급속 충전을 위한 딥러닝 기반 실시간 배터리 열화 진단 전자 장치에 있어서,프로세서를 포함하고,상기 프로세서는리튬 이온 배터리의 충전 중에 전압, 전류 및 온도 데이터를 포함하는 제1 데이터를 획득하고, 상기 전압 및 전류 데이터를 기반으로 DCA(Differential Current Analysis) 데이터를 연산하고,상기 제1 데이터 및 상기 DCA 데이터를 공간화하여 Transformer 기반 딥러닝 생성 모델에 입력하고,상기 딥러닝 생성 모델로부터 전체 충전 프로파일을 생성하고,상기 생성된 전체 충전 프로파일을 CNN(Convolutional Neural Network)기반 딥러닝 회귀모델에 입력하여 SoH(State of Health) 및 CE(Coulombic Efficiency)를 출력하고,상기 SoH 및 CE를 기반으로 리튬 플레이팅 발생 가능성을 판단하고,상기 리튬 플레이팅 발생 가능성에 기반하여 급속 충전 유지 또는 충전 속도 감소를 제어하도록 설정된,전자 장치.

제 1항에 있어서,상기 프로세서는상기 SoH가 90% 이상인 경우 상기 리튬 플레이팅 발생 가능성이 낮다고 판단하여 상기 급속 충전을 유지하고,상기 SoH가 90% 미만인 경우 상기 리튬 플레이팅 발생 가능성이 높다고 판단하여 상기 충전 속도를 감소시키도록 설정된,전자 장치.

제 1항에 있어서,상기 프로세서는SEM(Scanning Electron Microscope)이미지를 이용하여 리튬 플레이팅과 관련된 지표를 생성하고,상기 생성된 지표를 이용하여 배터리 열화 상태를 진단하도록 설정된,전자 장치.

급속 충전을 위한 딥러닝 기반 실시간 배터리 열화 진단 전자 장치의 동작 방법에 있어서,리튬 이온 배터리의 충전 중에 전압, 전류 및 온도 데이터를 포함하는 제1 데이터 획득하고, 상기 전압 및 전류 데이터를 기반으로 DCA(Differential Current Analysis) 데이터를 연산하는 단계; 상기 제1 데이터 및 상기 DCA 데이터를 공간화하여 Transformer 기반 딥러닝 생성 모델에 입력하는 단계; 상기 딥러닝 생성 모델로부터 전체 충전 프로파일을 생성하는 단계;상기 생성된 전체 충전 프로파일을 CNN(Convolutional Neural Network)기반 딥러닝 회귀모델에 입력하여 SoH(State of Health) 및 CE(Coulombic Efficiency)를 출력하는 단계;상기 SoH 및 CE를 기반으로 리튬 플레이팅 발생 가능성을 판단하는 단계; 및상기 리튬 플레이팅 발생 가능성에 기반하여 급속 충전 유지 또는 충전 속도 감소를 제어하는 단계;를 포함하는,전자 장치의 동작 방법.

제 4항에 있어서,상기 리튬 플레이팅 발생 가능성에 기반하여 급속 충전 유지 또는 충전 속도 감소를 제어하는 단계는상기 SoH가 90% 이상인 경우 상기 리튬 플레이팅 발생 가능성이 낮다고 판단하여 상기 급속 충전을 유지하는 단계; 및상기 SoH가 90% 미만인 경우 상기 리튬 플레이팅 발생 가능성이 높다고 판단하여 상기 충전 속도를 감소시키는 단계;를 포함하는,전자 장치의 동작 방법.

제 4항에 있어서,상기 SoH 및 CE를 기반으로 리튬 플레이팅 발생 가능성을 판단하는 단계는SEM(Scanning Electron Microscope)이미지를 이용하여 리튬 플레이팅과 관련된 지표를 생성하는 단계; 및상기 생성된 지표를 이용하여 배터리 열화 상태를 진단하는 단계;를 포함하는,전자 장치의 동작 방법.