[go: up one dir, main page]

KR102704754B1 - 전기차 생애주기 주행 가능거리 예측 방법 - Google Patents

전기차 생애주기 주행 가능거리 예측 방법 Download PDF

Info

Publication number
KR102704754B1
KR102704754B1 KR1020220184306A KR20220184306A KR102704754B1 KR 102704754 B1 KR102704754 B1 KR 102704754B1 KR 1020220184306 A KR1020220184306 A KR 1020220184306A KR 20220184306 A KR20220184306 A KR 20220184306A KR 102704754 B1 KR102704754 B1 KR 102704754B1
Authority
KR
South Korea
Prior art keywords
electric vehicle
driving distance
information
driving
predicting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020220184306A
Other languages
English (en)
Other versions
KR20240102347A (ko
Inventor
배국열
오세승
백종복
장재원
강모세
김혜진
박재영
Original Assignee
한국에너지기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국에너지기술연구원 filed Critical 한국에너지기술연구원
Priority to KR1020220184306A priority Critical patent/KR102704754B1/ko
Publication of KR20240102347A publication Critical patent/KR20240102347A/ko
Application granted granted Critical
Publication of KR102704754B1 publication Critical patent/KR102704754B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/91—Electric vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/11—Electric energy storages
    • B60Y2400/112—Batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

본 개시의 전기차 생애주기 주행 가능거리 예측 방법은 전기차 정보 확보단계, 열화곡선 기울기 산출단계 및 잔여주행거리 산출단계를 포함하여 구성될 수 있다. 전기차 정보 확보 단계는 배터리 용량정보와 전기차 주행거리정보를 제공받을 수 있다. 열화곡선 기울기 산출단계는 배터리 용량정보와 자동차 주행거리정보를 이용하여 복수의 주행거리변화량과 주행거리변화량에 상응하는 용량변화량을 구하고, 복수의 주행거리변화량과 용량변화량으로 복수의 열화곡선 기울기를 산출할 수 있다. 잔여주행거리 산출단계는 현재시점의 입력변수와 출력변수를 이용하여 잔여주행거리 예측모델을 생성하고 잔여주행거리 예측모델을 이용하여 현재시점에서의 잔여주행거리를 산출할 수 있다.

Description

전기차 생애주기 주행 가능거리 예측 방법{METHOD FOR PREDICTING DRIVING DISTANCE OF ELECTRIC VEHICLE IN LIFE CYCLE}
본 개시는 전기차 생애주기 주행 가능거리 예측 방법에 관한 것이다.
최근 대기오염 등 환경문제가 이슈화되면서, 전기차(Electric Vehicle)에 대 한 관심이 커지고 연구가 활발히 진행되어 점차적으로 상용화가 진행되고 있는 추세이다. 전기차는 탑재한 배터리를 동력원으로 사용하는 모터에 의해 구동되어 주행이 이루어진다. 전기차를 사용하는 동안, 배터리는 충방전을 반복하면서 충방전 횟수가 누적됨에 따라 배터리의 에너지 저장 능력이 점점 감소하게 된다.
종래 전기차는 사용자에게는 배터리 상태, 예를 들면, 현재 충전 상태(SOC: State OF Charge)), 1회 충전시 주행가능거리, km당 소요 에너지 및 현재까지 누적 주행거리를 실시간(Real time) 및 온 보드(On-Board)상태로 제공하고 있지만, 배터리 잔여주행거리(RUL: Remaining Useful Life)를 실시간(Real time) 및 온 보드(On- Board)상태로 제공하지는 아니한다.
종래에 전기차 사용자에게 배터리 잔여주행거리를 제공하기 위해서는 배터리 잔여주행거리 측정을 위한 추가적인 측정값, 예를 들면, 1 주기(cycle)이상의 충방전 전압(Voltage), 전류(Current) 및 온도(Temperature) 프로파일 정보와 특정 측정 조건에서의 임피던스 등을 필요로 한다. 기계학습 및 딥러닝 기반 모델을 활용하는 경우 정확도 향상을 위해 장기간의 추가적인 입력정보를 요구하고, 정보의 저장을 위해서 데이터 전처리, 저장용량 확보 등의 비용이 요구될 수 있다.
한국공개특허 제2021-0048299호 (2021.05.03 공개)
본 개시가 해결하고자 하는 기술적 과제는, 실시간 또는 온 보드 상태에서 배터리 잔여주행거리를 예측하여 제공하는 전기차 생애주기 주행 가능거리 예측 방법을 제공하는 것이다.
본 개시가 해결하고자 하는 다른 기술적 과제는, Data Driven 방식으로 생성된 RUL(Remaining Useful Life) 학습모델을 이용한 전기차 생애주기 주행 가능거리 예측 방법을 제공하는 것이다.
본 개시가 해결하고자 하는 또 다른 기술적 과제는, 전기차 또는 배터리 제조사에서 제공하는 열화곡선정보를 이용한 전기차 생애주기 주행 가능거리 예측 방법을 제공하는 것이다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 아니하며, 이상에서 언급되지 아니한 또 다른 기술적 과제들은 아래의 기재들로 부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한 본 개시의 일 실시예에 따른 전기차 생애주기 주행 가능거리 예측 방법은, 배터리 용량정보와 전기차 주행거리정보를 제공받는 전기차 정보 확보단계; 상기 배터리 용량정보와 자동차 주행거리정보를 이용하여 복수의 주행거리변화량(△d)과 상기 주행거리변화량(△d)에 상응하는 용량변화량(△Q)를 구하고, 복수의 상기 주행거리변화량(△d)과 상기 용량변화량(△Q)으로 복수의 열화곡선 기울기(
Figure 112022139723261-pat00001
)를 산출하는 열화곡선 기울기 산출단계; 및 현재시점(C)의 입력변수와 출력변수를 이용하여 잔여주행거리 예측모델을 생성하고 상기 잔여주행거리 예측모델을 이용하여 현재시점에서의 잔여주행거리를 산출하는 잔여주행거리 산출단계;를 포함할 수 있다.
일 실시예에서, 상기 열화곡선 기울기 산출단계는, 전기차 주행거리 D구간을 N개 미소구간으로 등분하여 상기 주행거리변화량 △di를 일정하게 고정하고 상기 용량변화량 △Qi를 산출하며, 상기 i는 자연수 1~N 일 수 있다.
일 실시예에서, 상기 열화곡선 기울기 산출단계는, 배터리 용량 Q구간을 N개 미소구간으로 등분하여 상기 용량변화량 △Qi를 일정하게 고정하고 상기 주행거리변화량 △di를 산출하며, 상기 i는 자연수 1~N 일 수 있다.
일 실시예에서, 상기 잔여주행거리 산출단계에서, 상기 입력변수 XRUL(C)는 수학식 1로 정의되고, 상기 출력변수 yRUL(C)는 수학식 2로 정의되며, 상기 잔여주행거리 예측모델은 수학식 3으로 표시될 수 있다.
[수학식 1]
Figure 112022139723261-pat00002
[수학식 2]
Figure 112022139723261-pat00003
[수학식 3]
일 실시예에서, 상기 배터리 용량정보와 전기차 주행거리정보는 전기차에서 관리되는 현재시점 이전의 배터리 용량정보와 전기차 주행거리정보일 수 있다.
일 실시예에서, 상기 입력변수에서 열화곡선 기울기(
Figure 112022139723261-pat00005
) 값이 클 수록 단위열화(Degradation)에 따른 열화가 빨라질 수 있다.
일 실시예에서, 상기 입력변수에서 열화곡선 기울기(
Figure 112022139723261-pat00006
)값이 클 수록 단위열화(Degradation)에 따른 잔여주행거리가 짧아질 수 있다.
일 실시예에서, 상기 잔여주행거리 예측모델은 Data Driven방식의 학습모델로 생성될 수 있다.
일 실시예에서, 상기 잔여주행거리 예측모델은 상기 전기차에 적용되어 현재 배터리 용량정보와 전기차 주행거리정보를 활용하여 잔여주행거리 정보를 실시간 제공할 수 있다.
상기 기술적 과제를 해결하기 위한 본 개시의 일 실시예에 따른 전기차 생애주기 주행 가능거리 예측 방법은, 전기차의 배터리 열화곡선정보를 제공받는 배터리 열화곡선 확보단계; 현재시점의 전기차 배터리 용량정보와 전기차 주행거리정보를 이용하여 현재시점의 열화곡선 기울기(
Figure 112022139723261-pat00007
)를 산출하는 열화곡선 기울기 산출단계; 및 상기 현재시점 열화곡선 기울기와 상기 배터리 열화곡선정보와 비교하여 현재시점에서의 잔여주행거리를 산출하는 잔여주행거리 산출단계;를 포함할 수 있다.
일 실시예에서, 상기 잔여주행거리 산출단계는 상기 전기차의 주행환경, 상기 전기차의 운전자 운전습관에 따르는 가속 열화비(Kdeg)를 반영하여 상기 현재시점에서의 보정된 잔여주행거리를 산출할 수 있다.
일 실시예에서, 상기 전기차의 운전자 운전습관은 급제동, 급가속, 급감속, 및 평균속력 중 적어도 하나의 습관을 포함할 수 있다.
일 실시예에서, 상기 잔여주행거리 산출단계는 상기 현재시점 열화곡선 기울기가 상기 배터리 열화곡선정보 기울기보다 작은 경우, 상기 배터리 열화곡선에 대비 저속 배터리 열화곡선을 구하여 상기 가속 열화비(Kdeg)를 수학식 4에 따라 산출하고, 상기 현재시점에서의 보정된 잔여주행거리(RULtarget)는 수학식 5에 따라 산출할 수 있다.
[수학식 4]
Figure 112022139723261-pat00008
(aslow는 보정상수, △Qref는 배터리 열화곡선에서의 용량변화량, △Qslow는 저속 배터리 열화곡선에서의 용량변화량)
[수학식 5]
Figure 112022139723261-pat00009
(RULref는 현재시점에서의 잔여주행거리)
일 실시예에서, 상기 잔여주행거리 산출단계는 상기 현재시점 열화곡선 기울기가 상기 배터리 열화곡선정보 기울기보다 큰은 경우, 상기 배터리 열화곡선에 대비 고속 배터리 열화곡선을 구하여 상기 가속 열화비(Kdeg)를 수학식 6에 따라 산출하고, 상기 현재시점에서의 보정된 잔여주행거리(RULtarget)는 수학식 7에 따라 산출할 수 있다.
[수학식 6]
Figure 112022139723261-pat00010
(afast는 보정상수, △Qref는 배터리 열화곡선에서의 용량변화량, △Qfast는 고속 배터리 열화곡선에서의 용량변화량)
[수학식 7]
Figure 112022139723261-pat00011
(RULref는 현재시점에서의 잔여주행거리)
일 실시예에서, 상기 배터리 열화곡선정보는 배터리 제조사 또는 전기차 제조사로부터 제공받을 수 있다.
본 실시예에 따르면, 실시간 또는 온보드 상태에서 배터리 잔여주행거리를 예측하여 제공하는 전기차 생애주기 주행 가능거리 예측 방법을 제공할 수 있다.
본 실시예에 따르면, Data Driven 방식으로 생성된 RUL(Remaining Useful Life) 학습모델을 이용한 전기차 생애주기 주행 가능거리 예측 방법을 제공할 수 있다.
본 실시예에 따르면, 전기차 또는 배터리 제조사에서 제공하는 열화곡선정보를 이용한 전기차 생애주기 주행 가능거리 예측 방법을 제공할 수 있다.
이 외에, 본 명세서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 본 개시의 일 실시예에 따른 전기차 생애주기 주행 가능거리 예측방법을 설명하기 위한 절차 흐름도이다.
도 2는 본 개시의 일 실시예에 따른 전기차 생애주기 주행 가능거리 예측 방법을 설명하기 위한 예시 그래프이다.
도 3은 본 개시의 다른 일 실시예에 따른 전기차 생애주기 주행 가능거리 예측방법을 설명하기 위한 절차 흐름도이다.
도 4는 본 개시의 다른 일 실시예에 따른 전기차 생애주기 주행 가능거리 예측 방법을 설명하기 위한 예시 그래프이다.
이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시예들을 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다.
그러나 본 발명의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 발명의 기술적 사상을 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.
본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 이하, 도면들을 참조하여 본 개시의 몇몇 실시예들을 설명한다.
도 1은 본 개시의 일 실시예에 따른 전기차 생애주기 주행 가능거리 예측방법을 설명하기 위한 절차 흐름도이다.
도 1 을 참조하면, 본 개시의 일 실시예에 따른 전기차 생애주기 주행 가능거리 예측방법은 잔여주행거리 예측모델을 활용하여 전기차 생애주기 주행 가능거리를 예측하는 방법일 수 있다. 잔여주행거리(RUL: Remaining Useful Life) 예측모델은 Data Driven방식의 학습모델로 생성될 수 있다.
일 실시예에 따른 전기차 생애주기 주행가능 거리 예측방법은 전기차 정보 확보단계(S100), 열화곡선 기울기 산출단계(S120), 및 잔여주행거리 산출단계(S130)를 포함하여 구성될 수 있다.
일 예로서, 상기 전기차 정보 확보단계(S100)는, 배터리 용량정보와 전기차 주행거리정보를 제공받는 단계일 수 있다. 예를 들면, S100 단계에서 제공받는 배터리 용량정보와 전기차 주행거리정보는 전기차에서 관리되는 현재시점 이전의 배터리 용량정보와 전기차 주행거리정보일 수 있다
일 예로서, 상기 열화곡선 기울기 산출단계(S120)는 주행거리변화량(△d)과 용량변화량(△Q)으로 열화곡선 기울기(
Figure 112022139723261-pat00012
)를 산출하는 단계일 수 있다. 예를 들면, S120 단계에서는 배터리 용량정보와 자동차 주행거리정보를 이용하여 복수의 주행거리변화량(△d)과 주행거리변화량(△d)에 상응하는 용량변화량(△Q)를 구하고, 복수의 주행거리변화량(△d)과 용량변화량(△Q)으로 복수의 열화곡선 기울기(
Figure 112022139723261-pat00013
)를 산출할 수 있다.
일 예로서, 상기 잔여주행거리 산출단계(S130)는 잔여주행거리 예측모델을 생성하고 잔여주행거리 예측모델을 이용하여 잔여주행거리를 산출하는 단계일 수 있다 예를 들면, S130 단계에서는 현재시점(C)의 입력변수와 출력변수를 이용하여 잔여주행거리 예측모델을 생성하고 잔여주행거리 예측모델을 이용하여 현재시점에서의 잔여주행거리를 산출할 수 있다.
도 2는 본 개시의 일 실시예에 따른 전기차 생애주기 주행 가능거리 예측 방법을 설명하기 위한 예시 그래프이다.
도 2를 참조하면, 본 개시의 일 실시예에 따른 전기차 생애주기 주행 가능거리 예측 방법을 설명하기 위한 예시 그래프의 x축은 전기차 주행거리를 표시하고 y축은 배터리 용량을 나타낸다.
본 개시의 일 실시예에 따른 전기차 생애주기 주행 가능거리 예측 방법은 Data Driven방식의 학습모델로 생성된 잔여주행거리 예측모델을 활용할 수 있다.
일 예로서, 배터리 용량정보와 전기차 주행거리정보는 전기차의 배터리관리시스템(BMS: Battery Management System)에서 관측되어 저장관리되는 정보일 수 있다. 배터리 용량정보와 전기차 주행거리정보는 전기차에서 관리되는 현재시점 이전의 배터리 용량정보와 전기차 주행거리정보일 수 있다.
예를 들면, 현재시점(C)에서 현재까지 주행거리(x축)는 75,000km이고, 배터리 용량(y축)은 93%일 수 있다.
일 예로서, 배터리 용량정보와 자동차 주행거리정보를 이용하여 복수의 주행거리변화량(△d)과 상기 주행거리변화량(△d)에 상응하는 용량변화량(△Q)를 구할 수 있다.
예를 들면, 현재시점(C) 이전의 미소구간 D간격의 주행거리를 N등분하여 주행거리 변화량 △di와 용량변화량 △Qi를 각각 구할 수 있다. 그리고 구해진 N개의 주행거리 변화량 △di와 용량변화량 △Qi을 이용하여 N개의 열화곡선 기울기를 산출할 수 있다. 여기서 i는 1 내지 N인 자연수 일 수 있다.
일 예로서, 주행거리 변화량 △di와 용량변화량 △Qi를 구할 때, 전기차 주행거리 D구간을 N개 미소구간으로 등분하여 주행거리변화량 △di를 일정하게 고정하고 용량변화량 △Qi를 산출할 수 있다. 예를 들면, △di를 5,000km로 일정하게 고정하고 이에 상응하는 용량변화량 △Qi를 산출할 수 있다.
일 예로, 주행거리 변화량 △di와 용량변화량 △Qi를 구할 때, 배터리 용량 Q구간을 N개 미소구간으로 등분하여 용량변화량 △Qi를 일정하게 고정하고 주행거리변화량 △di를 산출할 수 있다. 예를 들면, 용량변화량 △Qi를 1%로 일정하게 고정하고 이에 상응하는 주행거리변화량 △di를 산출할 수 있다.
상기에서 구해진 N개의 열화곡선 기울기(
Figure 112022139723261-pat00014
)를 이용하여, 입력변수 XRUL(C)를 수학식 1과 같이 정의하고, 출력변수 yRUL(C)를 수학식 2와 같이 정의하여 잔여주행거리 예측모델을 수학식 3과 같이 표시할 수 있다.
[수학식 1]
Figure 112022139723261-pat00015
[수학식 2]
Figure 112022139723261-pat00016
[수학식 3]
입력변수에서 열화곡선 기울기(
Figure 112022139723261-pat00018
) 값이 클 수록 단위열화(Degradation)에 따른 열화가 빨라짐을 예상할 수 있다. 달리 표현하면, 입력변수에서 열화곡선 기울기(
Figure 112022139723261-pat00019
)값이 클 수록 단위열화에 따른 잔여주행거리가 짧아지는 것을 예상할 수 있다.
따라서 본 실시예의 전기차 생애주기 주행 가능거리 예측 방법에서 열화곡선 기울기를 입력으로 구성할 경우, 전기차의 잔여 주행가능거리를 쉽게 예측할 수 있다. 또한 종래 학습모델 구성시 장기 이력 데이터가 필요한 문제점 있었으나, 본 실시예에 따라 도출된 잔여주행거리 예측모델을 전기차에 실시간 또는 On Board로적용하는 경우 전기차에서 통상적으로 관리하는 정보만을 활용하여 전기차의 잔여 주행가능거리를 예측할 수 있게 된다.
본 실시예에서 전기차 생애주기 주행 가능거리 예측 방법을 설명하기 위한 예시 그래프의 x축은 전기차 주행거리를 표시하고 y축은 배터리 용량을 나타내는 것으로 예시하여 설명하였지만, 이에 한정되지 아니하며, 예를 들면, x축은 전기차 열화상태(SOH: State Of Health)일 수 있고, y축은 배터리 충방전 사이클 횟수일 수 있다.
도 3은 본 개시의 다른 일 실시예에 따른 전기차 생애주기 주행 가능거리 예측방법을 설명하기 위한 절차 흐름도이다.
도 3 을 참조하면, 본 개시의 다른 일 실시예에 따른 전기차 생애주기 주행 가능거리 예측방법은 배터리 열화곡성을 전기차 생애주기 주행 가능거리를 예측하는 방법일 수 있다.
일 실시예에 따른 전기차 생애주기 주행가능 거리 예측방법은 배터리 열화곡선 확보단계(S200), 열화곡선 기울기 산출단계(S210), 및 잔여주행거리 산출단계(S230)를 포함하여 구성될 수 있다.
상기 배터리 열화곡선 확보단계(S200)는 전기차의 배터리 열화곡선정보를 제공받는 단계일 수 있다. 예를 들면, S200 단계에서, 배터리 제조사 또는 전기차 제조사로부터 배터리 열화곡선정보를 제공받을 수 있다.
상기 열화곡선 기울기 산출단계(S210)는 전기차가 제공하는 정보를 이용하여 현재시점의 열화곡선 기울기(
Figure 112022139723261-pat00020
)를 산출할 수 있다. 예를 들면, S210 단계에서, 현재시점의 전기차 배터리 용량정보와 자동차 주행거리정보를 이용하여 현재시점 열화곡선 기울기(
Figure 112022139723261-pat00021
)를 산출할 수 있다. 배터리 용량정보와 전기차 주행거리정보는 전기차가 측정하고 관리하는 배터리 용량정보와 전기차 주행거리정보일 수 있다.
상기 잔여주행거리 산출단계(S220)는 현재시점에서의 잔여주행거리를 산출하는 단계일 수 있다. 예를 들면, S220 단계에서 현재시점 열화곡선 기울기와 배터리 열화곡선정보와 비교하여 현재시점에서의 잔여주행거리를 산출할 수 있다.
도 4는 본 개시의 다른 일 실시예에 따른 전기차 생애주기 주행 가능거리 예측 방법을 설명하기 위한 예시 그래프이다.
도 4를 참조하면, 본 개시의 다른 일 실시예에 따른 전기차 생애주기 주행 가능거리 예측 방법을 설명하기 위한 예시 그래프의 x축은 전기차 주행거리를 표시하고 y축은 배터리 용량을 나타낸다.
본 개시의 다른 일 실시예에 따른 전기차 생애주기 주행 가능거리 예측 방법은 전기차 제조사 또는 배터리 제조사에서 제공하는 레퍼런스(Reference) 배터리 열화곡선을 활용하여 전기차 잔여주행거리를 산출할 수 있다.
일 예로서, 전기차의 현재시점(C) 열화곡선 기울기(
Figure 112022139723261-pat00022
)를 레퍼런스 배터리 열화곡선과 비교하여 해당 전기차의 잔여주행거리를 예측할 수 있다. 예를 들면, 현재시점(C)에서 레퍼런스 배터리 열화곡선 기울기
Figure 112022139723261-pat00023
는 10-3 [%/km]일 경우, 전기차 잔여주행거리는 200,000km일 수 있다.
한편, 전기차 잔여주행거리는 전기차의 운전자 운전습관에 따라 줄어들거나 늘어날 수 있다. 예를 들면, 운전자의 운전습관은 급제동, 급가속, 급감속, 및 평균속력에 관련된 것일 수 있다.
이러한 운전자의 습관을 전기차 잔여주행거리 예측에 고려하여 레퍼런스 배터리 열화곡선을 고속 열화곡선 또는 저속 열화곡선을 확보할 수 있다. 예를 들면, 현재시점(C)에서 저속 배터리 열화 곡선 기울기
Figure 112022139723261-pat00024
는 0.8 x 10-3 [%/km]일 수 있다. 현재시점(C)에서 고속 배터리 열화 곡선 기울기
Figure 112022139723261-pat00025
는 3 x 10-3 [%/km] 일 수 있다.
일 예로서, 전기차의 주행환경, 상기 전기차의 운전자 운전습관에 따르는 가속 열화비(Kdeg)를 반영하여 현재시점에서의 보정된 잔여주행거리를 산출할 수 있다.
예를 들면, 현재시점 열화곡선 기울기가 배터리 열화곡선정보 기울기보다 작은 경우, 배터리 열화곡선에 대비 저속 배터리 열화곡선을 구하여 가속 열화비(Kdeg)를 수학식 4에 따라 산출하고, 현재시점에서의 보정된 잔여주행거리(RULtarget)는 수학식 5에 따라 산출할 수 있다.
[수학식 4]
Figure 112022139723261-pat00026
여기서, aslow는 보정상수이고 1일 수 있다. △Qref는 배터리 열화곡선에서의 용량변화량이고, △Qslow는 저속 배터리 열화곡선에서의 용량변화량이다.
[수학식 5]
Figure 112022139723261-pat00027
(RULref는 현재시점에서의 잔여주행거리)
예를 들면, 현재시점 열화곡선 기울기가 배터리 열화곡선정보 기울기보다 큰은 경우, 배터리 열화곡선에 대비 고속 배터리 열화곡선을 구하여 가속 열화비(Kdeg)를 수학식 6에 따라 산출하고, 현재시점에서의 보정된 잔여주행거리(RULtarget)는 수학식 7에 따라 산출할 수 있다.
[수학식 6]
Figure 112022139723261-pat00028
여기서, afast는 보정상수이고 1일 수 있다. △Qref는 배터리 열화곡선에서의 용량변화량이고, △Qfast는 고속 배터리 열화곡선에서의 용량변화량이다.
[수학식 7]
Figure 112022139723261-pat00029
여기서 RULref는 현재시점에서의 잔여주행거리이다.
지금까지 도 1 내지 도 4를 참조하여 본 개시의 다양한 실시예들 및 그 실시예들에 따른 효과들을 언급하였다. 본 개시의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
지금까지 설명된 본 개시의 기술적 사상은 컴퓨터가 읽을 수 있는 매체상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.
도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다.
이상 첨부된 도면을 참조하여 본 개시의 실시예들을 설명하였지만, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 발명이 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (15)

  1. 배터리 용량정보와 전기차 주행거리정보를 제공받는 전기차 정보 확보단계;
    상기 배터리 용량정보와 전기차 주행거리정보를 이용하여 복수의 주행거리변화량과 상기 주행거리변화량에 상응하는 용량변화량을 구하고, 복수의 상기 주행거리변화량과 상기 용량변화량으로 복수의 열화곡선 기울기를 산출하는 열화곡선 기울기 산출단계; 및
    상기 복수의 열화곡선 기울기를 입력변수로 하고, 잔여주행거리를 출력변수로 하는 잔여주행거리 예측모델을 데이터 드리븐(data driven)방식의 학습모델로 생성하고 상기 잔여주행거리 예측모델을 이용하여 현재시점에서의 잔여주행거리를 산출하는 잔여주행거리 산출단계;를 포함하는,
    전기차 생애주기 주행 가능거리 예측 방법.
  2. 제1항에 있어서,
    상기 열화곡선 기울기 산출단계는, 전기차 주행거리 D구간을 N개 미소구간으로 등분하여 상기 주행거리변화량 △di를 일정하게 고정하고 상기 용량변화량 △Qi를 산출하며, 상기 i는 자연수 1~N인,
    전기차 생애주기 주행 가능거리 예측 방법.
  3. 제1항에 있어서,
    상기 열화곡선 기울기 산출단계는, 배터리 용량 Q구간을 N개 미소구간으로 등분하여 상기 용량변화량 △Qi를 일정하게 고정하고 상기 주행거리변화량 △di를 산출하며, 상기 i는 자연수 1~N인,
    전기차 생애주기 주행 가능거리 예측 방법.
  4. 삭제
  5. 제1항에 있어서,
    상기 배터리 용량정보와 전기차 주행거리정보는 전기차에서 관리되는 현재시점 이전의 배터리 용량정보와 전기차 주행거리정보인,
    전기차 생애주기 주행 가능거리 예측 방법.
  6. 제1항에 있어서,
    상기 입력변수에서 열화곡선 기울기 값이 클 수록 단위열화(Degradation)에 따른 열화가 빨라지는,
    전기차 생애주기 주행 가능거리 예측 방법.
  7. 제1항에 있어서,
    상기 입력변수에서 열화곡선 기울기 값이 클 수록 단위열화(Degradation)에 따른 잔여주행거리가 짧아지는,
    전기차 생애주기 주행 가능거리 예측 방법.
  8. 삭제
  9. 제1항에 있어서,
    상기 잔여주행거리 예측모델은 상기 전기차에 적용되어 현재 배터리 용량정보와 전기차 주행거리정보를 활용하여 잔여주행거리 정보를 실시간 제공하는,
    전기차 생애주기 주행 가능거리 예측 방법.
  10. 전기차의 배터리 열화곡선정보를 제공받는 배터리 열화곡선 확보단계;
    현재시점의 전기차 배터리 용량정보와 전기차 주행거리정보를 이용하여 현재시점의 열화곡선 기울기를 산출하는 열화곡선 기울기 산출단계; 및
    상기 현재시점 열화곡선 기울기와 상기 배터리 열화곡선정보와 비교하여 현재시점에서의 잔여주행거리를 산출하는 잔여주행거리 산출단계;를 포함하는,
    전기차 생애주기 주행 가능거리 예측 방법.
  11. 제10항에 있어서,
    상기 잔여주행거리 산출단계는,
    상기 전기차의 주행환경, 상기 전기차의 운전자 운전습관에 따르는 가속 열화비(Kdeg)를 반영하여 상기 현재시점에서의 보정된 잔여주행거리를 산출하는,
    전기차 생애주기 주행 가능거리 예측 방법.
  12. 제11항에 있어서,
    상기 전기차의 운전자 운전습관은 급제동, 급가속, 급감속, 및 평균속력 중 적어도 하나의 습관을 포함하는,
    전기차 생애주기 주행 가능거리 예측 방법.
  13. 삭제
  14. 삭제
  15. ◈청구항 15은(는) 설정등록료 납부시 포기되었습니다.◈
    제10항에 있어서,
    상기 배터리 열화곡선정보는 배터리 제조사 또는 전기차 제조사로부터 제공받는,
    전기차 생애주기 주행 가능거리 예측 방법.
KR1020220184306A 2022-12-26 2022-12-26 전기차 생애주기 주행 가능거리 예측 방법 Active KR102704754B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220184306A KR102704754B1 (ko) 2022-12-26 2022-12-26 전기차 생애주기 주행 가능거리 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220184306A KR102704754B1 (ko) 2022-12-26 2022-12-26 전기차 생애주기 주행 가능거리 예측 방법

Publications (2)

Publication Number Publication Date
KR20240102347A KR20240102347A (ko) 2024-07-03
KR102704754B1 true KR102704754B1 (ko) 2024-09-11

Family

ID=91900186

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220184306A Active KR102704754B1 (ko) 2022-12-26 2022-12-26 전기차 생애주기 주행 가능거리 예측 방법

Country Status (1)

Country Link
KR (1) KR102704754B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018128769A (ja) 2017-02-07 2018-08-16 トヨタ自動車株式会社 電池交換支援システムおよびそれに用いられるサーバ
JP2020064031A (ja) 2018-10-19 2020-04-23 トヨタ自動車株式会社 劣化情報出力装置および劣化情報出力方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10108301A (ja) * 1996-09-30 1998-04-24 Nissan Motor Co Ltd 電気自動車の走行可能距離算出方法
KR102368286B1 (ko) * 2014-10-28 2022-02-28 삼성전자주식회사 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법 및 장치
KR102791252B1 (ko) 2019-10-23 2025-04-08 현대자동차주식회사 전기차의 주행 가능 거리 표시 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018128769A (ja) 2017-02-07 2018-08-16 トヨタ自動車株式会社 電池交換支援システムおよびそれに用いられるサーバ
JP2020064031A (ja) 2018-10-19 2020-04-23 トヨタ自動車株式会社 劣化情報出力装置および劣化情報出力方法

Also Published As

Publication number Publication date
KR20240102347A (ko) 2024-07-03

Similar Documents

Publication Publication Date Title
Liu et al. Reinforcement learning optimized look-ahead energy management of a parallel hybrid electric vehicle
Liu et al. A bi-level control for energy efficiency improvement of a hybrid tracked vehicle
CN103344919B (zh) 一种校准锂离子动力电池soc的方法
CN110936949B (zh) 基于行驶工况的能量控制方法、设备、存储介质及装置
CN105365592A (zh) 电动汽车的剩余续航里程估计方法、系统及电动汽车
JP5133197B2 (ja) ハイブリッド自動車およびコンピュータ装置ならびにプログラム
CN107615562A (zh) 电池劣化程度估计装置以及估计方法
CN115684947A (zh) 电池模型构建方法及电池劣化预测装置
CN110549906B (zh) 续航里程的分段显示方法及装置
US20210179062A1 (en) Hybrid vehicle and method of controlling the same
CN112215434A (zh) 一种lstm模型的生成方法、充电时长预测方法及介质
US11312359B2 (en) Method for calculating a management setpoint for managing the fuel and electric power consumption of a hybrid motor vehicle
JP7366975B2 (ja) バッテリ劣化推定装置、バッテリ劣化推定システム、バッテリ劣化推定方法、およびプログラム
US20230132491A1 (en) Method of predicting lifetime of battery and apparatus for performing the method
CN108698607A (zh) 用于运行机动车的方法、用于驱动系统的控制单元以及驱动系统
US9197078B2 (en) Battery parameter estimation
CN106553550A (zh) 电动汽车的剩余里程估算方法、系统及电动汽车
CN116118513A (zh) 一种续驶里程计算方法、装置、计算机设备和存储介质
CN113071336A (zh) 一种车辆的增程器控制方法、系统及车辆
KR102704754B1 (ko) 전기차 생애주기 주행 가능거리 예측 방법
Gozukucuk et al. Design and simulation of an optimal energy management strategy for plug-in electric vehicles
CN119502719A (zh) 一种前后轴双电机驱动纯电动商用车驱制动控制方法
CN116061695A (zh) 剩余续驶里程的预估方法、装置、车辆及存储介质
CN111688697A (zh) 一种车辆控制的方法、装置、设备及存储介质
Janković et al. Simulation model for rendering and analyzing the prediction of electric vehicle energy consumption in Matlab/Simulink

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20221226

PA0201 Request for examination

Patent event code: PA02011R01I

Patent event date: 20221226

Comment text: Patent Application

PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20240627

Patent event code: PE09021S01D

PG1501 Laying open of application
E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20240830

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20240904

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20240905

End annual number: 3

Start annual number: 1

PG1601 Publication of registration