Search

KR-102962032-B1 - HYBRID FILTERING, ARTIFICIAL INTELLIGENCE, BLOCKCHAIN TECHNOLOGY-BASED BATTERY STATE ESTIMATION DEVICE AND METHOD

KR102962032B1KR 102962032 B1KR102962032 B1KR 102962032B1KR-102962032-B1

Abstract

본 개시는 하이브리드 필터링, 인공지능, 블록체인 기술을 활용한 배터리 상태 추정 장치 및 방법에 관한 것이다. 본 개시의 일 실시예에 따른 배터리 상태 추정 장치는, BMS(Battery Management System)에 포함된 적어도 하나 이상의 센서로부터 센서 데이터를 수집하는 수집부, 센서 데이터를 기반으로 배터리를 가상 시뮬레이션하는 디지털 트윈을 구성하고 디지털 트윈에서 예측 SoC(State of Charge)를 산출하는 예측부, 복수의 검증자 노드로부터 수신한 예측 SoC의 평가 결과에 미리 설정된 합의 알고리즘을 적용하고 검증 SoC를 도출하여 블록체인에 기록하는 검증부를 포함할 수 있다.

Inventors

  • 한동석
  • 미트라 푸얀데

Assignees

  • 경북대학교 산학협력단

Dates

Publication Date
20260506
Application Date
20250916

Claims (10)

  1. BMS(Battery Management System)에 포함된 적어도 하나 이상의 센서로부터 센서 데이터를 수집하는 수집부; 상기 센서 데이터를 기반으로 배터리를 가상 시뮬레이션하는 디지털 트윈을 구성하고, 상기 디지털 트윈에서 예측 SoC(State of Charge)를 산출하는 예측부; 및 복수의 검증자 노드로부터 수신한 상기 예측 SoC의 평가 결과에 미리 설정된 합의 알고리즘을 적용하고 검증 SoC를 도출하여 블록체인에 기록하는 검증부;를 포함하고, 상기 검증부는, 상기 검증자 노드로부터 상기 예측 SoC의 타당성을 평가하여 도출된 평가 SoC 및 투표 결과를 수신하여, 상기 검증자 노드에 각각 부여된 신뢰 점수를 기반으로 가중치를 산출하고, 상기 가중치를 투표 결과에 반영하여 상기 검증 SoC를 도출하는 것을 특징으로 하는, 배터리 상태 추정 장치.
  2. 제1항에 있어서, 상기 예측부는, 미리 마련된 물리 기반 모델에 상기 배터리의 현재 센서데이터를 입력하여 배터리의 초기 SoC를 계산하고, 상기 배터리의 히스토리 데이터로 학습된 AI 모델에 상기 현재 센서 데이터를 입력하여 상기 초기 SoC의 오차를 보정하기 위한 보정값을 산출하며, 상기 초기 SoC와 보정값을 결합하여 예측 SoC를 산출하는, 배터리 상태 추정 장치.
  3. 삭제
  4. 제1항에 있어서, 상기 검증부는, 상기 검증자 노드로부터 도출된 평가 SoC가 미리 정의된 임계값을 초과하는 경우, 해당 평가 SoC를 사전에 설정된 이상치 처리 알고리즘에 따라 처리하는 것을 특징으로 하는, 배터리 상태 추정 장치.
  5. 제2항에 있어서, 상기 검증부는, 상기 검증 SoC가 산출된 시각, 상기 검증자 노드의 ID 및 신뢰 점수 중 적어도 하나를 포함하는 메타데이터와 상기 검증 SoC를 저장하고, 상기 메타데이터 및 상기 검증 SoC를 상기 AI 모델의 재학습을 위한 피드백 데이터로 제공하는 것을 특징으로 하는, 배터리 상태 추정 장치.
  6. 배터리 상태 추정 장치에서 수행되는, 배터리 상태 추정 방법으로서, BMS(Battery Management System)에 포함된 적어도 하나 이상의 센서로부터 센서 데이터를 수집하는 수집 단계; 상기 센서 데이터를 기반으로 배터리를 가상 시뮬레이션하는 디지털 트윈을 구성하고, 상기 디지털 트윈에서 예측 SoC(State of Charge)를 산출하는 예측 단계; 및 복수의 검증자 노드로부터 수신한 상기 예측 SoC의 평가 결과에 미리 설정된 합의 알고리즘을 적용하고 검증 SoC를 도출하여 블록체인에 기록하는 검증 단계;를 포함하는 것을 특징으로 하고, 상기 검증 단계는, 상기 검증자 노드로부터 상기 예측 SoC의 타당성을 평가하여 도출된 평가 SoC 및 투표 결과를 수신하여, 상기 검증자 노드에 각각 부여된 신뢰 점수를 기반으로 가중치를 산출하고, 상기 가중치를 투표 결과에 반영하여 상기 검증 SoC를 도출하는 것을 특징으로 하는, 배터리 상태 추정 방법.
  7. 제6항에 있어서, 상기 예측 단계는, 미리 마련된 물리 기반 모델에 상기 배터리의 현재 센서데이터를 입력하여 배터리의 초기 SoC를 계산하고, 상기 배터리의 히스토리 데이터로 학습된 AI 모델에 상기 현재 센서 데이터를 입력하여 상기 초기 SoC의 오차를 보정하기 위한 보정값을 산출하며, 상기 초기 SoC와 보정값을 결합하여 예측 SoC를 산출하는 것을 특징으로 하는, 배터리 상태 추정 방법.
  8. 삭제
  9. 제6항에 있어서, 상기 검증 단계는, 상기 검증자 노드로부터 도출된 평가 SoC가 미리 정의된 임계값을 초과하는 경우, 해당 평가 SoC를 사전에 설정된 이상치 처리 알고리즘에 따라 처리하는 것을 특징으로 하는, 배터리 상태 추정 방법.
  10. 제7항에 있어서, 상기 검증 단계는, 상기 검증 SoC가 산출된 시각, 상기 검증자 노드의 ID 및 신뢰 점수 중 적어도 하나를 포함하는 메타데이터와 상기 검증 SoC를 저장하고, 상기 메타데이터 및 상기 검증 SoC를 상기 AI 모델의 재학습을 위한 피드백 데이터로 제공하는 것을 특징으로 하는, 배터리 상태 추정 방법.

Description

하이브리드 필터링, 인공지능, 블록체인 기술을 활용한 배터리 상태 추정 장치 및 방법{HYBRID FILTERING, ARTIFICIAL INTELLIGENCE, BLOCKCHAIN TECHNOLOGY-BASED BATTERY STATE ESTIMATION DEVICE AND METHOD} 본 개시는 하이브리드 필터링, 인공지능, 블록체인 기술을 활용한 배터리 상태 추정 장치 및 방법에 관한 것이며, 좀 더 상세하게는 배터리의 비선형 특성, 노화, 환경 변화로 인한 오차를 줄이고, 센서 이상이나 악의적인 데이터 조작 같은 보안 위협에 대응하여 신뢰성을 보장할 수 있는 기술에 관한 것이다. 현대의 배터리 관리 시스템(BMS)은 배터리의 상태를 정확히 추정하기 위해 물리 기반 모델을 주로 활용하고 있다. 대표적으로 칼만 필터(Kalman Filter)와 등가회로모델(Equivalent Circuit Model, ECM)이 사용되며, 이러한 모델들은 배터리의 전압, 전류, 온도 등의 물리적 데이터를 기반으로 SoC(State of Charge)를 계산한다. 최근에는 이러한 물리 기반 모델의 한계를 보완하기 위해 데이터 기반의 인공지능(AI) 모델이 추가적으로 도입되고 있다. AI 모델은 대량의 데이터를 학습하여 배터리의 상태를 보다 정밀하게 추정할 수 있는 가능성을 제공하며, 이를 통해 기존의 물리 기반 모델보다 높은 정확도를 달성하려는 연구가 활발히 진행 중이다. 그러나 물리 기반 모델은 배터리의 비선형적인 특성과 노화, 그리고 환경 변화와 같은 다양한 요인들로 인해 오차가 발생하는 한계를 가지고 있다. 이러한 오차는 배터리의 상태를 정확히 추정하는 데 있어 큰 제약으로 작용하며, 특히 배터리의 사용 환경이 복잡하거나 변화가 심한 경우에는 더욱 두드러진다. 따라서 물리 기반 모델만으로는 배터리 관리 시스템의 신뢰성과 정확도를 충분히 확보하기 어려운 상황이다. 한편, 데이터 기반 모델은 물리 기반 모델의 한계를 보완할 수 있는 잠재력을 가지고 있지만, 보안 측면에서 취약점을 드러낸다. 예를 들어, 센서의 이상으로 인해 잘못된 데이터가 입력되거나, 악의적인 데이터 조작이 발생할 경우, 데이터 기반 모델은 이를 효과적으로 감지하거나 대응하지 못할 가능성이 있다. 이러한 보안 위협은 데이터 기반 모델의 신뢰성을 저하시킬 수 있으며, 결과적으로 배터리 관리 시스템 전체의 안정성과 성능에 부정적인 영향을 미칠 수 있다. 도 1은 본 발명의 일 실시예에 따른 배터리 상태 추정 장치의 개략적인 구성을 도시한 도면이다. 도 2는 본 발명의 일 실시예에 따른 배터리 상태 추정 장치의 동작 과정을 도시한 예시도이다. 도 3은 본 발명의 일 실시예에 따른 배터리 상태 추정 장치가 예측 SoC를 산출하는 과정을 도시한 예시도이다. 도 4는 본 발명의 일 실시예에 따른 검증부가 블록체인 합의 과정을 통해 검증 SoC를 확정하는 절차를 도시한 예시도이다. 도 5는 본 발명의 일 실시예에 따른 배터리 상태 추정 장치의 피드백 과정을 도시한 예시도이다. 도 6은 본 발명의 일 실시예에 따른 배터리 상태 추정 방법을 설명하기 위한 흐름도이다. 후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다. 본 발명에 따른 구성요소들은 물리적인 구분이 아니라 기능적인 구분에 의해서 정의되는 구성요소들로써 각각이 수행하는 기능들에 의해서 정의될 수 있다. 각각의 구성요소들은 하드웨어 또는 각각의 기능을 수행하는 프로그램 코드 및 프로세싱 유닛으로 구현될 수 있을 것이며, 두 개 이상의 구성요소의 기능이 하나의 구성요소에 포함되어 구현될 수도 있을 것이다. 따라서 이하의 실시예에서 구성요소에 부여되는 명칭은 각각의 구성요소를 물리적으로 구분하기 위한 것이 아니라 각각의 구성요소가 수행되는 대표적인 기능을 암시하기 위해서 부여된 것이며, 구성요소의 명칭에 의해서 본 발명의 기술적 사상이 한정되지 않는 것임에 유의하여야 한다. 이하에서는 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다. 도 1은 본 발명의 일 실시예에 따른 배터리 상태 추정 장치의 개략적인 구성을 도시한 도면이다. 본 실시예에 따른 배터리 상태 추정 장치(10, 이하 장치)는 센서 데이터를 기반으로 배터리의 SoC(State of Charge)를 예측하고, 예측된 SoC와 블록체인 검증부에서 확정된 검증 SoC 간의 차이를 최소화하도록 미리 마련된 물리 기반 모델과 AI 모델을 결합하여, 배터리의 상태를 보다 정확하고 신뢰성 있게 반영한 최적의 SoC를 산출하기 위해 마련된다. 이를 위해 본 실시예에 따른 장치(10)는 수집부(100), 예측부(200) 및 검증부(300)를 포함할 수 있다. 그리고 장치(10)는 배터리 상태 추정 방법을 수행하기 위한 소프트웨어(어플리케이션)가(이) 설치되어 실행될 수 있으며, 수집부(100), 예측부(200) 및 검증부(300)는 배터리 상태 추정 방법을 수행하기 위한 소프트웨어(어플리케이션)에 의해 제어될 수 있다. 이때 장치(10)는 별도의 단말이거나 또는 단말의 일부 모듈일 수 있다. 또한, 수집부(100), 예측부(200) 및 검증부(300)의 구성은 통합 모듈로 형성되거나, 하나 이상의 모듈로 이루어질 수 있다. 그러나, 이와 반대로 각 구성은 별도의 모듈로 이루어질 수도 있다. 또한 장치(10)는 이동성을 갖거나 고정될 수 있다. 이러한 장치(10)는, 서버(server) 또는 엔진(engine) 형태일 수 있으며, 디바이스(device), 기구(apparatus), 단말(terminal), UE(user equipment), MS(mobile station), 무선기기(wireless device), 휴대기기(handheld device) 등 다른 용어로 불릴 수 있다. 그리고 장치(10)는 운영체제(Operation System; OS), 즉 시스템을 기반으로 다양한 소프트웨어를 실행하거나 제작할 수 있다. 여기서 운영체제는 소프트웨어가 장치의 하드웨어를 사용할 수 있도록 하기 위한 시스템 프로그램으로서, 안드로이드 OS, iOS, 윈도우 모바일 OS, 바다 OS, 심비안 OS, 블랙베리 OS 등 모바일 컴퓨터 운영체제 및 윈도우 계열, 리눅스 계열, 유닉스 계열, MAC, AIX, HP-UX 등 컴퓨터 운영체제를 모두 포함할 수 있다. 저장부(미도시)는 배터리 상태 추정 방법을 수행하기 위한 프로그램이 기록된다. 또한 제어부(미도시)가 처리하는 데이터를 일시적 또는 영구적으로 저장하며, 휘발성 저장매체 또는 비휘발성 저장매체를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 그리고 저장부(미도시)는 배터리 상태 추정 방법을 수행하면서 누적되는 데이터가 저장된다. 예컨대, 저장부(미도시)에는 AI 모델 학습을 위한 배터리 히스토리 시계열 데이터 셋, 미리 학습된 AI 모델, 물리 기반 모델의 파라미터 값, 블록체인 검증부에서 확정된 검증 SoC, 및 피드백 학습을 위해 사용되는 보정 데이터 등이 저장될 수 있다. 제어부(미도시)는 배터리 상태 추정 방법을 제공하는 전체 과정을 제어하기 위해 마련된다. 이하에서는 도 1 및 도 2를 참고하여 본 개시의 일 실시예에 따른 배터리 상태 추정 장치(10)를 설명할 수 있다. 도 1은 본 개시의 일 실시예에 따른 배터리 상태 추정 장치(10)의 개략적인 구성을 도시한 도면일 수 있다. 도 2는 본 개시의 일 실시예에 따른 배터리 상태 추정 장치(10)의 동작 과정을 도시한 예시도일 수 있다. 배터리 상태 추정 장치(10)는 배터리의 상태를 정확하게 추정하고 데이터의 신뢰성을 보장할 수 있다. 배터리 상태 추정 장치(10)는 수집부(100), 예측부(200), 및 검증부(300)를 포함할 수 있다. 수집부(100)는 배터리 관리 시스템(Battery Management System; BMS)으로부터 센서 데이터를 수집할 수 있다. 배터리 관리 시스템은 배터리 팩의 안전을 관리하고 성능을 최적화하는 전자 시스템일 수 있다. 배터리 관리 시스템은 배터리의 충전 및 방전 제어, 셀 밸런싱, 온도 모니터링 등의 기능을 수행할 수 있다. 배터리 관리 시스템에는 배터리의 상태를 측정하기 위한 적어도 하나 이상의 센서가 포함될 수 있다. 예를 들어, 센서는 배터리의 전압, 전류, 온도, 내부 저항, 충전 및 방전 사이클 횟수, 주변 환경 습도, 진동 데이터, 음향 데이터일 수 있다. 그러나 본 개시는 이에 한정되지 않는다. 수집부(100)는 이러한 센서들로부터 실시간 운용 데이터를 수집하여 예측부(200)로 전송할 수 있다. 본 개시의 일 실시예에 있어서, 수집부(100)는 데이터 전처리 기능을 포함할 수 있다. 수집부(100)는 센서로부터 수집된 원시 데이터(raw data)에 포함될 수 있는 노이즈를 제거하기 위해 필터링 알고리즘을 적용할 수 있다. 수집부(100)는 결측치를 보간하거나 데이터 형식을 표준화하여 예측부(200)의 모델이 일관된 형식의 데이터를 입력받도록 할 수 있다. 예측부(200)는 수집부(100)로부터 수신한 센서 데이터를 기반으로 배터리를 가상 시뮬레이션하는 디지털 트윈(Digital Twin)을 구성할 수 있다. 디지털 트윈은 물리적 배터리를 가상 공간에 동일하게 복제한 모델로, 배터리의 동작 특