴 하에서 동작되었다. 평균전압(Va), 개로전압(Vo), 내부저항(R), 및 최대방전전력(P)은 테스트될 각 배터리에 대하여 얻어지고, 상기 얻어진 물리량은 학습된 뉴럴네트워크 연산장치에 입력파라미터로서 채용되어 연산장치는 SOC를 연산한다. 제1 내지 제3배터리로부터 SOC의 연산결과는 도77 내지 도79에 나타내었으며, 각각 SOC에 대하여 8.5%, 12.5%, 및 14.6%의 평균제곱오차를 나타내었다.

전술한 바와 유사하게, 앞의 배터리(A 내지 E)는 10.15주행 모드에서 소정의 충전 및 방전 패턴하에서 동작되어, 뉴럴네트워크 연산장치는 각 배터리(A 내지 E)의 입력파라미터와 출력파라미터(SOC) 간의 관계를 학습하였다. 본 테스트에서, 상기 입력파라미터는 후술할 4개의 비율로 이루어진다.

실질적으로 매시간마다 각 배터리는 완전충전전력으로부터 소정 전력량을 방전하는 것임을 알 수 있기 때문에(즉 현재의 케이스의 경우, 최초 완전충전전력의 5%가 방전되는 것임, 즉 1.4Ah의 전력이 완전충전전력으로부터 방전됨), 평균전압(Va), 개로전압(Vo), 내부저항(R), 및 최대방전전력(P)의 값은 그의 기억을 위하여 Vaf, Vof, Rf 및 Pf로 기억된다. 그리고 평균전압(Va), 개로전압(Vo), 내부저항 (R), 및 최대방전전력(P)의 현재값(이번 시간에서 얻어진 값)은 뉴럴네트워크 연산장치에 대한 입력파라미터인 4개의 Vat/Vaf, Vot/Vof, Rt/Rf, 및 Pt/Pf의 비율을 연산하도록 이용된다. 이러한 연산장치는 입력파라미터에서 뉴럴네트워크연산의 SOC를 연산하였다. 도80은 Vot/Vof의 비율과 SOC 간의 관계를 나타낸 것이고, 도81은 Rt/Rf의 비율과 SOC 간의 관계를 나타낸 것이고, 도82는 Pt/Pf의 비율과 SOC 간의 관계를 나타낸 것이다. 각 비율을 SOC에 대하여 양호한 보정, 특히 Vot/Vof 및 Rt/Rf는 SOC에 대하여 높은 보정을 갖는 것을 이들 도면으로부터 알 수 있다.

변형으로서, 앞의 비율 및 각 값들은 지정 상수로 곱해질 수 있다. 또한 지정 상수가 각 비율에 부가되거나 각 비율로부터 각각 뺄 수 있다.

또한 입력파라미터로서 제공되는 앞의 4개의 비율을 얻도록 10.15주행모드에서 소정의 충전 및 방전 패턴하의 학습에 테스트될 3개의 배터리가 적용된 다음, 이미 학습된 뉴럴네트워크 연산장치에 부여하였다. 이러한 연산장치는 SOC를 연산하도록 동작하게 된다. 도83 내지 도85는 테스크 결과를 나타낸 것으로, 도83은 테스트된 제1배터리의 SOC 연산결과를 나타낸 것이고, 도84는 테스트된 제2배터리의 SOC 연산결과를 나타낸 것이며, 도85는 테스트된 제3배터리의 연산결과를 나타낸 것이다. 테스트된 이들 제1 내지 제3배터리의 SOC의 연산에 대한 평균제곱오차는 가각 4.3%, 6.7% 및 3.9%이다.

도83 내지 도85와 도77 내지 도79의 비교로부터 명확히 나타낸 바와 같이, 뉴럴네트워크연산에 대한 입력파라미터로서 Vat/Vaf, Vot/Vof, Rt/Rf, 및 Pt/Pf의 비율만의 이용으로 각 배터리의 SOC가 높은 정확도로 평가(즉 검출)될 수 있다. 즉 뉴럴네트워크연산을 복잡하게 하는 전압 및 전류 이력 데이터와 같이 많은 수의 입력파라미터(즉 입력데이터)의 이용을 필요로 하지 않는다. 그러므로 완전충전전력으로부터 소정 전력량의 방전에 응답하여 얻어지는 평균전압(Va), 개로전압(Vo), 내부저항(R), 및 최대방전전력(P)의 값은 현재값에 대한 참조값으로서 이용될 수 있다. 따라서 참조값에 대한 현재값의 비율은 입력파라미터에 대하여 적절한 것임을 알 수 있고, 데이터 수를 증가시키는 전압과 전류 이력 데이터를 이용할 필요가 없을 뿐만 아니라, SOC를 정확하게 연산할 수 있다.

(제1변형예)

전술한 입력파라미터는 다음과 같이 변형될 수 있다. 전술한 실시예에서, 평균전압(Va)는 소정 전력량의 방전에 대한 비율 형태로 채용되지만, 이러한 평균전압은 그 평균전압(Va)의 비율을 사용하지 않는 경우에 오차의 증가가 크지 않기 때문에 그 자체 즉 비율로 되지 않는 그 자체를 이용할 수 있다.

또한 앞의 실시예에서 채용된 입력파라미터에 대하여, 평균전류(Ia)의 현재값 또는 Ia/If의 비율이 추가될 수 있으며, 여기에서 If는 완전충전전력으로부터 소정 전력량의 방전에 응답하여 얻어진 평균전류의 값이다. 이러한 파라미터 구성에서, 오차에서의 추가적 감소를 이룰 수 있다.

연산부하량이 허용될 경우, 상기 입력파라미터는 검출(즉 계산) 오차에서의 큰 감소를 효과적으로 얻을 수 있는 전압 및 전류 이력 데이터를 포함할 수 있다.

도86 내지 93을 참조하여 다른 변형예를 설명한다.

이 변형예에서, 개로전압(Vo)는 다음의 식으로 보정된다.

Vot′= Vot + αVof1 + β△Vox ... (10)

Vox = Vof1 - Vof2 ... (11)

여기에서 Vot는 입력파라미터로서 뉴럴네트워크 연산장치(77)에 입력될 보정 개로전압이고, Vot는 개로전압(Vo)의 현재값이고, α 및 β는 1보다 작은 계수이고, Vof1은 최종시점 완전충전전력으로부터 1Ah의 방전에 응답하여 얻어진(최초 완전충전용량의 5%에 대응) 개로전압(Vo)의 값이며, Vof2는 최종시점 완전충전전력으로부터 5Ah의 방전에 응답하여 얻어진(최초 완전충전용량의 25%에 대응) 개로전압(Vo)의 값이다.

따라서 식(11)은 다음의 식으로 전개될 수 있다.

Vot′= Vot + αVof1 + β(Vof1 - Vof2)

= Vot +(α + β)Vof1 - Vof2 ...(12)

즉 이 변형예에서 뉴럴네트워크 연산장치(77)에 적용될 개로전압(Vot′)은 개로전압(Vo)의 현재값과 완전충전전력으로부터 소정의 전력량의 방전에 응답하여 얻어진 개로전압(Vo)의 변수값(Vof1, Vof)의 선형함수를 구성한다. 요약하면, 상기 개로전압(Vo)은 선형함수의 이용으로 보정되며, 그 결과 개로전압(Vo)과 SOC 간의 보정은 향상될 수 있다. 예를 들어 도86은 테스트될 3개의 배터리의 개로전압(Vo)의 현재값과 그의 SOC 간의 보정을 나타낸 것이고, 도87은 이들 3개의 배터리의 보정된 개로전압(Vot′)값과 SOC 간의 보정을 나타낸 것이다. 이들 도면 간의 비교로부터, 성능저하상태 및 테스트될 배터리의 초기 특성에서의 변동에 관계없이, 보정된 개로전압(Vot′)과 SOC 모두에서의 변동은 크게 방지될 수 있다.

도73에 나타낸 학습을 위한 배터리(A 내지 E)는 소정의 충전 및 방전 패턴에서 동작되어(10.15 주행모드에서), 뉴럴네트워크 연산장치는 이들 배터리(A 내지 E)의 입력파라미터와 출력파라미터 간의 관계를 학습한다. 상기 입력파라미터는 전압과 전류 이력 데이터 및 개로전압(Vo)이다. 상기 전압 및 전류 데이터는 최종 소정 기간동안 일정 간격으로 샘플링된 전압 및 전류 쌍으로 구성된다.

이후 개로전압이 서로 다른 테스트될 또 다른 3개의 배터리가 10.15 주행모드에서 소정의 충전 및 방전 패턴과, 전압 및 전류 이력 데이터와 개로전압으로 구성되는 입력파라미터 하에서 동작된다. 이들 입력파라미터는 이미 학습 완료된 뉴럴네트워크 연산장치로 제공되고, 상기 연산장치는 SOC를 계산하도록 동작된다. 이들 결과에 대해서는 테스트된 제1, 제2 및 제3배터리 각각의 SOC 연산의 결과를 나타내는 도88 내지 도90에 나타내었다. 이들 도면에서 나타낸 바와 같이 평균제곱오차는 각각 13.5%, 23.3% 및21.0%이다.

앞에서와 같이 동일한 방법에서, 앞의 배터리(A 내지 E)는 10.15주행모드에서 동일한 충전 및 방전패턴하에서 테스트되어 뉴럴네트워크 연산장치는 이들 배터리(A 내지 E)의 입력파라미터와 출력파라미터(SOC) 간의 관계를 학습한다. 상기 입력파라미터는 전압과 전류 이력 데이터 및 보정된 개로전압(Vot′)이다.

실제로 보정된 개로전압(Vot′)이 획득되어 Vof1 및 Vof2을 부여한 완전충전전력으로부터 1Ah 및 5Ah의 방전량 각각에 응답하는 개로전압(Vo)이 새로운 개로전압으로 기억된다. 이들 Vof1 및 Vof2 값은 선형의 보정된 개로전압(Vot′)을 연산하도록 개로전압(Vo)의 현재값(Vot)과 함께 이용된다. 결과적인 전압(Vot′) 및 전 압과 전류 이력 데이터는 뉴럴네트워크 연산장치에 제공되어 SOC를 추정한다. 이러한 결과로서 테스트된 제1 내지 제3배터리의 SOC 연산결과를 각각 제공하는 도91 내지 도93에 나타내었다. 이들 도면에 나타낸 바와 같이, SOC 평가에서의 평균제곱오차는 각각 8.0%, 9.4% 및 8.1%이다.

도91 내지 도93과 도88 내지 도90의 비교로부터 선형 보정함수를 갖는 개로전압(Vo)의 보정은 SOC의 뉴럴네트워크연산의 정확도를 보다 크게 향상시킬 수 있다.

다음과 같이 다른 변형예가 가능하다. 선형 보정함수에 기초한 보정은 전술한 개로전압(Vo)에 한정되지 않으며, 이러한 방법은 내부저항(R) 및/또는 최대방전전력(P)에 대하여 적용될 수 있다. 상기 보정된 값 R 및/또는 P는 입력파라미터로서 이용될 수 있다.

또한 상기 전압 및/또는 전류 이력 데이터를 이용하는 것 대신에, 평균전압 및/또는 평균전류가 입력파라미터의 일부분으로서 채용될 수 있다.

다른 변형예로는 선형 보정함수를 결정하기 위하여 이용되는 다수의 개로전압과 관련된다. 즉 다수의 개로전압은 항상 두 개로 한정되는 것은 아니고, 단일 개로전압이 적용되거나 셋 이상의 개로전압이 적용될 수 있다.

다른 변형예로서, 상기 실시예들에서 전술한 비율에 기초한 보정 및 개로전압(Vo), 내부저항(R) 및 최대방전전력(P)에 대하여 조합 방식으로 상기 변형예에서 설명한 선형 보정함수에 기초한 보정 모두로부터의 파라미터를 이용한 것이며, 모두 각 배터리의 성능저하상태에 매우 밀접한 양이다.

또한 상기 개로전압(Vo), 내부저항(R) 및 최대방전전력(P)은 변형예에서 설명한 선형 함수 보정에 먼저 적용된 다음, 전체 또는 일부분으로서 실시예에서 설명한 비율에 기초한 입력파라미터를 생성하도록 처리되는 것으로 변형될 수 있다.

앞의 실시예에서 다른 변형예로서, 입력파라미터의 일부인 전압(V) 및/또는 개로전압(Vo)는 함수로 선형 전환될 수 있다. 예를 들면 상기 전압(V)은 K1 × V + K2로 전환될 수 있다. 여기에서 K1 및 K2는 각각 상수이다. 입력파라미터 V와 입력파라미터 K1 × V + K2 간의 차이에 의하여 발생되는 출력오차는 뉴럴네트워크연산을 통해 거의 제로로 쉽게 수렴될 수 있다.

이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위내에서 여러 가지 치환, 변형 및 변경이 가능함은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 명백할 것이다.

이상에서 설명한 바와 같이, 뉴럴네트워크연산을 기초한 2차전지의 충전상태 검출에서 각 배터리의 충전 및 방전특성에서의 차이, 예를 들면 일시적 성능저하의 정도(순환 성능저하) 및/또는 배터리 방식의 차이에 관계없이 높은 정확도로 출력파라미터를 제공할 수 있는 효과가 있다.

또한 본 발명은 적은 입력파라미터로 출력파라미터를 제공할 수 있는 효과가 있다.

Claims (38)

1. 배터리 시스템에 구비되는 2차 배터리의 현재 충전 상태를 검출하기 위한 뉴럴 네트워크 방식의 장치로서,

   상기 배터리의 현재 동작 상태를 나타내는 전기신호를 검출하기 위한 검출 수단;

   상기 전기신호를 이용하여, 상기 배터리의 내부 상태를 평가하는데 필요하며, 상기 배터리의 충전 및 방전 특성에서의 성능 저하에 관하여 상기 배터리의 현재 충전 상태의 캘리브레이션(calibration)을 반영하는 입력 파라미터를 생성하는 수단; 및

   상기 입력 파라미터를 뉴럴 네트워크 연산에 적용하여 상기 배터리의 현재 충전 상태를 나타내는 출력 파라미터를 연산하기 위한 연산 수단

   을 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
2. 제1항에 있어서,

   상기 전기신호는 소정 시간 동안 실시간으로 얻어진 배터리의 전압 및 전류이고,

   상기 입력 파라미터는 상기 배터리의 현재 동작 상태를 나타내는 제1 입력 파라미터와 상기 캘리브레이션를 반영하는 상기 배터리의 성능 저하 상태를 표시하는 제2 입력 파라미터로 이루어지며,

   상기 생성 수단은

   상기 배터리의 전압과 전류 데이터에 기초하여 상기 제1 입력 파라미터를 연산하기 위한 제1 연산 수단, 및

   완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 상기 제2 입력 파라미터를 연산하기 위한 제2 연산 수단을 포함하는

   것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
3. 제2항에 있어서,

   상기 출력 파라미터 연산 수단은

   뉴럴 네트워크 연산 기술에 기초하여 상기 제1 및 제2 입력 파라미터 모두를 처리함으로써 상기 배터리의 현재 충전 상태를 나타내는 상기 출력 파라미터를 연산하도록 구성되는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
4. 제3항에 있어서,

   상기 제1 입력 파라미터는

   상기 소정 시간 동안 검출된 전압의 이력을 나타내는 데이터를 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
5. 제4항에 있어서,

   상기 제1 입력 파라미터는

   상기 소정 시간 동안 검출된 전압과 전류 모두의 이력 데이터를 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
6. 제5항에 있어서,

   상기 제2 입력 파라미터 연산 수단은

   최소제곱법에서의 근사식으로 상기 전압 이력 및 상기 전류 이력의 데이터를 연산하는 수단; 및

   상기 근사식에 기초하여 상기 배터리의 개로 전압(open-circuit voltage)의 현재값 및 상기 배터리의 내부저항의 현재값 중 하나 이상을 연산하기 위한 수단 - 여기서, 상기 현재값의 둘다는 상기 제1 입력 파라미터에 포함됨 - 을 구비하며,

   상기 출력 파라미터 연산 수단은 상기 전압 이력의 데이터, 상기 전류 이력의 데이터, 상기 개로 전압의 현재값, 및 상기 내부저항의 현재값 중 하나 이상으로 이루어지는 상기 제1 입력 파라미터와, 상기 제2 입력 파라미터를 이용하여 상기 출력 파라미터를 연산하도록 구성되는

   것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
7. 제3항에 있어서,

   상기 배터리의 성능 저하 상태를 나타내는 상기 제2 입력 파라미터는 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 검출된 상기 배터리의 개로 전압이며,

   상기 배터리의 현재 충전 상태를 나타내는 상기 출력 파라미터는 상기 배터리의 충전 상태(state of charge: SOC)인

   것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
8. 제3항에 있어서,

   상기 배터리의 성능 저하 상태를 나타내는 상기 제2 입력 파라미터는 상기 배터리가 완전 충전 상태일 때 검출된 상기 배터리의 개로 전압과 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 검출된 배터리의 상기 개로 전압 간의 차이이며,

   상기 배터리의 현재 충전 상태를 나타내는 상기 출력 파라미터는 상기 배터리의 충전 상태(SOC)인

   것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
9. 제3항에 있어서,

   상기 배터리의 성능 저하 상태를 나타내는 상기 제2 입력 파라미터는 ⅰ) 상기 배터리가 완전 충전 상태일 때 검출된 상기 배터리의 개로 전압과 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 검출된 배터리의 상기 개로 전압 간의 차이, 및 ⅱ) 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 검출된 상기 배터리의 개로 전압으로 구성되며,

   상기 배터리의 현재 충전 상태를 나타내는 상기 출력 파라미터는 상기 배터리의 충전 상태(SOC)인

   것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
10. 제3항에 있어서,

    상기 배터리의 성능 저하 상태를 나타내는 상기 제2 입력 파라미터는 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 검출된 상기 배터리의 내부저항값이며,

    상기 배터리의 현재 충전 상태를 나타내는 상기 출력 파라미터는 상기 배터리의 건전 상태(state of health: SOH)인

    것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
11. 제3항에 있어서,

    상기 제2 입력 파라미터 연산 수단은

    최소제곱법에서의 근사식으로 상기 전압 및 상기 전류 둘다의 이력의 데이터를 연산하는 수단; 및

    상기 근사식에 기초하여 상기 배터리의 개로 전압(open-circuit voltage)의 현재값을 연산하기 위한 수단 - 여기서, 상기 현재값은 상기 제1 입력 파라미터에 포함됨 - 을 구비하며,

    상기 출력 파라미터 연산 수단은 상기 전압 이력의 데이터, 상기 전류 이력의 데이터, 상기 개로 전압의 현재값으로 이루어지는 상기 제1 입력 파라미터와, 상기 제2 입력 파라미터를 이용하여 상기 출력 파라미터를 연산하도록 구성되는

    것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
12. 제11항에 있어서,

    상기 배터리의 성능 저하 상태를 나타내는 상기 제2 입력 파라미터는 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 검출된 상기 배터리의 개로 전압 및 내부저항의 둘다인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
13. 제12항에 있어서,

    상기 현재 충전 상태를 나타내는 상기 출력 파라미터는 상기 배터리의 충전 상태(SOC), 상기 배터리의 건전 상태(SOH), 및 상기 충전 상태와 건전 상태를 나타내는 정보를 포함하는 변수의 함수 중 하나인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
14. 제13항에 있어서,

    상기 함수는

    성능 저하 정도 = SOH /(초기 완전 충전 용량 × SOC)

    의 식으로 정의되는 상기 배터리의 성능 저하의 정도인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
15. 제13항에 있어서,

    상기 출력 파라미터 연산 수단은 상기 SOC, 상기 개로 전압, 및 상기 내부저항을 뉴럴 네트워크 연산에 적용하여 상기 SOH가 연산되도록 구성되는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
16. 제2항에 있어서,

    상기 제1 입력 파라미터 연산 수단은 제공받은 상기 배터리의 전압과 전류의 데이터에 기초하여 전압 이력 데이터 및 전류 이력 데이터를 상기 제1 입력 파라미터로서 연산하도록 구성되고,

    상기 제2 입력 파라미터 연산 수단은, 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 상기 전압 이력 데이터 및 전류 이력 데이터의 둘다를 이용하여 상기 배터리의 개로 전압과 내부저항을 상기 제2 입력 파라미터로서 연산하도록 구성되며,

    상기 출력 파라미터 연산 수단은 상기 배터리가 현재 충전되는 경우 기대되는 상기 배터리의 완전 충전 용량을 나타내는 상기 출력 파라미터를 연산하도록 구성되는

    것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
17. 제16항에 있어서,

    상기 제2 입력 파라미터 연산 수단은 최소제곱법을 이용하여 상기 전압 이력 데이터와 전류 이력 데이터의 둘다로부터 선형 근사식을 생성하고, 상기 선형 근사식을 이용하여 상기 개로 전압과 내부저항의 둘다를 연산하도록 구성되는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
18. 제17항에 있어서,

    DD = Q_present / Q_initial

    의 식 - 여기서, 상기 DD는 상기 배터리의 성능 저하의 정도를 나타내고, Q_present는 상기 출력 파라미터 연산 수단에 의하여 계산된 완전 충전 용량의 현재값을 나타내며, Q_initial는 상기 배터리가 제조될 때 주어진 완전 충전 용량의 초기값을 나타냄 - 에 기초하여 상기 배터리의 성능 저하의 정도를 연산하기 위한 수단을 더 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
19. 제1항에 있어서,

    상기 전기신호는 소정 시간 동안 실시간으로 얻어진 상기 배터리의 전압 및 전류이고,

    상기 연산 수단은 ⅰ) 상기 입력 파라미터를 제공받는 입력층, ⅱ) 상기 입력 파라미터와 기록가능한 결합계수의 둘다를 이용하여 뉴럴 네트워크 연산을 실행하는 중간층 - 여기서, 상기 기록가능한 결합계수는 상기 입력층, 상기 중간층, 출력층을 상호간에 결합함 -, 및 ⅲ) 출력층을 구비하여 상기 배터리의 충전 상태를 나타내는 상기 출력 파라미터를 계산하고 상기 출력 파라미터가 상기 출력층으로부터 출력되도록 하는 뉴럴 네트워크를 포함하고,

    상기 생성 수단은

    복수의 메모리 테이블 - 여기서, 상기 테이블의 각각에는 상기 결합계수가 저장되고, 상기 메모리 테이블에 저장된 결합계수는 테이블마다 서로 다르며, 상기 입력 파라미터에서 지정되며 상기 캘리브레이션을 반영하는 상기 배터리의 성능 저하 상태와 상관관계를 갖는 지정된 입력 파라미터의 특징의 분할 범위에 좌우됨 - 을 갖는 메모리; 및

    상기 지정된 입력 파라미터의 현재값에 응답하여 상기 복수의 메모리 테이블로로부터 하나의 메모리 테이블을 선택하여 그것에 저장된 상기 결합계수를 판독하는 선택 수단 - 여기서, 상기 지정된 결합계수는 상기 뉴럴 네트워크 연산에 제공됨 - 을 포함하는

    것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
20. 제19항에 있어서,

    상기 입력 파라미터는 상기 배터리의 전압 및 전류에서 계산되는 상기 배터리의, 전압 이력 데이터, 전류 이력 데이터, 및 개로 전압을 포함하며,

    상기 지정된 입력 파라미터는 상기 배터리가 완전 충전 상태일 때 얻어지는 배터리의 개로 전압인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
21. 제19항에 있어서,

    상기 입력 파라미터는 상기 배터리의 전압 및 전류에서 계산되는 상기 배터리의, 전압 이력 데이터, 전류 이력 데이터, 및 개로 전압을 포함하며,

    상기 지정된 입력 파라미터는 완전 충전된 상기 배터리로부터의 소정 전력량의 방출에 응답하여 얻어지는 상기 배터리의 개로 전압인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
22. 제20항에 있어서,

    상기 배터리의 완전 충전 상태에 응답하는 상기 배터리의 개로 전압은 상기 전압의 크기에 따라 복수의 전압 범위로 분할되는 전압 특성을 가지며,

    상기 메모리 테이블에 저장된 결합계수는 테이블마다 서로 다르며, 상기 배터리의 완전 충전 상태에 응답하여 상기 배터리의 개로 전압의 크기에 따라 좌우되는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
23. 제1항에 있어서,

    상기 생성 수단은

    상기 배터리의 성능 저하의 상태 및 상기 배터리의 방식에서의 차이 - 여기서, 둘다는 캘리브레이션을 반영함 - 중 하나 이상에 기인하여 상기 배터리의 충전 및 방전 특성에 따라 좌우되어 캘리브레이션 되는 입력 파라미터를 생성하도록 구성되는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
24. 제23항에 있어서,

    상기 입력 파라미터는

    상기 배터리의 전압(V) 또는 비율 V/Vf - 여기서, Vf는 상기 배터리가 완전 충전 상태일 때 검출되는 배터리의 전압임 -, 상기 배터리의 개로 전압(Vo) 또는 비율 Vo/Vof - 여기서, 상기 Vof는 상기 배터리가 완전 충전 상태일 때 검출되는 배터리의 개로 전압임 -, 상기 배터리의 내부저항(R) 또는 비율 R/Rf - 여기서, 상기 Rf는 상기 배터리가 완전 충전 상태일 때 검출되는 배터리의 내부저항임 -, 입력변수로서 상기 개로 전압(Vo) 및 상기 내부저항(R)을 이용하고 현재 방전가능한 상기 배터리의 전류량에의 상관관계를 나타내는 소정 함수 f(Vo, R), 및 상기 배터리의 전류(I)를 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
25. 제24항에 있어서,

    상기 함수 f(Vo, R)는 입력변수가 적어도 Vo/R의 비율에 기초하는 함수인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
26. 제25항에 있어서,

    상기 함수 f(Vo, R)는 입력변수가 적어도 Vo·Vo/R의 비율에 기초하는 함수인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
27. 제25항에 있어서,

    상기 함수 f(Vo, R)는 입력변수가 적어도 (Vm - Vo)/R의 비율에 기초하는 함수이며, Vm은 상기 배터리의 소정 전압인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
28. 제25항에 있어서,

    상기 소정전압 Vm은 상기 배터리의 방전 정지 전압인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
29. 제24항에 있어서,

    상기 함수 f(Vo, R)는 f(Vop, Rp)/f(Vof, Rf)에 의하여 정의되는 함수이며,

    상기 f(Vop, Rp)는 함수 f(Vo, R)의 현재값을 나타내며, 상기 f(Vof, Rf)는 상기 배터리가 완전 충전 상태일 때 얻어진 함수 f(Vop, Rp)의 값인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
30. 제29항에 있어서,

    상기 함수 f(Vo, R)는 (Vo·Vo/R)/(Vof·Vof/Rf)에 의하여 정의되는 함수이며,

    상기 Vof 및 Rf는 각각 상기 배터리가 완전 충전 상태일 때 검출된 상기 배터리의 개로 전압 및 내부저항을 나타내는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
31. 배터리 시스템에 구비되는 2차 배터리의 현재 충전 상태를 검출하기 위한 뉴럴 네트워크 방식의 장치로서,

    상기 배터리의 현재 동작 상태를 나타내는 전기신호를 검출하기 위한 검출 수단;

    상기 전기신호를 이용하여, 상기 배터리의 내부 상태를 평가하는데 필요한 입력 파라미터를 생성하는 수단 - 여기서, 상기 입력 파라미터는 상기 배터리의 충전 및 방전 특성에서의 성능 저하에 관하여 상기 배터리의 현재 충전 상태의 캘리브레이션을 반영함 - ; 및

    상기 입력 파라미터를 뉴럴 네트워크 연산에 적용하여 상기 배터리의 현재 충전 상태를 나타내는 출력 파라미터를 연산하기 위한 연산 수단을 포함하고,

    상기 입력 파라미터는 상기 배터리의 현재 충전 상태를 반영하는 복수개의 물리 상태량으로 구성되며,

    상기 복수개의 물리 상태량은 상기 물리 상태량 중에서 지정되는 물리 상태량의 현재값과 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 얻어진 상기 지정된 물리 상태량의 값 간의 비율을 포함하고,

    상기 비율은 상기 입력 파라미터에의 캘리브레이션을 제공하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
32. 제31항에 있어서,

    상기 복수개의 물리 상태량은

    상기 배터리의 평균전압(Va), 개로 전압(Vo), 내부저항(R) 및 최대방전전력(P) 중 하나 이상을 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
33. 제31항에 있어서,

    상기 복수개의 물리 상태량은

    상기 배터리의 평균전압(Va), 개로 전압(Vo), 내부저항(R) 및 최대방전전력(P)의 모두를 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
34. 제31항에 있어서,

    상기 지정된 물리량은 상기 지정된 물리 상태량의 현재값 및 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 얻어진 상기 지정된 물리 상태량의 값을 변수로 포함하는 선형함수에 의하여 주어지는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
35. 제34항에 있어서,

    상기 복수개의 물리 상태량은

    상기 배터리의 평균전압(Va), 개로 전압(Vo), 내부저항(R) 및 최대방전전력(P) 중 하나 이상을 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
36. 제34항에 있어서,

    상기 복수개의 물리 상태량은

    상기 배터리의 평균전압(Va), 개로 전압개로 전압부저항(R) 및 최대방전전력(P)의 모두를 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
37. 제1항에 있어서,

    상기 배터리 시스템은 차량에 장착되는 차량용 배터리 시스템인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치.
38. 배터리 시스템에 구비되는 2차 배터리의 현재 충전 상태를 검출하기 위한 방법으로서,

    상기 배터리의 현재 동작 상태를 나타내는 전기신호를 검출하는 단계와,

    상기 배터리의 현재 성능 저하 상태에 따른 상기 배터리의 현재 충전 상태의 캘리브레이션을 반영하며, 상기 배터리의 내부 상태를 평가하기 위하여 필요한 입력 파라미터를 상기 전기신호를 이용하여 생성하는 단계와,

    상기 입력 파라미터를 뉴럴 네트워크 연산에 적용하여 상기 배터리의 현재 충전 상태를 나타내는 출력 파라미터를 검출하는 단계를

    포함하는 것을 특징으로 하는 충전 상태의 검출 방법.

Images