KR100793616B1 - 배터리 잔존량 추정 장치 및 방법 - Google Patents

Abstract

본 발명이 이루고자 하는 기술적 과제는 퓨전 타입의 소프트 컴퓨팅 알고리즘을 이용하여 배터리 잔존량을 추정함으로써 높은 C-레이트 환경에서도 배터리 잔존량을 정확히 추정할 수 있는 장치 및 방법을 제공하는데 있다.

상기한 본 발명에 따르는 배터리 잔존량을 추정하는 장치는, 배터리 셀의 전류, 전압 및 온도를 검출하는 센싱부; 상기 센싱부에서 검출된 전류, 전압 및 온도를 신경망 알고리즘에 따른 방사 함수로 처리하는 배터리 잔존량 추정값을 출력하는 소프트 컴퓨팅부를 포함하는 것을 특징으로 한다.

특히, 상기 소프트 컴퓨팅부는 상기 신경망 알고리즘에 파라미터를 적응적으로 갱신하는 퍼지 알고리즘, 유전 알고리즘, 셀룰러 오토메타 알고리즘, 면역 시스템 알고리즘 또는 러프-세트 알고리즘 중의 어느 하나를 결합하여, 상기 신경망 알고리즘의 파라미터를 적응적으로 갱신함을 특징으로 한다.

배터리, 잔존량, 추정

Description

배터리 잔존량 추정 장치 및 방법{apparatus and method for testing state of charge in battery}

도 1은 본 발명의 일 실시예에 따른 배터리 잔존량 추정 장치의 블록도.

도 2는 도1의 소프트 컴퓨팅부(20)에서 퍼지-신경망의 구성도.

도 3은 본 발명의 일 실시예에 따른 배터리 잔존량 추정 방법의 흐름도

본 발명은 배터리 잔존량 추정 장치 및 방법에 관한 것으로서, 보다 상세하게는 퓨전 형태의 소프트 컴퓨팅을 이용하여 배터리 잔존량을 추정하는 장치 및 방법에 관한 것이다.

일반적으로, 배터리(battery) 잔존량(State Of Charge: SOC)은 비선형적 특성을 갖는다. 따라서, 배터리 잔존량의 정확한 검출은 사실상 곤란하기 때문에 추정하는 방법에 의존하고 있다.

종래의 배터리 잔존량 추정 방법으로는 배터리 용량 카운팅 방식(Ah-counting), OCV(Open Circuit Voltage) 측정 방식, 배터리의 임피던스 측정 방식 등이 있다.

배터리 용량 카운팅 방식은 배터리의 실제 용량을 검출하여 잔존량을 검출하는 방식이다. 이 방식은 실제 용량을 검출하는 센서의 오류 및 정확도에 크게 영향을 받아 오차가 크다는 문제점이 있다.

OCV 측정 방식은 휴지기 상태에서 배터리의 개방 전압을 읽고 그로부터 잔존 용량을 추정하는 방식이다. 이 방식은 휴지기 상태에서만 측정 가능하고 온도 등의 외부 요인에 많은 영향을 받는다는 문제점이 있다.

배터리의 임피던스 측정 방식은 배터리의 임피던스 측정치로부터 배터리의 잔존 용량을 추정하는 방식이다. 이 방식은 온도에 큰 영향을 받아 그 추정치의 정확도가 떨어진다는 문제점이 있다.

낮은 C-레이트(C-rate) 환경에서 사용되는 휴대폰, 노트북 등은 제품 특성상 배터리 잔존량의 정확한 검출이 요구되지 않는다. 이러한 제품에 있어서 배터리 잔존량은 배터리 용량 카운팅 방식, OCV 측정 방식 등에 의하여 쉽게 추정된다. 여기서, C-레이트는 순간적으로 출력할 수 있는 최대 전류의 크기를 말한다.

그러나, 높은 C-레이트 환경에서 사용되는 하이브리드 전기 자동차(Hybrid Electrical Vehicle: HEV), 전기 자동차(Electrical Vehicle: EV) 등은 일반 자동차의 연료 검출기(Fuel gauge)처럼 정확한 배터리 잔존량 정보가 요구되는 한편 배터리 잔존랴의 비선형 정도는 강해진다. 따라서, 종래의 배터리 잔존량 추정 방법들은 이러한 제품에 있어서 정확한 추정이 매우 어렵다는 문제점이 있다.

본 발명이 이루고자 하는 기술적 과제는 퓨전 타입의 소프트 컴퓨팅 알고리 즘을 이용하여 배터리 잔존량을 추정함으로써 높은 C-레이트 환경에서도 배터리 잔존량을 정확히 추정할 수 있는 장치 및 방법을 제공하는데 있다.

상기한 본 발명에 따르는 배터리 잔존량을 추정하는 장치는, 배터리 셀의 전류, 전압 및 온도를 검출하는 센싱부; 상기 센싱부에서 검출된 전류, 전압 및 온도를 신경망 알고리즘에 따른 방사 함수로 처리하는 배터리 잔존량 추정값을 출력하는 소프트 컴퓨팅부를 포함하는 것을 특징으로 한다.

특히, 상기 소프트 컴퓨팅부는 상기 신경망 알고리즘에 파라미터를 적응적으로 갱신하는 퍼지 알고리즘, 유전 알고리즘, 셀룰러 오토메타 알고리즘, 면역 시스템 알고리즘 또는 러프-세트 알고리즘 중의 어느 하나를 결합하여, 상기 신경망 알고리즘의 파라미터를 적응적으로 갱신함을 특징으로 한다.

이하 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 구체적으로 설명한다.

도 1은 본 발명의 일 실시예에 따른 배터리 잔존량 추정 장치의 블록도이다. 도 1을 참조하면, 잔존량 추정 장치는 배터리 셀(10), 센싱부(11), 소프트 컴퓨팅부(20), 충방전기(30) 및 비교기(40)를 포함한다.

센싱부(11)는 전류 검출부(12), 전압 검출부(14) 및 온도 검출부(16)를 포함한다. 전류 검출부(12)는 시간 k에서 배터리 셀(10)로부터 전류(i)를 검출한다. 전압 검출부(14)는 시간 k에서 배터리 셀(10)로부터 전압(v)를 검출한다. 온도 검출부(16)는 시간 k에서 배터리 셀(10)로부터 전류(i)를 검출한다.

소프트 컴퓨팅(Soft Computing)은 생물의 뇌정보 전달, 추론, 학습, 유전, 면역 시스템을 공학적으로 모델링하여 만들어진 함수 근사화기를 통틀어 일컫는 것으로서 공업계 전반에 걸쳐 제어 및 동정 분야에서 널리 사용되고 있다. 여기서, 동정이라 함은, 시스템의 입출력 특성을 캡처(capture)하는 것을 말한다.

소프트 컴퓨팅 알고리즘은 정확한 정보와 모델이 알려져 있지 않아도 입력/출력 정보 만으로 파라미터들을 자가조정(Self-organize)하면서 특정 시스템을 동정하고 제어할 수 있는 알고리즘이다.

문제는 소프트 컴퓨팅 기법들이 각각 다른 단점을 내포하고 있다는 것이다. 즉, 각각의 소프트 컴퓨팅 기법들을 사용한 배터리 잔존량 추정은 특정 환경에서만 비교적 정확할 뿐 다른 환경에서는 정확도가 떨어진다.

소프트 컴퓨팅부(20)는 이러한 단점을 보완하고 더 완벽한 함수 근사화를 하기 위하여 퓨전 형태의 소프트 컴퓨팅을 사용하여 배터리 잔존량을 추정한다.

소프트 컴퓨팅부(20)가 사용하는 퓨전 형태의 소프트 컴퓨팅 알고리즘은 적응 파라미터 업데이트(Adaptive Parameter Update)를 수행하여 자가 조직(Self_Organize)이 가능한 복수의 알고리즘들이 퓨전(fusion) 형태로 상호 결합한 알고리즘으로서 바이오-모티브(Bio-Motive)된 것이다. 여기서, 바이오-모티브는 생물학적인 정보 처리 능력을 본따서 사용하는 것을 말한다.

더 구체적으로 말하자면, 소프트 컴퓨팅부(20)가 사용하는 소프트 컴퓨팅 알고리즘은 퍼지 알고리즘(Fuzzy Algorithm), 유전 알고리즘(Genetic Algorithm: GA), 셀룰러 오토메타 알고리즘(Cellular Automata Algorithm: CA Algorithm), 면 역 시스템 알고리즘(Immune System Algorithm) 또는 러프-세트 알고리즘(Rough-set Algorithm) 중의 어느 하나에 신경망 알고리즘(Neural Network Algorithm)이 결합한 알고리즘이다.

면역 시스템 알고리즘은 동정 포인트나 제어 포인트를 항체로 설정하고 외란을 항원으로 설정하여 어떤 외란이 첨가되더라도 원하는 포인트를 추정할 수 있게 모델링하는 방법이다. 셀룰러 오토메타 알고리즘은 이진수 형태의 스트링으로 복잡한 알고리즘을 모델링하는 방법이다. 러프-세트 알고리즘은 파라메타들의 상관 관계를 수식으로 모델링하여 적용하는 방법이다.

퍼지 알고리즘에 신경망 알고리즘이 결합한 퍼지-신경망(Neuro-Fuzzy) 알고리즘은 퍼지 추론 시스템을 신경망으로 구현하여 자동적으로 파라미터를 조정하는 형태이다.

퍼지-신경망 알고리즘은 학습 알고리즘의 수행에 의하여 퍼지이론의 전문가 규칙 베이스(expert rule base)를 자동으로 생성할 수 있다.

일반적으로, 어떤 시스템을 잘 알고 있는 사람들은 정확한 정보가 아닌 퍼지(fuzzy)한 정보를 이용하여 작업을 수행해 나간다. 예를 들어, 용접 시스템을 잘 알고 있는 용접 숙련공들은 대략 여기쯤의 위치라면 용접 온도를 약간 올려야 용접이 잘된다는 등의 퍼지한 정보를 이용하여 용접 작업을 잘 수행해 나간다.

퍼지 이론의 전문가 규칙 베이스를 생성한다는 것은 이와 같이 어떤 시스템의 전문가들로부터 if ~ then 구문으로 된 규칙을 획득하는 과정을 일컫는다.

일반적으로, 퍼지 알고리즘에 있어서 가장 어려운 작업은 규칙 베이스를 획 득하는 작업이다. 그런데, 퍼지-신경망 알고리즘은 신경망의 학습 능력을 이용함으로써 이러한 규칙 베이스를 자동으로 생성할 수 있다는 장점이 있다.

또한, 신경망의 입장에서 볼 때 신경망의 크기(즉, 뉴런수), 활성 함수의 선택 등이 전체 성능에 큰 영향을 미치는데 이러한 부분에 퍼지 이론을 사용하면 신경망의 성능을 최적화할 수 있다. 즉, 신경망의 크기를 규칙 베이스의 수로 하고 퍼지 함수 중의 하나를 활성 함수로 사용함으로써 신경망의 성능을 최적화할 수 있다.

퍼지-신경망 알고리즘에서, 신경망은 뇌의 하드웨어적 구현을 모델링하고, 퍼지는 인간의 사고를 모델링한다.

유전 알고리즘에 신경망 알고리즘이 결합한 GA 신경망(Neuro-GA) 알고리즘은 신경망의 학습 알고리즘을 GA로 구현하여 학습에 필요한 여러 파라메타를 동정하는 알고리즘이다.

소프트 컴퓨팅부(20)는 이 밖에도 셀룰러 오토메타 알고리즘에 신경망 알고리즘이 결합한 CA-신경망(Neuro-CA) 알고리즘, 러프-세트 알고리즘에 신경망 알고리즘이 결합한 러프 세트-신경망(Neuro-Rough set) 알고리즘 등을 사용할 수 있다.

본 실시예에서는 소프트 컴퓨팅부(20)가 퍼지-신경망 알고리즘을 사용하여 배터리 잔존량을 추정하지만, 퍼지-신경망 알고리즘은 퓨전 타입 소프트 컴퓨팅 알고리즘의 예시에 불과하다. 소프트 컴퓨팅부(20)는 퍼지-신경망 알고리즘 이외에도 다른 퓨전 타입의 소프트 컴퓨팅 알고리즘을 사용하여 배터리 잔존량을 추정할 수있다.

소프트 컴퓨팅부(20)는 센싱부(11)에서 검출된 전류(i), 전압(v) 및 온도(T)와 검출한 시간(k)에 기초하는 퍼지-신경망 알고리즘을 수행하여 배터리 잔존량의 추정값(F)을 출력한다.

그리고, 소프트 컴퓨팅부(20)는 비교기(40)로부터 알고리즘 갱신 신호를 수신하면 퍼지-신경망 알고리즘에 대해 학습 알고리즘을 수행하여 소프트 컴퓨팅 알고리즘을 갱신한다.

소프트 컴퓨팅부(20)는 소프트 컴퓨팅 알고리즘이 갱신되면 갱신된 소프트 컴퓨팅 알고리즘을 수행하여 배터리 잔존량의 갱신된 추정값(F)을 출력한다.

충방전기(30)는 배터리 셀(10)로 충/방전 전류를 공급한다.

비교기(40)는 소프트 컴퓨팅부(20)에서 출력된 추정값(F)과 소정 목표값(target value:F_T)을 비교한다. 비교기(40)는 출력된 추정값(F)과 소정 목표값(target value:F_T)의 차가 임계 범위를 벗어나면 소프트 컴퓨팅부(20)로 알고리즘 갱신 신호를 출력한다.

목표값(F_T)은 이상적으로는 실제의 "진정한" 배터리 잔존량값이 된다. 그러나, 그 값을 구하기 어려우므로 특정 조건에서 적당한 실험을 통하여 얻은 기준값을 사용한다.

예를 들어, 목표값(F_T)은 배터리의 정격 용량에서 충방전기로부터 입력되는 Ah 카운팅 값과 배터리의 OCV(Open Circuit VOltage) 값을 상호 보완한 값이 될 수 있다.

도2는 도1의 소프트 컴퓨팅부(20)에서 퍼지-신경망의 구성도이다. 도2를 참조하면, 퍼지-신경망은 크게 입력층(input field), 은닉층(hidden layer), 및 출력층(output layer)으로 구성된다.

기준 함수와 퍼지 제어 규칙수가 동일하고, 퍼지 규칙의 후건부가 상수이며 망의 연산자와 출력층의 함수가 같고 퍼지 규칙에서의 소속함수가 같은 폭(분산)의 기준 함수이면 퍼지 시스템과 도2의 방사 기준 함수 네트워크(Radial Basis Function Network)는 등가이다. 여기서, 방사 기준 함수 네트워크는 신경망의 구체적인 이름으로서 신경망의 일종이다.

소프트 컴퓨팅부(20)는 퍼지-신경망의 구조에 따른 퍼지-신경망 알고리즘을 수행한다. 이 알고리즘은 곧 배터리 잔존량 추정 알고리즘이다. 소프트 컴퓨팅부(20)에서 퍼지-신경망에 따른 배터리 잔존량 추정 알고리즘을 적용하기 위한 최종 출력은 다음의 수학식1과 같은 형태를 갖는다.

여기서,

는 퍼지 방사 함수이며 또한 신경망에서 방사 기준 함수(Radial Basis function) 또는 활성 함수이다. 이 함수내의 P는 매개변수이며 X는 입력이다. W는 학습동안 갱신되어야 할 가중치(weight)이다.

이제, 수학식 1을 도2의 퍼지-신경망 구조에 적용하면 다음과 같다.

도 2에서, X = x_d(k)는 퍼지-신경망 구조로 입력되는 입력 데이터 벡터이다. 본 실시예에서 x_d(k) = (i,v,T,k)가 된다. 여기서, i,v,T는 도1의 센싱부(11)가 시간 k에서 배터리 셀(10)로부터 검출한 전류, 전압 온도 데이터이다.

수학식1의 F, 즉 최종 출력은 방사함수

와

의 곱셈으로 이루어진다.

여기서, W는 연결 강도(weight)를 나타내는 계수이다. W는 이하에서 설명될 역전파(Backpropagation: BP) 학습 알고리즘에 의하여 매 시간 k마다 갱신된다. 이에 따라 함수가 근사화 되어 비선형 함수를 동정(identification)하게 된다.

도1의 비교기(40)가 퍼지-신경망의 출력값(F)과 목표값(F_T)을 비교한 결과 출력값(g_O)과 목표값(g_T)의 오차가 소정 범위(예컨대, 3%)를 벗어나면, 도1의 비교기(40)는 도1의 소프트 컴퓨팅부(20)로 알고리즘 갱신 신호를 전송한다.

도1의 소프트 컴퓨팅부(20)가 알고리즘 갱신 신호를 수신하면, 도2의 퍼지-신경망에서는 학습 알고리즘이 수행된다. 본 실시예에서는 학습 알고리즘으로서 역전파 학습 알고리즘을 중심으로 설명하겠으나, 이것은 예시에 불과하다. 필요는 없다. 예를 들어, 칼만 필터, 유전 알고리즘, 퍼지 학습 알고리 등을 학습 알고리즘으로 채용하는 것도 가능하다.

역전파 학습 알고리즘에 대하여 설명하면, 먼저 오차함수를 다음과 같이 정의한다.

여기서 F_T(k)는 원하는 출력, 즉 목표값이고, F(k)는 퍼지-신경망의 실제 출력이다. 그래서, 최종 연결가중치 갱신은 다음의 수학식3과 같다.

여기서,

는 학습률(Learning rate)이다.

이와 같이, 역전파 학습 알고리즘의 반복 수행에 의하여 퍼지-신경망 알고리즘이 갱신된다. 구체적으로 설명하면, 역전파 학습 알고리즘의 반복 수행에 의하여 퍼지-신경망 알고리즘의 W값이 갱신된다.

그리고, 퍼지-신경망은 갱신된 W값에 의하여 결정된 새로운 출력값(F)을 다시 비교기(40)로 출력한다. 이러한 과정은 퍼지-신경망의 출력값(F)과 목표값(F_T)의 오차가 소정 범위 내에 들어갈 때까지 반복 수행된다.

도1의 비교기(40)는 퍼지-신경망의 출력값(F)과 목표값(F_T)의 오차가 소정 범위를 벗어나지 않으면 알고리즘 갱신 신호를 전송하지 않는다. 이로써 퍼지-신경망에 대한 학습 알고리즘의 수행이 종료된다. 학습 알고리즘의 수행에 의하여 얻어진 최종적인 퍼지-신경망 알고리즘식(즉, 수학식 1)을 이용하여 배터리 잔존량의 추정값을 출력한다.

도3은 본 발명의 일 실시예에 따른 배터리 잔존량 추정 방법의 흐름도이다. 도3을 참조하면, 센싱부(11)는 시간 k에서 배터리 셀(10)로부터 전류(i), 전압(v), 온도(T)를 검출한다(S30).

소프트 컴퓨팅부(20)는 센싱부(11)에서 검출된 전류(i), 전압(v) 및 온도(T) 데이터와 시간 데이터(k)를 입력 데이터 벡터로 하여 전술한 퍼지-신경망 알고리즘을 수행함으로써 임시 추정값(g_o)을 출력한다(S32). 즉, 소프트 컴퓨팅부(20)는 x_d(k) = (i,v,T,k)로 하여 퍼지-신경망 알고리즘을 수행함으로써 임시 추정값(F)을 출력한다

비교기(40)는 임시 추정값(F)과 목표값(F_T)을 비교하여 그 오차가 3% 이내인지 여부를 확인한다(S34). 본 실시예에서 오차의 임계 범위를 3%로 설정하였으나, 이것은 예시에 불과하다. 오차의 임계 범위는 설계자에 의하여 충분히 변경 가능하다. 배터리 잔존량의 최종 추정값은 임계 범위가 좁을수록 정확도가 높아지고 임계범위가 넓을수록 정확도가 낮아진다.

소프트 컴퓨팅부(20)는 임시 추정값(F)과 목표값(F_T)의 오차가 3%를 벗어나면 퍼지-신경망 알고리즘에 대해 전술한 학습 알고리즘을 수행하여 퍼지-신경망 알고리즘을 갱신한다(S36). 그리고, 소프트 컴퓨팅부(20)는 갱신된 소프트 컴퓨팅 알고리즘을 수행하여 배터리 잔존량의 갱신된 임시 추정값 F를 산출한다(S32).

비교기(40)는 갱신된 임시 추정값(F)과 목표값(F_T)을 비교하여 그 오차가 3% 이내인지 여부를 확인한다(S34). 소프트 컴퓨팅부(20)는 갱신된 임시 추정값(F)과 목표값(F_T)의 오차가 3%를 벗어나면 다시 학습 알고리즘을 수행하고(S36) 갱신된 퍼지-신경망 알고리즘을 수행한다(S32).

즉, 소프트 컴퓨팅부(20)는 임시 추정값(F)과 목표값(F_T)의 오차가 3% 이내로 들어올때까지 계속해서 학습 알고리즘을 수행하고 갱신된 퍼지-신경망 알고리즘을 수행한다.

임시 추정값(F)과 목표값(F_T)의 오차가 3% 이내로 들어오면, 소프트 컴퓨팅부(20)는 학습 알고리즘을 수행하지 않는다. 이로써, 최종적인 퍼지-신경망 알고리즘식(예를 들어, 수학식3)이 얻어진다.

최종적인 퍼지-신경망 알고리즘식에 의해 산출된 임시 추정값(F)이 배터리 잔존량의 확정 추정값으로 결정된다(S38).

본 발명은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

상술한 바와 같이 본 발명에 의하면, 퓨전 형태의 소프트 컴퓨팅 알고리즘 및 학습 알고리즘을 통하여 배터리의 잔존량을 다이나믹하게 추정할 수 있다. 또한, 최소한의 데이터로 온도, C-레이트 등과 같은 다양한 환경에 따라 배터리의 잔존량을 보다 정확하게 추정할 수 있다.

따라서, 본 발명에 의하면 높은 C-레이트 환경에서도 배터리 잔존량의 정확한 추정이 가능해진다. 그리고, 배터리 잔존량을 추정하는데 있어서 퓨전 형태의 소프트 컴퓨팅 알고리즘을 사용하기 때문에 각각의 단일 소프트 컴퓨팅 알고리즘이 특정 환경에서만 비교적 정확할 뿐 다른 환경에서는 정확도가 떨어진다는 단점을 극복할 수 있다.

특히, 퓨전 형태의 소프트 컴퓨팅 알고리즘으로서 퍼지-신경망 알고리즘을 사용하게 되면 퍼지 논리를 신경망으로 구현함으로써 퍼지 규칙을 학습으로 자동 생성할 수 있는 장점이 있다. 이로 인해 초기 웨이트 설정 안정성과 시스템 수렴성에 있어 기존의 단일 신경망 알고리즘보다 뛰어난 성능을 발휘할 수 있다.

본 발명은 하이브리드 전기 자동차 등의 경우와 같이 보다 정확한 배터리 잔존량 추정이 필요한 분야에서 보다 널리 활용될 수 있다. 그러므로, 하이브리드 전기 자동차용 LiPB(Lithum Ion Polymer Battery)에 적용 가능한 것은 물론이고 다른 배터리에도 적용 가능하다.

Claims (20)

1. 배터리 잔존량을 추정하는 장치에 있어서,

   배터리 셀의 전류, 전압 및 온도를 검출하는 센싱부;

   파라미터를 적응적으로 갱신하는 소프트 컴퓨팅 알고리즘과 신경망 알고리즘이 결합된 퓨전 타입의 소프트 컴퓨팅 알고리즘에 의해 상기 센싱부에서 검출된 전류, 전압 및 온도를 처리하여 배터리 잔존량의 추정값을 출력하는 소프트 컴퓨팅부;

   를 포함하는 것을 특징으로 하는 배터리 잔존량 추정 장치.
2. 제1항에 있어서,

   상기 소프트 컴퓨팅부는 상기 신경망 알고리즘에 파라미터를 적응적으로 갱신하는 퍼지 알고리즘, 유전 알고리즘, 셀룰러 오토메타 알고리즘, 면역 시스템 알고리즘 또는 러프-세트 알고리즘 중의 어느 하나를 결합하여,

   상기 신경망 알고리즘의 파라미터를 적응적으로 갱신함을 특징으로 하는 배터리 잔존량 추정장치.
3. 제1항에 있어서,

   상기 신경망 알고리즘은,

   상기 소프트 컴퓨팅부에서 출력된 추정값과 소정 목표값의 차가 임계범위를 벗어나면 상기 소정 목표값을 추종하도록 학습시키는 학습 알고리즘에 따라 갱신됨을 특징으로 하는 배터리 잔존량 추정장치.
4. 제3항에 있어서, 상기 목표값은

   특정 조건에서 해당 실험을 통하여 얻은 기준값인 것을 특징으로 하는 배터리 잔존량 추정 장치.
5. 제3항에 있어서, 상기 목표값은

   배터리의 정격 용량에서 충방전기로부터 입력되는 Ah 카운팅 값과 배터리의 OCV(Open Circuit Voltage) 값을 상호 보완한 값인 것을 특징으로 하는 배터리 잔존량 추정 장치.
6. 제3항에 있어서, 상기 학습 알고리즘은

   역전파 학습 알고리즘, 칼만 필터, 유전 알고리즘, 퍼지 학습 알고리즘 중 어느 하나인 것을 특징으로 하는 배터리 잔존량 추정 장치.
7. 제2항에 있어서,

   상기 퍼지 알고리즘, 상기 유전 알고리즘, 상기 셀룰러 오토메타 알고리즘, 상기 면역 시스템 알고리즘 또는 상기 러프-세트 알고리즘 중 어느 하나와 결합된 신경망 알고리즘은,

   상기 소프트 컴퓨팅부에서 출력된 추정값과 소정 목표값의 차가 임계범위를 벗어나면 상기 소정 목표값을 추종하도록 학습시키는 학습 알고리즘에 따라 갱신됨 을 특징으로 하는 배터리 잔존량 추정장치.
8. 제7항에 있어서, 상기 목표값은

   특정 조건에서 해당 실험을 통하여 얻은 기준값인 것을 특징으로 하는 배터리 잔존량 추정 장치.
9. 제7항에 있어서, 상기 목표값은

   배터리의 정격 용량에서 충방전기로부터 입력되는 Ah 카운팅 값과 배터리의 OCV(Open Circuit Voltage) 값을 상호 보완한 값인 것을 특징으로 하는 퓨전 형태의 소프트 컴퓨팅을 이용한 배터리 잔존량 추정 장치.
10. 제7항에 있어서, 상기 학습 알고리즘은

    역전파 학습 알고리즘, 칼만 필터, 유전 알고리즘, 퍼지 학습 알고리즘 중 어느 하나인 것을 특징으로 하는 퓨전 형태의 소프트 컴퓨팅을 이용한 배터리 잔존량 추정 장치.
11. 배터리 잔존량을 추정하는 방법에 있어서,

    배터리 셀의 전류, 전압 및 온도를 검출하는 단계;

    파라미터를 적응적으로 갱신하는 소프트 컴퓨팅 알고리즘과 신경망 알고리즘이 결합된 퓨전 타입의 소프트 컴퓨팅 알고리즘에 의해 상기 검출된 전류, 전압 및 온도를 처리하여 배터리 잔존량의 추정값을 출력하는 단계;

    를 포함하는 것을 특징으로 하는 배터리 잔존량 추정 방법.
12. 제11항에 있어서,

    상기 신경망 알고리즘은 파라미터를 적응적으로 갱신하는 퍼지 알고리즘, 유전 알고리즘, 셀룰러 오토메타 알고리즘, 면역 시스템 알고리즘 또는 러프-세트 알고리즘 중의 어느 하나와 결합되어,

    상기 신경망 알고리즘의 파라미터를 적응적으로 갱신함을 특징으로 하는 배터리 잔존량 추정방법.
13. 제11항에 있어서,

    상기 신경망 알고리즘은,

    상기 추정값과 소정 목표값의 차가 임계범위를 벗어나면 상기 소정 목표값을 추종하도록 학습시키는 학습 알고리즘에 따라 갱신됨을 특징으로 하는 배터리 잔존량 추정방법.
14. 제13항에 있어서, 상기 목표값은

    특정 조건에서 해당 실험을 통하여 얻은 기준값인 것을 특징으로 하는 배터리 잔존량 추정방법.
15. 제13항에 있어서, 상기 목표값은

    배터리의 정격 용량에서 충방전기로부터 입력되는 Ah 카운팅 값과 배터리의 OCV(Open Circuit Voltage) 값을 상호 보완한 값인 것을 특징으로 하는 배터리 잔존량 추정방법.
16. 제13항에 있어서, 상기 학습 알고리즘은

    역전파 학습 알고리즘, 칼만 필터, 유전 알고리즘, 퍼지 학습 알고리즘 중 어느 하나인 것을 특징으로 하는 배터리 잔존량 추정방법.
17. 제12항에 있어서,

    상기 퍼지 알고리즘, 상기 유전 알고리즘, 상기 셀룰러 오토메타 알고리즘, 상기 면역 시스템 알고리즘 또는 상기 러프-세트 알고리즘 중 어느 하나와 결합된 신경망 알고리즘은,

    상기 소프트 컴퓨팅부에서 출력된 추정값과 소정 목표값의 차가 임계범위를 벗어나면 상기 소정 목표값을 추종하도록 학습시키는 학습 알고리즘에 따라 갱신됨을 특징으로 하는 배터리 잔존량 추정방법.
18. 제17항에 있어서, 상기 목표값은

    특정 조건에서 해당 실험을 통하여 얻은 기준값인 것을 특징으로 하는 배터리 잔존량 추정방법.
19. 제17항에 있어서, 상기 목표값은

    배터리의 정격 용량에서 충방전기로부터 입력되는 Ah 카운팅 값과 배터리의 OCV(Open Circuit Voltage) 값을 상호 보완한 값인 것을 특징으로 하는 퓨전 형태의 소프트 컴퓨팅을 이용한 배터리 잔존량 추정방법.
20. 제17항에 있어서, 상기 학습 알고리즘은

    역전파 학습 알고리즘, 칼만 필터, 유전 알고리즘, 퍼지 학습 알고리즘 중 어느 하나인 것을 특징으로 하는 퓨전 형태의 소프트 컴퓨팅을 이용한 배터리 잔존량 추정방법.

Images