JP7512514B2 - バッテリ状態診断装置及び方法 - Google Patents

Description

本願は、２０２０年１０月５日付の大韓民国特許出願番号第１０－２０２０－０１２８１９４号に対する優先権主張出願であって、当該出願の明細書及び図面に開示されたあらゆる内容は、引用によって本出願に援用される。

本発明は、バッテリ状態診断装置及び方法に係り、より詳細には、バッテリの状態を診断することができるバッテリ状態診断装置及び方法に関する。

最近、ノート型パソコン、ビデオカメラ、携帯用電話機のような携帯用電子製品の需要が急激に増大し、電気自動車、エネルギー貯蔵用蓄電池、ロボット、衛星などの開発が本格化されることによって、反復的な充電・放電が可能な高性能バッテリについての研究が活発に進められている。

現在、商用化されたバッテリとしては、ニッケルカドミウム電池、ニッケル水素電池、ニッケル亜鉛電池、リチウムバッテリなどがあるが、そのうち、リチウムバッテリは、ニッケル系のバッテリに比べてメモリ効果がほとんど起こらず、充電・放電が自在であり、自己放電率が非常に低く、エネルギー密度が高いという長所によって脚光を浴びている。

従来、バッテリの電圧、電流、及び／または温度などのバッテリ情報を獲得し、該獲得されたバッテリ情報を基準電圧または基準電圧範囲と単純に大小を比較した結果に基づいてバッテリの状態を診断した。例えば、バッテリの電圧が基準電圧範囲に属するか否かによってバッテリの状態が正常状態、過電圧（Ｏｖｅｒ ｖｏｌｔａｇｅ）状態、または不足電圧（Ｕｎｄｅｒ ｖｏｌｔａｇｅ）状態と診断された。

しかし、実際には、バッテリの電圧、電流、及び／または温度などが基準範囲に属するとしても、火災が発生する場合があるために、バッテリの特徴値（例えば、電圧値）と参照値（例えば、基準電圧または基準電圧範囲）とを単純に比較してバッテリの状態を診断するものではなく、バッテリのプロファイルの変化を追跡して統計学的な観点からバッテリの状態を正確に診断する技術が要求される。

本発明は、前記問題点を解決するために案出されたものであって、バッテリの多様な特徴値に基づいて、バッテリの状態を追跡診断することができるバッテリ状態診断装置及び方法を提供することを目的とする。

本発明の他の目的及び長所は、下記の説明によって理解され、本発明の実施例によってより明らかになるであろう。また、本発明の目的及び長所は、特許請求の範囲に表われた手段及びその組み合わせによって実現可能であるということを容易に理解されるであろう。

本発明の一側面によるバッテリ状態診断装置は、複数のバッテリのそれぞれの電圧、容量、内部抵抗、ＳＯＣ、及びＳＯＨのうち少なくとも１つを含むバッテリ情報を獲得し、該獲得されたバッテリ情報に基づいて、複数のバッテリプロファイルを前記複数のバッテリのそれぞれに対して周期ごとに生成するように構成されたプロファイル生成部；前記バッテリ情報及び前記プロファイル生成部によって生成された複数のバッテリプロファイルを用いて、前記複数のバッテリのそれぞれに対して複数の特徴値を抽出するように構成された特徴値抽出部；前記特徴値抽出部によって抽出された複数の特徴値に対する複数の主成分を算出するように構成された主成分算出部；前記複数のバッテリのそれぞれに対して抽出された複数の特徴値に基づいて、前記複数の主成分に対する前記複数のバッテリの分布を示す主成分別分布度を算出し、既定の基準値と算出された主成分別分布度とを比較した結果によって、前記複数の主成分のうち１つ以上をターゲット成分として選択し、該選択された１つ以上のターゲット成分に基づいて、前記複数のバッテリのそれぞれを複数のグループのうち何れか１つに分類するように構成されたバッテリ分類部；及び前記周期ごとに前記バッテリ分類部によって、前記複数のバッテリのそれぞれが分類されるグループに関する分類履歴を更新し、該更新された分類履歴に基づいて、前記複数のバッテリのそれぞれの状態を診断するように構成されたバッテリ状態診断部；を含みうる。

前記バッテリ分類部は、前記選択された１つ以上のターゲット成分に基づいて、異常セルに対応して設定された参照セルを前記複数のグループのうち何れか１つに分類するように構成することができる。

前記バッテリ状態診断部は、前記複数のグループのうち、前記参照セルが属するグループを異常グループとして設定し、残りのグループを正常グループとして設定するように構成することができる。

前記分類履歴は、前記複数のバッテリのそれぞれに対して備えられ、直前周期から分類されたグループ、現在周期から分類されたグループ、前記異常グループへの転換回数及び前記正常グループへの転換回数を含むように構成することができる。

前記バッテリ状態診断部は、前記複数のバッテリのうち、前記直前周期から分類されたグループと前記現在周期から分類されたグループとが異なるターゲットバッテリを決定し、該決定されたターゲットバッテリに対する前記異常グループへの転換回数または前記正常グループへの転換回数に基づいて、前記ターゲットバッテリの状態を正常または異常と診断するように構成することができる。

前記バッテリ状態診断部は、前記現在周期で前記ターゲットバッテリが前記異常グループに分類された場合、前記異常グループへの転換回数が所定の回数以上であれば、前記ターゲットバッテリの状態を異常と診断するように構成することができる。

前記バッテリ状態診断部は、前記現在周期で前記ターゲットバッテリが前記正常グループに分類された場合、前記正常グループへの転換回数が前記所定の回数以上であれば、前記ターゲットバッテリの状態を正常と診断するように構成することができる。

前記バッテリ分類部は、前記複数の主成分のうち少なくとも１つを選択し、該選択された１つ以上の主成分に対応する主成分別分布度の合計が、前記既定の基準値以上である場合、前記選択された１つ以上の主成分を前記ターゲット成分として選択するように構成することができる。

前記バッテリ分類部は、前記合計が、前記既定の基準値以上になるまで、前記複数の主成分のそれぞれに対応する主成分別分布度を大きさが大きな順に加えて、前記合計を算出するように構成することができる。

前記バッテリ分類部は、前記周期ごとに、前記複数のバッテリ及び前記参照セルを前記複数のグループに分類する代表モデルを生成するように構成することができる。

前記バッテリ分類部は、前記選択された１つ以上のターゲット成分を含むターゲット集合を生成し、該生成されたターゲット集合のうちの少なくとも１つのターゲット成分を含む複数のターゲット部分集合を生成し、前記複数のターゲット部分集合のそれぞれに対して、前記複数のバッテリ及び前記参照セルを分類する１つ以上の分類モデルを生成し、前記複数のターゲット部分集合に対して生成された複数の分類モデルのうち何れか１つを当該周期に対する代表モデルとして設定するように構成することができる。

前記バッテリ分類部は、前記生成された複数の分類モデルのそれぞれに対して、前記複数のバッテリ及び前記参照セルの分類度を算出し、前記生成された複数の分類モデルのうち、算出された分類度が最も低い分類モデルを前記当該周期に対する前記代表モデルとして設定するように構成することができる。

前記バッテリ分類部は、前記複数のターゲット部分集合のそれぞれに含まれた１つ以上のターゲット成分に対して、前記複数のバッテリ及び前記参照セルの内積を算出し、該算出された複数の内積の大きさによって、前記複数のバッテリ及び前記参照セルを分類する前記複数の分類モデルを生成するように構成することができる。

前記バッテリ分類部は、前記複数の分類モデルのそれぞれに対して、分類されるグループの総個数が、既定の基準個数以下になるように制御するように構成することができる。

本発明の他の側面によるバッテリパックは、本発明の一側面によるバッテリ状態診断装置を含みうる。

本発明のさらに他の側面によるエネルギー貯蔵装置は、本発明の一側面によるバッテリ状態診断装置を含みうる。

本発明のさらに他の側面によるバッテリ状態診断方法は、複数のバッテリのそれぞれの電圧及び容量間の対応関係を示すバッテリプロファイルを前記複数のバッテリのそれぞれに対して周期ごとに生成するプロファイル生成段階；前記プロファイル生成段階から生成された複数のバッテリプロファイルのそれぞれから複数の特徴値を抽出する特徴値抽出段階；前記特徴値抽出段階から抽出された複数の特徴値に対する複数の主成分を算出する主成分算出段階；前記複数のバッテリのそれぞれに対して抽出された複数の特徴値に基づいて、前記複数の主成分に対する前記複数のバッテリの分布を示す主成分別分布度を算出する主成分別分布度算出段階；既定の基準値と前記主成分別分布度算出段階から算出された主成分別分布度とを比較した結果によって、前記複数の主成分のうち１つ以上をターゲット成分として選択するターゲット成分選択段階；前記ターゲット成分選択段階から選択された１つ以上のターゲット成分に基づいて、前記複数のバッテリのそれぞれを複数のグループのうち何れか１つに分類するバッテリ分類段階；及び前記周期ごとに前記バッテリ分類段階で前記複数のバッテリのそれぞれが分類されるグループに関する分類履歴を更新し、該更新された分類履歴に基づいて、前記複数のバッテリのそれぞれの状態を診断するバッテリ状態診断段階；を含みうる。

本発明の一側面によれば、バッテリ状態が周期的に診断されてバッテリの欠陥による事故が未然に防止される。

また、本発明の一側面によれば、所定の周期ごとに獲得されるバッテリのプロファイルに基づいてバッテリの状態が追跡診断される。すなわち、バッテリの状態が異常と診断される時点とその時点でのバッテリ状態が特定されて保存されるので、バッテリの状態についての具体的な診断情報が提供されうる。

本発明の効果は、前述した効果に制限されず、言及されていないさらに他の効果は、請求範囲の記載から当業者に明確に理解されるであろう。

本明細書に添付される次の図面は、後述する発明の詳細な説明と共に本発明の技術思想をさらに理解させる役割を行うものなので、本発明は、そのような図面に記載の事項のみに限定されて解釈されてはならない。

本発明の一実施例によるバッテリ状態診断装置を概略的に示す図面である。 本発明の一実施例によるバッテリ状態診断装置によって生成されたバッテリプロファイルのうち、電圧－微分容量プロファイルを概略的に示す図面である。 本発明の一実施例によるバッテリ状態診断装置によって算出された主成分別分布度の一例示を概略的に示す図面である。 本発明の一実施例によるバッテリ状態診断装置が現在周期で生成した分類モデルを概略的に示す図面である。 本発明の一実施例によるバッテリ状態診断装置が現在周期で生成した分類モデルを概略的に示す図面である。 本発明の一実施例によるバッテリ状態診断装置を含むバッテリパックの例示的構成を開示した図面である。 本発明の他の実施例によるバッテリ状態診断方法を概略的に示す図面である。

本明細書及び特許請求の範囲に使われた用語や単語は、通常の、または辞書的な意味として限定して解釈されてはならず、発明者は、自分の発明を最も最善の方法で説明するために、用語の概念を適切に定義できるという原則を踏まえて、本発明の技術的思想に符合する意味と概念として解釈されなければならない。

したがって、本明細書に記載の実施例と図面とに示された構成は、本発明の最も望ましい一実施例に過ぎず、本発明の技術的思想をいずれも代弁するものではないので、本願の出願時点において、これらを代替しうる多様な均等物及び変形例があるということを理解しなければならない。

また、本発明を説明するに当って、関連した公知の構成または機能についての具体的な説明が、本発明の要旨を不明にする恐れがあると判断される場合、その詳細な説明は省略する。

第１、第２のように序数を含む用語は、多様な構成要素のうち何れか１つを残りと区別する目的として使われるものであり、そのような用語によって構成要素を限定するために使われるものではない。

明細書の全体において、ある部分が、ある構成要素を「含む」とする時、これは、特に反対となる記載がない限り、他の構成要素を除くものではなく、他の構成要素をさらに含みうるということを意味する。

また、明細書の全体において、ある部分が、他の部分と「連結」されているとする時、これは、「直接連結」されている場合だけではなく、その中間に他の素子を挟んで「間接的に連結」されている場合も含む。

以下、添付図面を参照して、本発明の望ましい実施例を詳しく説明する。

図１は、本発明の一実施例によるバッテリ状態診断装置１００を概略的に示す図面である。

図１を参照すれば、本発明の一実施例によるバッテリ状態診断装置１００は、プロファイル生成部１１０、特徴値抽出部１２０、主成分算出部１３０、バッテリ分類部１４０、及びバッテリ状態診断部１５０を含みうる。

ここで、バッテリは、負極端子と正極端子とを備え、物理的に分離可能な１つの独立したセルを意味する。一例として、ポーチ型リチウムポリマーセル１つが１個のバッテリと見なされる。

プロファイル生成部１１０は、複数のバッテリのそれぞれの電圧、容量、内部抵抗、ＳＯＣ（Ｓｔａｔｅ ｏｆ ｃｈａｒｇｅ）、及びＳＯＨ（Ｓｔａｔｅ ｏｆ ｈｅａｌｔｈ）のうち少なくとも１つを含むバッテリ情報を獲得するように構成することができる。

具体的に、プロファイル生成部１１０によって獲得されるバッテリ情報は、バッテリが充電される過程で獲得された情報である。

例えば、バッテリが充電される間に、バッテリの電圧及び容量が測定される。また、バッテリの電圧及び／またはバッテリに対する充電電流に基づいてバッテリのＳＯＣが推定される。また、バッテリの電圧及びＳＯＣに基づいてバッテリの内部抵抗が推定される。例えば、拡張カルマンフィルター（Ｅｘｔｅｎｄｅｄ Ｋａｌｍａｎ Ｆｉｌｔｅｒ、ＥＫＦ）とバッテリに対する等価回路モデル（Ｅｑｕｉｖａｌｅｎｔ ｃｉｒｃｕｉｔ ｍｏｄｅｌ、ＥＣＭ）とに基づいてバッテリの電圧及びＳＯＣからバッテリの内部抵抗が推定される。また、推定されたバッテリのＳＯＣに基づいてバッテリのＳＯＨが推定される。

そして、プロファイル生成部１１０は、獲得されたバッテリ情報に基づいて複数のバッテリプロファイルを前記複数のバッテリのそれぞれに対して周期ごとに生成するように構成することができる。

ここで、周期とは、既定の時間的間隔で設定しうる。このような周期に対する設定は、変更されうる。周期は、一時的にも変更されうる。例えば、周期は、基本的に第１時間間隔を有するように設定しうる。第ｎ周期から第１時間間隔による第ｎ＋１周期が到来する前に特定のイベントが発生すれば、プロファイル生成部１１０は、バッテリ情報と複数のバッテリプロファイルとを獲得することができる。そして、前記第ｎ周期が到来すれば、プロファイル生成部１１０は、バッテリ情報と複数のバッテリプロファイルとを獲得することもできる。ここで、特定のイベントが発生した場合とは、外部からバッテリ状態診断装置１００にバッテリ状態診断要請が入力された場合である。

プロファイル生成部１１０は、バッテリの電圧（Ｖ）とバッテリのＳＯＣとの対応関係を示す電圧－ＳＯＣプロファイル及びバッテリの電圧（Ｖ）と容量（Ｑ）との対応関係を示す電圧－容量プロファイルを生成することができる。

また、プロファイル生成部１１０は、バッテリの充電時間（ｔ）と微分電圧（ｄＶ／ｄｔ）との対応関係を示す微分電圧プロファイルを生成することができる。ここで、微分電圧は、バッテリの電圧値［Ｖ］を充電時間値［秒］に対して微分した値である。

また、プロファイル生成部１１０は、バッテリの電圧（Ｖ）と微分容量（ｄＱ／ｄＶ）との対応関係を示す電圧－微分容量プロファイルを生成することができる。ここで、微分容量は、バッテリの容量値［ｍＡｈ］をバッテリの電圧値［Ｖ］で微分した値である。

プロファイル生成部１１０は、複数のバッテリのそれぞれに対するバッテリプロファイルとして電圧－ＳＯＣプロファイル、微分電圧プロファイル、電圧－容量プロファイル、及び電圧－微分容量プロファイルのうち１つ以上を生成することができる。

図２は、本発明の一実施例によるバッテリ状態診断装置１００によって生成されたバッテリプロファイルのうち、電圧－微分容量プロファイルを概略的に示す図面である。

図２を参照すれば、プロファイル生成部１１０は、バッテリが充電される間に獲得された電圧値及び容量値に基づいて、バッテリの電圧と微分容量に対する電圧－微分容量プロファイルとを生成することができる。

特徴値抽出部１２０は、前記バッテリ情報及び前記プロファイル生成部１１０によって生成された複数のバッテリプロファイルを用いて、前記複数のバッテリのそれぞれに対して複数の特徴値を抽出するように構成することができる。

例えば、図２の実施例において、特徴値抽出部１２０は、プロファイル生成部１１０によって生成された電圧－微分容量プロファイルで充電開始地点（Ｉ）、第１特徴（ｆ１）、第２特徴（ｆ２）、第３特徴（ｆ３）、第４特徴（ｆ４）及び充電終了地点（Ｆ）を決定することができる。

ここで、第１特徴（ｆ１）、第２特徴（ｆ２）及び第４特徴（ｆ４）は、電圧に対する微分容量の瞬間変化率が０である地点である。望ましくは、第１特徴（ｆ１）、第２特徴（ｆ２）及び第４特徴（ｆ４）のそれぞれを基準に電圧に対する微分容量の瞬間変化率が正の値から負の値に変わる。例えば、図２の実施例において、特徴値抽出部１２０によって選択された第１特徴（ｆ１）の電圧値は、Ｖ１であり、微分容量値は、ｄＱ１である。また、第２特徴（ｆ２）の電圧値は、Ｖ２であり、微分容量値は、ｄＱ２である。また、第４特徴（ｆ４）の電圧値は、Ｖ４であり、微分容量値は、ｄＱ４である。

また、第３特徴（ｆ３）は、電圧値（Ｖ３）が第２特徴（ｆ２）の電圧値（Ｖ２）及び第４特徴（ｆ４）の電圧値（Ｖ４）の間に位置し、第３特徴（ｆ３）を基準に電圧に対する微分容量の瞬間変化率が所定大きさ以上変わる地点である。具体的に、第３特徴（ｆ３）は、バッテリの正極の退化と関連したものであって、第２特徴（ｆ２）と第４特徴（ｆ４）との間の電圧区間で表われる。

特徴値抽出部１２０は、電圧－微分容量プロファイルで、充電開始地点（Ｉ）の電圧値、第１ないし第４特徴（ｆ１、ｆ２、ｆ３、ｆ４）の電圧値及び微分容量値、充電終了地点（Ｆ）の電圧値、充電開始地点（Ｉ）とそれぞれの特徴（ｆ１、ｆ２、ｆ３、ｆ４）との間の電圧に対する微分容量の平均変化量、及び充電開始地点（Ｉ）とそれぞれの特徴（ｆ１、ｆ２、ｆ３、ｆ４）との間の電圧に対する微分容量の面積など電圧－微分容量プロファイルで獲得することができる多様な因子をバッテリの特徴値として抽出することができる。

例えば、図２の実施例において、充電開始地点（Ｉ）の電圧値は、ＶＩであり、充電終了地点（Ｆ）の電圧値は、ＶＦである。また、充電開始地点（Ｉ）の微分容量値は、ｄＱＩであり、充電終了地点（Ｆ）の微分容量値は、ｄＱＦである。

例えば、充電開始地点（Ｉ）と第１特徴（ｆ１）との間の電圧に対する微分容量の平均変化量は、「（ｄＱ１－ｄＱＩ）÷（Ｖ１－ＶＩ）」の数式によって算出される。また、充電開始地点（Ｉ）と第１特徴（ｆ１）との間の電圧に対する微分容量の面積は、ｄＱＩを基準にＶＩからＶ１までの面積によって算出される。これと類似した方式で、電圧－微分容量プロファイルで多様なバッテリの特徴値が抽出される。

また、特徴値抽出部１２０は、プロファイル生成部１１０によって生成された電圧－ＳＯＣプロファイルで、充電開始地点（Ｉ）のＳＯＣと充電終了地点（Ｆ）のＳＯＣとを抽出することもできる。すなわち、特徴値抽出部１２０は、バッテリの下段ＳＯＣ（充電開始地点（Ｉ）のＳＯＣ）と上段ＳＯＣ（充電終了地点（Ｆ）のＳＯＣ）とを特徴値としてさらに抽出することができる。

また、特徴値抽出部１２０は、プロファイル生成部１１０によって生成された微分電圧プロファイルで、最小微分電圧値、最大微分電圧値、及び平均微分電圧値を特徴値としてさらに抽出することができる。

また、特徴値抽出部１２０は、バッテリ情報でバッテリのＳＯＨと内部抵抗値［Ω］とを特徴値としてさらに抽出することができる。

主成分算出部１３０は、前記特徴値抽出部１２０によって抽出された複数の特徴値に対する複数の主成分を算出するように構成することができる。

具体的に、主成分算出部１３０は、主成分分析法（Ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ）を用いて、複数のバッテリのそれぞれに対して抽出された複数の特徴値の分散に基づいて複数の主成分を算出することができる。すなわち、ここで、主成分（Ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ）とは、前記抽出された複数の特徴値に対する固有ベクトルを意味する。

例えば、特徴値抽出部１２０が、複数のバッテリのそれぞれに対してＮ個の特徴値を抽出したと仮定する。主成分算出部１３０は、主成分分析法を用いて、Ｎ個の特徴値からＮ個の主成分を算出することができる。すなわち、主成分算出部１３０によって第１主成分（ＰＣ１）ないし第Ｎ主成分（ＰＣＮ）が算出される。

より具体例として、第１バッテリの特徴値は、ａ１、ｂ１、及びｃ１であり、第２バッテリの特徴値は、ａ２、ｂ２、及びｃ２であり、第３バッテリの特徴値は、ａ３、ｂ３、及びｃ３であると仮定する。ユークリッド座標系を参照すれば、第１バッテリの特徴値は、（ａ１、ｂ１、ｃ１）と表現され、第２バッテリの特徴値は、（ａ２、ｂ２、ｃ２）と表現され、第３バッテリの特徴値は、（ａ３、ｂ３、ｃ３）と表現される。主成分算出部１３０は、（ａ１、ｂ１、ｃ１）、（ａ２、ｂ２、ｃ２）、及び（ａ３、ｂ３、ｃ３）に対する第１主成分（ＰＣ１）、第２主成分（ＰＣ２）、及び第３主成分（ＰＣ３）を算出することができる。

バッテリ分類部１４０は、前記複数のバッテリのそれぞれに対して抽出された複数の特徴値に基づいて、前記複数の主成分に対する前記複数のバッテリの分布を示す主成分別分布度を算出するように構成することができる。

まず、バッテリ分類部１４０は、複数のバッテリのそれぞれの複数の特徴値を複数の主成分のそれぞれに対して射影することにより、複数の主成分のそれぞれに対する複数のバッテリの分布値を算出することができる。

例えば、以前の実施例のように、特徴値抽出部１２０によって第１バッテリ、第２バッテリ、及び第３バッテリに対して３個の特徴値が抽出され、主成分算出部１３０によって第１主成分（ＰＣ１）、第２主成分（ＰＣ２）、及び第３主成分（ＰＣ３）が算出されたと仮定する。バッテリ分類部１４０は、第１ないし第３バッテリの特徴値を第１主成分（ＰＣ１）に対して射影して、第１主成分（ＰＣ１）に対する第１ないし第３バッテリの分布値を算出することができる。すなわち、バッテリ分類部１４０は、（ａ１、ｂ１、ｃ１）、（ａ２、ｂ２、ｃ２）、及び（ａ３、ｂ３、ｃ３）を第１主成分（ＰＣ１）に対して射影することができる。例えば、第１主成分（ＰＣ１）に対して射影された第１バッテリの特徴値が、（ａ１’、ｂ１’、ｃ１’）であり、射影された第２バッテリの特徴値が、（ａ２’、ｂ２’、ｃ２’）であり、射影された第３バッテリの特徴値が、（ａ３’、ｂ３’、ｃ３’）であると仮定する。バッテリ分類部１４０は、（ａ１’、ｂ１’、ｃ１’）と（ａ２’、ｂ２’、ｃ２’）との距離、（ａ１’、ｂ１’、ｃ１’）と（ａ３’、ｂ３’、ｃ３’）との距離、及び（ａ２’、ｂ２’、ｃ２’）と（ａ３’、ｂ３’、ｃ３’）との距離のうち、最大距離を第１主成分（ＰＣ１）に対する第１ないし第３バッテリの分布値で算出することができる。このような方式で、バッテリ分類部１４０は、第２主成分（ＰＣ２）に対する第１ないし第３バッテリの分布値と第３主成分（ＰＣ３）に対する第１ないし第３バッテリの分布値とを算出することができる。

そして、バッテリ分類部１４０は、複数の主成分のそれぞれに対して算出された分布値に基づいて、複数の主成分のそれぞれに対する主成分別分布度を算出することができる。具体的に、バッテリ分類部１４０は、下記の数式１を用いて主成分別分布度を算出することができる。

数式１において、ｎは、主成分算出部１３０によって算出された主成分の個数であって、自然数である。ＰＣｉは、第ｉ主成分を意味し、ＰＣｊは、第ｊ主成分を意味する。例えば、ＰＣ１は、第１主成分（ＰＣ１）であり、ＰＣ２は、第２主成分（ＰＣ２）であり、ＰＣｎは、第ｎ主成分（ＰＣｎ）を意味する。すなわち、ｉとｊは、該当する主成分を特定するための臨時変数であり、ｊは、１以上ｎ以下の自然数である。

また、数式１において、ＰＣｊｖは、主成分別分布度である。例えば、ＰＣ１ｖは、第１主成分（ＰＣ１）の分布度であり、ＰＣ２ｖは、第２主成分（ＰＣ２）の分布度であり、ＰＣｎｖは、第ｎ主成分（ＰＣｎ）の分布度である。

また、数式１において、Ｖａｒ（ＰＣｉ）は、第ｉ主成分に対して射影された複数のバッテリの特徴値間の距離の集合を意味する。また、ｍａｘ｛Ｖａｒ（ＰＣｉ）｝は、第ｉ主成分の分布値である。すなわち、ｍａｘ｛Ｖａｒ（ＰＣｉ）｝は、第ｉ主成分に対して射影された複数のバッテリの特徴値間の距離のうち、最大距離を示す。

図３は、本発明の一実施例によるバッテリ状態診断装置１００によって算出された主成分別分布度の一例示を概略的に示す図面である。

図３を参照すれば、主成分算出部１３０によって第１主成分（ＰＣ１）、第２主成分（ＰＣ２）、第３主成分（ＰＣ３）、第４主成分（ＰＣ４）、及び第５主成分（ＰＣ５）が算出される。ここで、第１主成分（ＰＣ１）の分布度は、５５％であり、第２主成分（ＰＣ２）の分布度は、２５％であり、第３主成分（ＰＣ３）の分布度は、１１％であり、第４主成分（ＰＣ４）の分布度は、６％であり、第５主成分（ＰＣ５）の分布度は、３％である。

バッテリ分類部１４０は、既定の基準値と算出された主成分別分布度とを比較した結果によって、前記複数の主成分のうち１つ以上をターゲット成分として選択するように構成することができる。

望ましくは、前記バッテリ分類部１４０は、前記複数の主成分のうち少なくとも１つを選択し、該選択された１つ以上の主成分に対応する主成分別分布度の合計が、前記既定の基準値以上である場合、前記選択された１つ以上の主成分を前記ターゲット成分として選択するように構成することができる。

より具体的に、前記バッテリ分類部１４０は、前記合計が、前記既定の基準値以上になるまで、前記複数の主成分のそれぞれに対応する主成分別分布度を大きさが大きな順に加えて、前記合計を算出するように構成することができる。

例えば、図３の実施例において、基準値が９０％にあらかじめ設定されたと仮定する。バッテリ分類部１４０は、第１主成分（ＰＣ１）を先に選択し、第１主成分（ＰＣ１）の分布度（５５％）と基準値（９０％）とを比較することができる。第１主成分（ＰＣ１）の分布度（５５％）が基準値（９０％）よりも小さいために、バッテリ分類部１４０は、第２主成分（ＰＣ２）を選択して第１及び第２主成分（ＰＣ２）の分布度の合計を８０％に算出することができる。第１及び第２主成分（ＰＣ２）の分布度の合計（８０％）も、基準値（９０％）よりも小さいために、バッテリ分類部１４０は、第３主成分（ＰＣ３）を選択して第１ないし第３主成分（ＰＣ３）の分布度の合計を９１％に算出することができる。第１ないし第３主成分（ＰＣ３）の分布度の合計（９１％）は、基準値（９０％）よりも大きいために、バッテリ分類部１４０は、ターゲット成分として第１主成分（ＰＣ１）、第２主成分（ＰＣ２）、及び第３主成分（ＰＣ３）を選択することができる。

また、バッテリ分類部１４０は、選択された１つ以上のターゲット成分に基づいて、前記複数のバッテリのそれぞれを複数のグループのうち何れか１つに分類するように構成することができる。すなわち、ターゲット成分は、複数のバッテリを分類するために選択されたものであって、複数の主成分の一部または全体成分である。

具体的に、前記バッテリ分類部１４０は、前記選択された１つ以上のターゲット成分に基づいて、異常セルに対応して設定された参照セルと前記複数のバッテリとを前記複数のグループのうち何れか１つに分類するように構成することができる。

例えば、参照セルは、複数のバッテリと同種のバッテリであって、ＥＯＬ（Ｅｎｄ ｏｆ Ｌｉｆｅ）状態の退化セルである。バッテリ分類部１４０は、選択した１つ以上のターゲット成分に基づいて、複数のバッテリと参照セルとを複数のグループのうち何れか１つに分類することができる。

バッテリ状態診断部１５０は、前記周期ごとに前記バッテリ分類部１４０によって前記複数のバッテリのそれぞれが分類されるグループに関する分類履歴を更新するように構成することができる。

望ましくは、前記バッテリ分類部１４０は、前記選択された１つ以上のターゲット成分に基づいて、異常セルに対応して設定された参照セルを前記複数のグループのうち何れか１つに分類するように構成することができる。そして、前記バッテリ状態診断部１５０は、前記複数のグループのうち、前記参照セルが属するグループを異常グループとして設定し、残りのグループを正常グループとして設定するように構成することができる。

すなわち、複数のグループのうち、参照セルが分類されたグループは、異常グループとして設定され、複数のグループのうち、異常グループを除いた残りのグループは、正常グループとして設定しうる。

また、前記分類履歴は、前記複数のバッテリのそれぞれに対して備えられうる。すなわち、複数のバッテリのそれぞれに対して分類履歴が備えられうる。そして、分類履歴は、直前周期から分類されたグループ、現在周期から分類されたグループ、前記異常グループへの転換回数及び前記正常グループへの転換回数を含むように構成することができる。

例えば、バッテリ状態診断部１５０は、周期ごとに複数のバッテリのそれぞれの分類履歴を更新することができる。更新される分類履歴は、直前周期から分類されたグループ及び現在周期から分類されたグループが含まれる。また、現在周期でのバッテリのグループ分類結果によって、異常グループへの転換回数または正常グループへの転換回数が更新されうる。

また、バッテリ状態診断部１５０は、更新された分類履歴に基づいて前記複数のバッテリのそれぞれの状態を診断するように構成することができる。

具体的に、バッテリ状態診断部１５０は、前記複数のバッテリのうち、前記直前周期から分類されたグループと前記現在周期から分類されたグループとが異なるターゲットバッテリを決定するように構成することができる。

ここで、ターゲットバッテリとは、直前周期から分類されたグループと現在周期から分類されたグループとが異なるバッテリを意味する。現在周期から決定されるターゲットバッテリは、分類結果によって、存在しないか、１つ以上存在しうる。例えば、直前周期では、異常グループに分類されたが、現在周期では、正常グループに分類されたバッテリがターゲットバッテリと決定される。逆に、直前周期では、正常グループに分類されたが、現在周期では、異常グループに分類されたバッテリがターゲットバッテリと決定される。

そして、バッテリ状態診断部１５０は、決定されたターゲットバッテリに対する前記異常グループへの転換回数または前記正常グループへの転換回数に基づいて、前記ターゲットバッテリの状態を正常または異常と診断するように構成することができる。

ここで、異常グループへの転換回数は、直前周期では正常グループに分類されたが、現在周期では異常グループに分類された回数である。逆に、正常グループへの転換回数は、直前周期では異常グループに分類されたが、現在周期では正常グループに分類された回数である。すなわち、ターゲットバッテリの場合、グループ分類結果によって異常グループへの転換回数または正常グループへの転換回数が更新される。例えば、転換回数は、１ずつ増加する。

望ましくは、バッテリ状態診断部１５０は、前記現在周期で前記ターゲットバッテリが前記異常グループに分類された場合、前記異常グループへの転換回数が所定の回数以上であれば、前記ターゲットバッテリの状態を異常と診断するように構成することができる。

逆に、バッテリ状態診断部１５０は、前記現在周期で前記ターゲットバッテリが前記正常グループに分類された場合、前記正常グループへの転換回数が前記所定の回数以上であれば、前記ターゲットバッテリの状態を正常と診断するように構成することができる。

例えば、所定の回数は、２以上にあらかじめ設定しうる。バッテリ状態診断部１５０は、ターゲットバッテリで複数回決定された場合に、当該バッテリの状態を異常または正常と診断することができる。

すなわち、バッテリ状態診断部１５０は、バッテリの分類結果が異常から正常に、または正常から異常に一回変わったことに基づいてバッテリの状態を判断せず、バッテリの分類結果が複数回変更された場合に、バッテリの状態を判断することができる。したがって、バッテリ状態診断部１５０によるバッテリ状態判断の正確度は高い。

本発明の一実施例によるバッテリ状態診断装置１００は、主成分分析法とバッテリ分類とに基づいて複数のバッテリのそれぞれの状態を診断するために、多様な側面を考慮してバッテリの状態を診断できるという長所がある。また、バッテリ状態診断装置１００は、バッテリの特徴値を所定の参照値と単純に比較して、バッテリの状態を診断する従来技術よりも、バッテリ状態の診断正確度を高めうる。

一方、参照セルは、複数個備えられうる。この場合、複数の参照セルのそれぞれは、互いに異なる原因によって退化するように構成することができる。

例えば、第１参照セルは、正極反応面積が損失されて退化するように構成され、第２参照セルは、可用リチウムが損失されて退化するように構成することができる。また、第３参照セルは、負極反応面積が損失されて退化するように構成することができる。

この場合、それぞれの参照セルと同じグループに分類されたバッテリの状態がより詳細に診断される。

例えば、以前の実施例を参照すれば、第１参照セルと同じグループに分類されたバッテリの状態は、正極反応面積が損失と診断される。また、第２参照セルと同じグループに分類されたバッテリの状態は、可用リチウムが損失された状態と診断される。また、第３参照セルと同じグループに分類されたバッテリの状態は、負極反応面積が損失された状態と診断される。

本発明の一実施例によるバッテリ状態診断装置１００は、多様な原因によって退化するように構成された複数の参照セルを備えることにより、複数のバッテリの状態をより具体的に診断できるという長所がある。

例えば、本発明の一実施例によるバッテリ状態診断装置１００のプロファイル生成部１１０、特徴値抽出部１２０、主成分算出部１３０、バッテリ分類部１４０、及びバッテリ状態診断部１５０のそれぞれは、当業者に知られているプロセッサで構成することができる。

他の例として、バッテリ状態診断装置１００のプロファイル生成部１１０、特徴値抽出部１２０、主成分算出部１３０、バッテリ分類部１４０、及びバッテリ状態診断部１５０は、１つのプロセッサに備えられうる。すなわち、プロファイル生成部１１０、特徴値抽出部１２０、主成分算出部１３０、バッテリ分類部１４０、及びバッテリ状態診断部１５０は、１つのプロセッサの機能的構成要素として区分されうる。または、プロファイル生成部１１０、特徴値抽出部１２０、主成分算出部１３０、バッテリ分類部１４０、及びバッテリ状態診断部１５０のそれぞれは、１つのプロセッサに備えられた単位コアとしても具現される。

そして、このようなプロセッサは、当業者に知られているＡＳＩＣ（ａｐｐｌｉｃａｔｉｏｎ－ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、他のチップセット、論理回路、レジスタ、通信モデム、データ処理装置などを選択的に含みうる。また、前記制御ロジックがソフトウェアとして具現される時、前記プロセッサは、プログラムモジュールの集合として具現可能である。この際、プログラムモジュールは、メモリに保存され、プロセッサによって実行可能である。前記メモリは、プロセッサの内部または外部にあり、よく知られた多様な手段でプロセッサと連結される。

図１を参照すれば、本発明の一実施例によるバッテリ状態診断装置１００は、保存部１６０をさらに含みうる。

ここで、保存部１６０は、本発明によってバッテリの状態が診断されるのに必要なプログラム及びデータなどを保存することができる。すなわち、保存部１６０は、バッテリ状態診断装置１００の各構成要素が動作及び機能を行うのに必要なデータ、プログラム、または動作及び機能が行われる過程で生成されるデータなどを保存することができる。保存部１６０は、データの記録、消去、更新及び読出可能であると知られた公知の情報保存手段であれば、その種類に特に制限はない。一例示として、情報保存手段には、ＲＡＭ、フラッシュメモリ、ＲＯＭ、ＥＥＰＲＯＭ、レジスタなどが含まれる。また、保存部１６０は、バッテリ状態診断装置１００によって実行可能なプロセスが定義されたプログラムコードを保存することができる。

例えば、保存部１６０は、複数のバッテリに対する分類履歴を保存することができる。また、保存部１６０は、複数のバッテリプロファイル、及び複数の特徴値を保存することにより、複数のバッテリについての多様な情報を保存することができる。

すなわち、バッテリ状態診断装置１００によれば、複数のバッテリのそれぞれの状態変化が追跡診断される。したがって、当該バッテリに対する事故が発生する場合、保存部１６０に保存された該当バッテリについての多様な情報に基づいて、事故の原因が多様な側面で分析される。

以下、バッテリ分類部１４０が、ターゲット成分に基づいて複数のバッテリ及び参照セルを複数のグループのうち何れか１つに分類する内容について具体的に説明する。

前記バッテリ分類部１４０は、前記周期ごとに、前記複数のバッテリ及び前記参照セルを前記複数のグループのうち何れか１つに分類する代表モデルを生成するように構成することができる。

具体的に、前記バッテリ分類部１４０は、前記選択された１つ以上のターゲット成分を含むターゲット集合を生成するように構成することができる。

例えば、図３の実施例において、基準値が９０％に設定されたと仮定する。第１主成分（ＰＣ１）の分布度（５５％）、第２主成分（ＰＣ２）の分布度（２５％）、及び第３主成分（ＰＣ３）の分布度（１１％）の合計が、９１％なので、第１主成分（ＰＣ１）、第２主成分（ＰＣ２）、及び第３主成分（ＰＣ３）が、ターゲット成分として選択されうる。そして、選択された第１主成分（ＰＣ１）、第２主成分（ＰＣ２）、及び第３主成分（ＰＣ３）が、ターゲット集合を成すように構成することができる。

そして、バッテリ分類部１４０は、生成されたターゲット集合のうちの少なくとも１つのターゲット成分を含む複数のターゲット部分集合を生成するように構成することができる。

以前の実施例において、バッテリ分類部１４０は、ターゲット集合に含まれた第１主成分（ＰＣ１）、第２主成分（ＰＣ２）、及び第３主成分（ＰＣ３）のうち少なくとも１つを選択して複数のターゲット部分集合を生成することができる。

例えば、元素羅列法の表記方式によって説明すれば、ターゲット集合は、｛第１主成分（ＰＣ１）、第２主成分（ＰＣ２）、第３主成分（ＰＣ３）｝である。そして、複数のターゲット部分集合は、｛第１主成分（ＰＣ１）｝、｛第２主成分（ＰＣ２）｝、｛第３主成分（ＰＣ３）｝、｛第１主成分（ＰＣ１）、第２主成分（ＰＣ２）｝、｛第１主成分（ＰＣ１）、第３主成分（ＰＣ３）｝、｛第２主成分（ＰＣ２）、第３主成分（ＰＣ３）｝、及び｛第１主成分（ＰＣ１）、第２主成分（ＰＣ２）、第３主成分（ＰＣ３）｝である。ここで、ターゲット成分によって複数のバッテリが分類されるために、ターゲット部分集合に空集合は除外されることを留意する。したがって、バッテリ分類部１４０によって生成されるターゲット部分集合の個数は、２^ｎ－１であり、ここで、ｎは、ターゲット成分の総個数である。すなわち、前記の実施例において、ターゲット成分が３個であるので、ターゲット部分集合の個数は、「２^３－１」の数式によって７個である。

バッテリ分類部１４０は、前記複数のターゲット部分集合のそれぞれに対して、前記複数のバッテリ及び前記参照セルを分類する１つ以上の分類モデルを生成するように構成することができる。

具体的に、バッテリ分類部１４０は、１つのターゲット部分集合に対して１つ以上の分類モデルを生成することができる。そして、ターゲット部分集合ごとに生成される分類モデルの個数は、ターゲット部分集合ごとに独立的である。すなわち、あるターゲット部分集合に対しては、１個の分類モデルが生成され、他のターゲット部分集合に対しては、１０個の分類モデルが生成されうる。

図４及び図５は、本発明の一実施例によるバッテリ状態診断装置１００が現在周期で生成した分類モデルを概略的に示す図面である。

具体的に、図４及び図５に示された分類モデルは、現在周期から生成されたものであって、１つのターゲット部分集合に対してランダムに生成された互いに異なる分類モデルである。

例えば、図４及び図５を参照すれば、バッテリ分類部１４０によって生成される分類モデルは、意思決定木である。すなわち、分類モデルは、ルートノード（Ｒｏｏｔ ｎｏｄｅ、ＲＮ）、内部ノード（Ｉｎｔｅｒｎａｌ ｎｏｄｅ、ＩＮ）、及びターミナルノード（Ｔｅｒｍｉｎａｌ ｎｏｄｅ、ＴＮ）を含む。ルートノード（ＲＮ）と内部ノード（ＩＮ）には、複数のバッテリを分類するための分類条件が含まれ、ターミナルノードには、分類されたバッテリについての情報が含まれる。ターミナルノードのそれぞれがバッテリが分類されるグループに該当する。但し、複数のターミナルノードの一部は、バッテリが分類されていない空白ノードでもある。

例えば、図４の実施例において、第１ターミナルノード（ＴＮ１）に参照セルが分類されたと仮定する。バッテリ状態診断部１５０は、複数のバッテリのうち、第１ターミナルノード（ＴＮ１）に分類されたバッテリの状態を異常と診断することができる。

他の例として、図４の実施例において、正極反応面積が損失された第１参照セルが第１ターミナルノード（ＴＮ１）に分類され、可用リチウムが損失された第２参照セルが第４ターミナルノード（ＴＮ４）に分類されたと仮定する。バッテリ状態診断部１５０は、複数のバッテリのうち、第１ターミナルノード（ＴＮ１）に分類されたバッテリの状態を正極反応面積の損失による異常と診断し、第４ターミナルノード（ＴＮ４）に分類されたバッテリの状態を可用リチウム損失による異常と診断することができる。

そして、図４及び図５の実施例において、ルートノード（ＲＮ）と内部ノード（ＩＮ）とに含まれる分類条件は、バッテリ分類部１４０によって任意に生成されうる。例えば、図４の分類モデルのルートノード（ＲＮ）には、第１主成分（ＰＣ１）と関連した分類条件が含まれ、図５の分類モデルのルートノード（ＲＮ）には、第３主成分（ＰＣ３）と関連した分類条件が含まれる。したがって、同じターゲット部分集合に対して生成された分類モデルが互いに異なる。ルートノード（ＲＮ）及び内部ノード（ＩＮ）に含まれる分類条件について具体的な内容は、後述する。

バッテリ分類部１４０は、前記複数のターゲット部分集合に対して生成された複数の分類モデルのうち何れか１つを当該周期に対する代表モデルとして設定するように構成することができる。

具体的に、前記バッテリ分類部１４０は、前記生成された複数の分類モデルのそれぞれに対して、前記複数のバッテリ及び前記参照セルの分類度を算出するように構成することができる。

バッテリ分類部１４０は、下記の数式２を用いて、分類モデルのそれぞれの分類度を算出することができる。ここで、分類モデルの分類度とは、当該分類モデルに対する分類性能を示す指標である。すなわち、分類モデルの分類度とは、当該分類モデルが複数のバッテリセル及び参照セルをどれほどよく分類したか否かを示す指標である。例えば、分類モデルの分類度は、ジニ不純度（Ｇｉｎｉ ｉｍｐｕｒｉｔｙ）である。

ここで、ＧＩ（ｎ）は、分類モデルの分類度であり、ｎは、１つのターゲット部分集合に対して生成された複数の分類モデルのそれぞれを指すための臨時変数である。そして、ｉは、ターミナルノードを指すための臨時変数であり、ｍは、分類モデルに含まれたターミナルノードの個数である。そして、Ｐｉは、複数のバッテリと参照セルとの全体個数に対する第ｉターミナルノードに分類されたバッテリ及び／または参照セルの個数の比率である。

例えば、図４の分類モデルの分類度は、「１－（Ｐ１^２＋Ｐ２^２＋Ｐ３^２＋Ｐ４^２＋Ｐ５^２＋Ｐ６^２）」の数式によって算出され、図５の分類モデルの分類度は、「１－（Ｐ１^２＋Ｐ２^２＋Ｐ３^２＋Ｐ４^２＋Ｐ５^２＋Ｐ６^２＋Ｐ７^２＋Ｐ８^２）」の数式によって算出される。

具体例として、複数のバッテリは、５個であり、１個の参照セルがあると仮定する。すなわち、数式２のｍは、６である。そして、図４の分類モデルで第１ターミナルノード（ＴＮ１）に参照セルが分類され、第２ないし第６ターミナルノード（ＴＮ２、ＴＮ３、ＴＮ４、ＴＮ５、ＴＮ６）のそれぞれに１個のバッテリが分類されたと仮定する。複数のバッテリと参照セルとの全体個数は、６であり、第１ないし第６ターミナルノード（ＴＮ１、ＴＮ２、ＴＮ３、ＴＮ４、ＴＮ５、ＴＮ６）のそれぞれに分類されたバッテリ及び／または参照セルの個数は、１である。図４の実施例において、Ｐ１ないしＰ６は、いずれも「１÷６」である。したがって、図４の分類モデルの分類度は、「１－｛（１÷６）２×６｝」の数式によって計算された「５÷６」である。

他の例として、図５の分類モデルで第１ターミナルノード（ＴＮ１）に参照セルが分類され、第３ないし第７ターミナルノード（ＴＮ３、ＴＮ４、ＴＮ５、ＴＮ６、ＴＮ７）のそれぞれに１個のバッテリが分類されたと仮定する。図５の実施例において、Ｐ１及びＰ３ないしＰ７は、いずれも「１÷６」である。そして、Ｐ２及びＰ８は、分類されたバッテリ及び／または参照セルがないために「０」である。したがって、図５の分類モデルの分類度は、「１－｛（１÷６）２×６｝」の数式によって計算された「５÷６」である。

そして、バッテリ分類部１４０は、前記生成された複数の分類モデルのうち、算出された分類度が最も低い分類モデルを前記当該周期に対する前記代表モデルとして設定するように構成することができる。

数式２によれば、算出された分類度が低いほど分類モデルは、複数のバッテリ及び参照セルを均一に分類したと判断される。したがって、バッテリ分類部１４０は、複数のターゲット部分集合に対して生成された複数の分類モデルのうち、算出された分類度が最も低い分類モデルを当該周期の代表モデルとして設定することができる。

例えば、第ｎ周期において、ターゲット部分集合がｐ個生成され、それぞれのターゲット部分集合に対してｑ個の分類モデルが生成されたと仮定する。すなわち、第ｎ周期には、総ｐ×ｑ個の分類モデルが生成されうる。バッテリ分類部１４０は、ｐ×ｑ個の分類モデルのそれぞれの分類度を算出し、該算出された分類度が最も低い何れか１つの分類モデルを第ｎ周期の代表モデルとして設定することができる。

もし、ｐ×ｑ個の分類モデルのうち、算出された分類度が最も低い分類モデルが複数である場合、バッテリ分類部１４０は、算出された分類度が最も低い複数の分類モデルのうち、空白ではないターミナルノードの個数が最も多い分類モデルを代表モデルとして設定することができる。言い換えれば、バッテリ分類部１４０は、算出された分類度が最も低い複数の分類モデルのうち、バッテリ及び／または参照セルが分類されたターミナルノードの個数が最も多い分類モデルを代表モデルとして設定することができる。

すなわち、数式２に基づいて算出された分類度は、同一であるが、空白ではないターミナルノードの個数が少ないほど複数のバッテリ及び参照セルが均一に分類されたと判断される。したがって、バッテリ分類部１４０は、複数の分類モデルの分類度だけではなく、空白ではないターミナルノードの個数を考慮して、代表モデルを設定することができる。

もし、算出された分類度が最も低いながら、空白ではないターミナルの個数も同じ分類モデルが複数である場合、バッテリ分類部１４０は、前記複数の分類モデルのうち何れか１つを任意に選択して代表モデルとして設定することができる。

例えば、以前の実施例を参照すれば、図４及び図５の分類モデルの分類度は、「５÷６」である。そして、図４の分類モデルで空白ではないターミナルノード（ＴＮ１、ＴＮ２、ＴＮ３、ＴＮ４、ＴＮ５、ＴＮ６）の個数は、６である。また、図５の分類モデルで空白ではないターミナルノード（ＴＮ１、ＴＮ３、ＴＮ４、ＴＮ５、ＴＮ６、ＴＮ７）の個数は、６である。したがって、バッテリ分類部１４０は、図４の分類モデルまたは図５の分類モデルを現在周期の代表モデルとして設定することができる。

そして、バッテリ状態診断部１５０は、バッテリ分類部１４０によって設定された代表モデルに基づいて、参照セルと同じグループに分類されたバッテリの状態を異常と診断することができる。

すなわち、本発明の一実施例によるバッテリ状態診断装置１００は、一周期で複数の分類モデルを生成し、該生成された複数の分類モデル間の分類度を比較して代表モデルを設定することができる。そして、設定された代表モデルによってバッテリの状態を診断することができるために、バッテリ状態診断装置１００は、バッテリ情報の単純比較を通じてバッテリの状態を診断する従来技術よりも、バッテリの状態を統計学的にさらに正確に診断することができる。

以下、ルートノード（ＲＮ）及び内部ノード（ＩＮ）に含まれる分類条件について具体的に説明する。

前記バッテリ分類部１４０は、前記複数のターゲット部分集合のそれぞれに含まれた１つ以上のターゲット成分に対して、前記複数のバッテリ及び前記参照セルの内積（ｉｎｎｅｒ ｐｒｏｄｕｃｔ）を算出するように構成することができる。

ここで、ターゲット成分は、複数のバッテリに対して抽出された複数の特徴値に対する固有ベクトルである。このようなターゲット成分のそれぞれに対して、バッテリの特徴値に対するベクトルを内積して、ターゲット成分に対する当該バッテリの内積を算出することができる。

例えば、ターゲット部分集合が、｛第１主成分（ＰＣ１）、第２主成分（ＰＣ２）｝であると仮定する。そして、第１バッテリ、第２バッテリ、及び参照セルが備えられたと仮定する。説明の便宜上、第１主成分（ＰＣ１）の開始点をＡ地点とし、第２主成分（ＰＣ２）の開始点をＢ地点とする。

まず、バッテリ分類部１４０は、第１主成分（ＰＣ１）に対して第１バッテリの内積、第２バッテリの内積、及び参照セルの内積を算出することができる。

具体的に、バッテリ分類部１４０は、開始点がＡ地点であり、終点が第１バッテリの特徴値が位置した地点である第１臨時ベクトルを算出する。そして、バッテリ分類部１４０は、第１主成分（ＰＣ１）と第１臨時ベクトルとの間の内積を計算して、第１主成分（ＰＣ１）に対する第１バッテリの内積を算出することができる。

同様に、バッテリ分類部１４０は、開始点がＡ地点であり、終点が第２バッテリの特徴値が位置した地点である第２臨時ベクトルを算出する。そして、バッテリ分類部１４０は、第１主成分（ＰＣ１）と第２臨時ベクトルとの間の内積を計算して、第１主成分（ＰＣ１）に対する第２バッテリの内積を算出することができる。

前記のような方式で、バッテリ分類部１４０は、第１主成分（ＰＣ１）に対する参照セルの内積、第２主成分（ＰＣ２）に対する第１バッテリの内積、第２主成分（ＰＣ２）に対する第２バッテリの内積、及び第２主成分（ＰＣ２）に対する参照セルの内積を算出することができる。

また、バッテリ分類部１４０は、算出された複数の内積の大きさによって、前記複数のバッテリ及び前記参照セルを分類する前記複数の分類モデルを生成するように構成することができる。

具体的に、バッテリ分類部１４０は、複数のターゲット部分集合のうち、分類モデルを生成しようとする１つのターゲット部分集合を選択することができる。そして、バッテリ分類部１４０は、選択したターゲット部分集合に属したターゲット成分のうち１つを任意に選択することができる。

そして、バッテリ分類部１４０は、選択したターゲット成分に対する複数のバッテリの内積と参照セルの内積とを任意に設定された比較値と大小比較した結果に基づいて、複数のバッテリと参照セルとを分類することができる。ここで、任意に設定された比較値は、バッテリ分類部１４０によって設定される値である。

すなわち、選択されたターゲット成分に対する複数のバッテリ及び参照セルの内積の大きさと任意に設定された比較値の大きさとを比較する分類条件が分類モデルのルートノード（ＲＮ）または内部ノード（ＩＮ）に含まれ、分類結果によって複数のバッテリ及び参照セルが分類される。

以後、バッテリ分類部１４０は、選択したターゲット部分集合に属したターゲット成分のうち１つを任意に選択して、複数のバッテリ及び参照セルを再び分類することができる。すなわち、バッテリ分類部１４０によって選択されるターゲット成分は、重複される。そして、前記任意に設定された比較値は、任意に選択された値であるために、変更されうる。

例えば、図５の実施例において、ターゲット部分集合が、｛第１主成分（ＰＣ１）、第２主成分（ＰＣ２）、第３主成分（ＰＣ３）｝である場合、バッテリ分類部１４０は、ルートノード（ＲＮ）に対して第１主成分（ＰＣ１）、第２主成分（ＰＣ２）、及び第３主成分（ＰＣ３）のうち、第１主成分（ＰＣ１）を任意に選択することができる。

バッテリ分類部１４０は、第１主成分（ＰＣ１）に対する複数のバッテリの内積と参照セルの内積とを算出することができる。そして、バッテリ分類部１４０は、第１主成分（ＰＣ１）に対する第１比較値を任意に生成して設定することができる。バッテリ分類部１４０は、第１主成分（ＰＣ１）に対する複数のバッテリ及び参照セルの内積の大きさと任意に設定された比較値の大きさとを比較した結果によって、ルートノード（ＲＮ）で複数のバッテリ及び参照セルを分類することができる。

以後、バッテリ分類部１４０は、第１内部ノード（ＩＮ１）に対してターゲット部分集合で第１主成分（ＰＣ１）を任意に再び選択することができる。そして、バッテリ分類部１４０は、第１主成分（ＰＣ１）に対する第２比較値を任意に生成して設定することができる。ここで、第１比較値と第２比較値は、任意に生成された値であって、互いに独立した値である。望ましくは、第１比較値と第２比較値は、互いに異なる。

バッテリ分類部１４０は、第１主成分（ＰＣ１）に対する一部バッテリ（ルートノード（ＲＮ）から分類された結果によって第１内部ノード（ＩＮ１）側に分類されたバッテリ及び／または参照セル）の内積の大きさと第２比較値の大きさとを比較した結果によって、第１内部ノード（ＩＮ１）で一部バッテリを分類することができる。

このような方式で、図５の実施例において、バッテリ分類部１４０は、１個のルートノード（ＲＮ）、６個の内部ノード（ＩＮ１、ＩＮ２、ＩＮ３、ＩＮ４、ＩＮ５、ＩＮ６）、及び８個のターミナルノード（ＴＮ１、ＴＮ２、ＴＮ３、ＴＮ４、ＴＮ５、ＴＮ６、ＴＮ７、ＴＮ８）を含む分類モデルを生成することができる。

望ましくは、前記バッテリ分類部１４０は、前記複数の分類モデルのそれぞれに対して、分類されるグループの総個数が、既定の基準個数以下になるように制御するように構成することができる。

すなわち、バッテリ分類部１４０は、分類モデルに含まれるターミナルノードの個数が基準個数以下になるように制御することができる。

例えば、ターミナルノードの個数に対する制限がなければ、分類モデルは、複数のバッテリ及び参照セルがそれぞれ１つのグループに分類されるまで拡張される。このような場合、１つの分類モデルを生成するのにかかるシステム資源が過度に無駄遣いされるという問題がある。

また、数式２を参照すれば、複数のバッテリ及び参照セルが、それぞれ別途のグループに分類されるならば、複数の分類モデルの分類度は、いずれも同一である。例えば、複数の分類モデルで、複数のグループのそれぞれに最大１個のバッテリまたは参照セルが含まれるならば、数式２のＰｉが０または「１÷（複数のバッテリの個数＋参照セルの個数）」であるために、複数の分類モデルの分類度は、いずれも同一である。

このような場合、参照セルと同じグループに分類されるバッテリがないために、バッテリの状態を異常と診断することができない結果が導出される。

したがって、本発明の一実施例によるバッテリ状態診断装置１００は、分類モデルに含まれるターミナルノードの総個数、すなわち、分類されるグループの総個数を既定の基準個数以下に制御することにより、分類モデルの生成にかかるシステム資源を節約することができ、バッテリの状態を正確に診断することができる。

本発明によるバッテリ状態診断装置１００は、ＢＭＳ（Ｂａｔｔｅｒｙ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ）に適用可能である。すなわち、本発明によるＢＭＳは、前述したバッテリ状態診断装置１００を含みうる。このような構成において、バッテリ状態診断装置１００の各構成要素のうち少なくとも一部は、従来のＢＭＳに含まれた構成の機能を補完または追加することで具現可能である。例えば、バッテリ状態診断装置１００のプロファイル生成部１１０、特徴値抽出部１２０、主成分算出部１３０、バッテリ分類部１４０、及びバッテリ状態診断部１５０は、ＢＭＳの構成要素として具現可能である。

また、本発明によるバッテリ状態診断装置１００は、バッテリパックに備えられうる。すなわち、本発明によるバッテリパックは、前述したバッテリ状態診断装置１００及び１つ以上のバッテリセルを含みうる。また、バッテリパックは、電装品（リレー、ヒューズなど）及びケースなどをさらに含みうる。

図６は、本発明の一実施例によるバッテリ状態診断装置１００を含むバッテリパック１の例示的構成を開示した図面である。

例えば、図６を参照すれば、バッテリパック１は、複数のバッテリ（Ｂ１、Ｂ２、Ｂ３、Ｂ４）、測定部１０、充放電部２０、及びバッテリ状態診断装置１００を含みうる。充放電部２０は、複数のバッテリを充電させることができる。そして、測定部１０は、複数のバッテリが充電される間に、複数のバッテリのそれぞれの電圧及び電流を測定することができる。そして、測定部１０は、複数のバッテリのそれぞれの容量を測定することができる。また、測定部１０は、複数のバッテリのそれぞれの内部抵抗、ＳＯＣ、及びＳＯＨを推定することができる。プロファイル生成部１１０は、測定部１０からバッテリ情報を受信し、該受信したバッテリ情報に基づいて電圧－ＳＯＣプロファイル、電圧－容量プロファイル、微分電圧プロファイル、及び電圧－微分容量プロファイルを生成することができる。

また、本発明の一実施例によるバッテリ状態診断装置１００は、エネルギー貯蔵装置に備えられうる。すなわち、本発明によるエネルギー貯蔵装置は、バッテリ状態診断装置１００を含みうる。

例えば、本発明の一実施例によるバッテリ状態診断装置１００は、エネルギー貯蔵装置に備えられて、エネルギー貯蔵装置に含まれたそれぞれのバッテリの状態を周期的に診断することができる。したがって、エネルギー貯蔵装置で火災が発生しても、バッテリ状態診断装置１００によって保存された情報を活用して火災発生時点及び火災発生の原因が容易に究明される。

図７は、本発明の他の実施例によるバッテリ状態診断方法を概略的に示す図面である。ここで、バッテリ状態診断方法の各段階は、バッテリ状態診断装置１００によって行われる。

以下、前述した内容と重複される内容は、簡略に説明する。

図７を参照すれば、バッテリ状態診断方法は、プロファイル生成段階（ステップＳ１００）、特徴値抽出段階（ステップＳ２００）、主成分算出段階（ステップＳ３００）、主成分別分布度算出段階（ステップＳ４００）、ターゲット成分選択段階（ステップＳ５００）、バッテリ分類段階（ステップＳ６００）、及びバッテリ状態診断段階（ステップＳ７００）を含みうる。

プロファイル生成段階（ステップＳ１００）は、複数のバッテリのそれぞれの電圧及び容量間の対応関係を示すバッテリプロファイルを前記複数のバッテリのそれぞれに対して周期ごとに生成する段階であって、プロファイル生成部１１０によって行われる。

例えば、プロファイル生成段階（ステップＳ１００）で複数のバッテリのそれぞれに対して電圧－ＳＯＣプロファイル、電圧－容量プロファイル、微分電圧プロファイル、及び電圧－微分容量プロファイルが生成されうる。

特徴値抽出段階（ステップＳ２００）は、前記プロファイル生成段階（ステップＳ１００）から生成された複数のバッテリプロファイルのそれぞれから複数の特徴値を抽出する段階であって、特徴値抽出部１２０によって行われる。

主成分算出段階（ステップＳ３００）は、前記特徴値抽出段階（ステップＳ２００）から抽出された複数の特徴値に対する複数の主成分を算出する段階であって、主成分算出部１３０によって行われる。

例えば、主成分算出部１３０は、主成分分析法を用いて複数のバッテリのそれぞれに対して抽出された複数の特徴値の分散によって複数の主成分を算出することができる。

主成分別分布度算出段階（ステップＳ４００）は、前記複数のバッテリのそれぞれに対して抽出された複数の特徴値に基づいて、前記複数の主成分に対する前記複数のバッテリの分布を示す主成分別分布度を算出する段階であって、バッテリ分類部１４０によって行われる。

ターゲット成分選択段階（ステップＳ５００）は、既定の基準値と前記主成分別分布度算出段階（ステップＳ４００）から算出された主成分別分布度とを比較した結果によって、前記複数の主成分のうち１つ以上をターゲット成分として選択する段階であって、バッテリ分類部１４０によって行われる。

例えば、図５の実施例において、基準値は、９０％にあらかじめ設定しうる。そして、第１主成分（ＰＣ１）の分布度（５５％）、第２主成分（ＰＣ２）の分布度（２５％）、及び第３主成分（ＰＣ３）の分布度（１１％）の合計が、基準値（９０％）以上なので、バッテリ分類部１４０は、ターゲット成分として第１主成分（ＰＣ１）、第２主成分（ＰＣ２）、及び第３主成分（ＰＣ３）を選択することができる。

バッテリ分類段階（ステップＳ６００）は、前記ターゲット成分選択段階（ステップＳ５００）から選択された１つ以上のターゲット成分に基づいて、前記複数のバッテリのそれぞれを複数のグループのうち何れか１つに分類する段階であって、バッテリ分類部１４０によって行われる。

バッテリ状態診断段階（ステップＳ７００）は、前記周期ごとに前記バッテリ分類段階（ステップＳ６００）で前記複数のバッテリのそれぞれが分類されるグループに関する分類履歴を更新し、該更新された分類履歴に基づいて、前記複数のバッテリのそれぞれの状態を診断する段階であって、バッテリ状態診断部１５０によって行われる。

例えば、バッテリ状態診断部１５０は、複数のバッテリのうち、直前周期から分類されたグループと現在周期から分類されたグループとが異なるバッテリをターゲットバッテリと決定することができる。以後、バッテリ状態診断部１５０は、現在周期でターゲットバッテリが異常グループに分類された場合、異常グループへの転換回数が所定の回数以上であれば、ターゲットバッテリの状態を異常と診断するように構成することができる。逆に、バッテリ状態診断部１５０は、現在周期でターゲットバッテリが正常グループに分類された場合、正常グループへの転換回数が所定の回数以上であれば、ターゲットバッテリの状態を正常と診断するように構成することができる。

前述した本発明の実施例は、装置及び方法を通じてのみ具現されるものではなく、本発明の実施例の構成に対応する機能を実現するプログラムまたはそのプログラムが記録された記録媒体を通じて具現されることもあり、このような具現は、前述した実施例の記載から当業者ならば、容易に具現することができる。

以上、本発明は、たとえ限定された実施例と図面とによって説明されたとしても、本発明は、これによって限定されず、当業者によって本発明の技術思想と下記に記載される特許請求の範囲の均等範囲内で多様な修正及び変形が可能であるということはいうまでもない。

また、前述した本発明は、当業者において、本発明の技術的思想を外れない範囲内でさまざまな置換、変形及び変更が可能なので、前述した実施例及び添付図面によって限定されるものではなく、多様な変形が行われるように、各実施例の全部または一部が選択的に組み合わせられて構成することができる。

１：バッテリパック
１０：測定部
２０：充放電部
１００：バッテリ状態診断装置
１１０：プロファイル生成部
１２０：特徴値抽出部
１３０：主成分算出部
１４０：バッテリ分類部
１５０：バッテリ状態診断部
１６０：保存部

Claims (15)

1. 複数のバッテリのそれぞれの電圧、容量、内部抵抗、ＳＯＣ、及びＳＯＨのうち少なくとも１つを含むバッテリ情報を獲得し、該獲得されたバッテリ情報に基づいて、複数のバッテリプロファイルを前記複数のバッテリのそれぞれに対して周期ごとに生成するように構成されたプロファイル生成部と、
   前記バッテリ情報及び前記プロファイル生成部によって生成された複数のバッテリプロファイルを用いて、前記複数のバッテリのそれぞれに対して複数の特徴値を抽出するように構成された特徴値抽出部と、
   前記特徴値抽出部によって抽出された複数の特徴値に対する複数の主成分を算出するように構成された主成分算出部と、
   前記複数のバッテリのそれぞれに対して抽出された複数の特徴値に基づいて、前記複数の主成分に対する前記複数のバッテリの分布を示す主成分別分布度を算出し、既定の基準値と算出された主成分別分布度とを比較した結果によって、前記複数の主成分のうち１つ以上をターゲット成分として選択し、該選択された１つ以上のターゲット成分に基づいて、前記複数のバッテリのそれぞれを複数のグループのうち何れか１つに分類するように構成されたバッテリ分類部と、
   前記周期ごとに前記バッテリ分類部によって、前記複数のバッテリのそれぞれが分類されるグループに関する分類履歴を更新し、該更新された分類履歴に基づいて、前記複数のバッテリのそれぞれの状態を診断するように構成されたバッテリ状態診断部と、
   を含み、
   前記複数のグループは、異常セルに対応して設定された参照セルが属する異常グループと、前記参照セルが属さない正常グループを含むように構成されたことを特徴とする
   バッテリ状態診断装置。
2. 前記バッテリ分類部は、
   前記選択された１つ以上のターゲット成分に基づいて、前記参照セルを前記複数のグループのうち何れか１つに分類するように構成され、
   前記バッテリ状態診断部は、
   前記複数のグループのうち、前記参照セルが属するグループを前記異常グループとして設定し、残りのグループを前記正常グループとして設定するように構成されたことを特徴とする、請求項１に記載のバッテリ状態診断装置。
3. 前記分類履歴は、
   前記複数のバッテリのそれぞれに対して備えられ、直前周期から分類されたグループ、現在周期から分類されたグループ、前記異常グループへの転換回数及び前記正常グループへの転換回数を含むように構成されたことを特徴とする、請求項２に記載のバッテリ状態診断装置。
4. 前記バッテリ状態診断部は、
   前記複数のバッテリのうち、前記直前周期から分類されたグループと前記現在周期から分類されたグループとが異なるターゲットバッテリを決定し、該決定されたターゲットバッテリに対する前記異常グループへの転換回数または前記正常グループへの転換回数に基づいて、前記ターゲットバッテリの状態を正常または異常と診断するように構成されたことを特徴とする、請求項３に記載のバッテリ状態診断装置。
5. 前記バッテリ状態診断部は、
   前記現在周期で前記ターゲットバッテリが前記異常グループに分類された場合、前記異常グループへの転換回数が所定の回数以上であれば、前記ターゲットバッテリの状態を異常と診断し、
   前記現在周期で前記ターゲットバッテリが前記正常グループに分類された場合、前記正常グループへの転換回数が前記所定の回数以上であれば、前記ターゲットバッテリの状態を正常と診断するように構成されたことを特徴とする、請求項４に記載のバッテリ状態診断装置。
6. 前記バッテリ分類部は、
   前記複数の主成分のうち少なくとも１つを選択し、該選択された１つ以上の主成分に対応する主成分別分布度の合計が、前記既定の基準値以上である場合、前記選択された１つ以上の主成分を前記ターゲット成分として選択するように構成されたことを特徴とする、請求項２～５の何れか一項に記載のバッテリ状態診断装置。
7. 前記バッテリ分類部は、
   前記合計が、前記既定の基準値以上になるまで、前記複数の主成分のそれぞれに対応する主成分別分布度を大きさが大きな順に加えて、前記合計を算出するように構成されたことを特徴とする、請求項６に記載のバッテリ状態診断装置。
8. 前記バッテリ分類部は、
   前記周期ごとに、前記複数のバッテリ及び前記参照セルを前記複数のグループに分類する代表モデルを生成するように構成されたことを特徴とする、請求項６に記載のバッテリ状態診断装置。
9. 前記バッテリ分類部は、
   前記選択された１つ以上のターゲット成分を含むターゲット集合を生成し、該生成されたターゲット集合のうちの少なくとも１つのターゲット成分を含む複数のターゲット部分集合を生成し、前記複数のターゲット部分集合のそれぞれに対して、前記複数のバッテリ及び前記参照セルを分類する１つ以上の分類モデルを生成し、前記複数のターゲット部分集合に対して生成された複数の分類モデルのうち何れか１つを当該周期に対する代表モデルとして設定するように構成されたことを特徴とする、請求項８に記載のバッテリ状態診断装置。
10. 前記バッテリ分類部は、
    前記生成された複数の分類モデルのそれぞれに対して、前記複数のバッテリ及び前記参照セルの分類度を算出し、前記生成された複数の分類モデルのうち、算出された分類度が最も低い分類モデルを前記周期に対する前記代表モデルとして設定するように構成されたことを特徴とする、請求項９に記載のバッテリ状態診断装置。
11. 前記バッテリ分類部は、
    前記複数のターゲット部分集合のそれぞれに含まれた１つ以上のターゲット成分に対して、前記複数のバッテリ及び前記参照セルの内積を算出し、該算出された複数の内積の大きさによって、前記複数のバッテリ及び前記参照セルを分類する前記複数の分類モデルを生成するように構成されたことを特徴とする、請求項９に記載のバッテリ状態診断装置。
12. 前記バッテリ分類部は、
    前記複数の分類モデルのそれぞれに対して、分類されるグループの総個数が、既定の基準個数以下になるように制御するように構成されたことを特徴とする、請求項９に記載のバッテリ状態診断装置。
13. 請求項１～１２のうち何れか一項に記載のバッテリ状態診断装置を含む、バッテリパック。
14. 請求項１～１２のうち何れか一項に記載のバッテリ状態診断装置を含む、エネルギー貯蔵装置。
15. 複数のバッテリのそれぞれの電圧及び容量間の対応関係を示すバッテリプロファイルを前記複数のバッテリのそれぞれに対して周期ごとに生成するプロファイル生成段階と、
    前記プロファイル生成段階から生成された複数のバッテリプロファイルのそれぞれから複数の特徴値を抽出する特徴値抽出段階と、
    前記特徴値抽出段階から抽出された複数の特徴値に対する複数の主成分を算出する主成分算出段階と、
    前記複数のバッテリのそれぞれに対して抽出された複数の特徴値に基づいて、前記複数の主成分に対する前記複数のバッテリの分布を示す主成分別分布度を算出する主成分別分布度算出段階と、
    既定の基準値と前記主成分別分布度算出段階から算出された主成分別分布度とを比較した結果によって、前記複数の主成分のうち１つ以上をターゲット成分として選択するターゲット成分選択段階と、
    前記ターゲット成分選択段階から選択された１つ以上のターゲット成分に基づいて、前記複数のバッテリのそれぞれを複数のグループのうち何れか１つに分類するバッテリ分類段階と、
    前記周期ごとに前記バッテリ分類段階で前記複数のバッテリのそれぞれが分類されるグループに関する分類履歴を更新し、該更新された分類履歴に基づいて、前記複数のバッテリのそれぞれの状態を診断するバッテリ状態診断段階と、
    を含み、
    前記複数のグループは、異常セルに対応して設定された参照セルが属する異常グループと、前記参照セルが属さない正常グループを含むように構成されたことを特徴とする
    バッテリ状態診断方法。

Images