보고서 링크: https://drive.google.com/file/d/1FxSr7XYe1HOy1L481GLduo53mQ9mndlB/view?usp=sharing

공학 트랙 발명아이디어 한마당에서 냈던 아이디어: https://drive.google.com/file/d/1qk9S9V0LBm8MHIA1mDGO-b85MKZaNpi_/view?usp=sharing

솔직히 이 아이디어는 그렇게 재밌어보이진 않음

(인터넷에도 이런 생각을 한 사람들이 꽤 많은데 다 딜레이가 제일 큰 문제라고 했기에 이 문제를 AI로 해결 가능하지 않을까 생각해봄)

(난이도 어려울거같음)

(이거도 좋은 아이디어 같진 않음)

현재 결과물 만듦, 보고서없음

재난 현장에서 통신 대안으로 활용.

근데 거리가 짧아서 활용도는 낮을 것 같음.

사이버폭력 완화.

허위 정보·가짜뉴스 문제 해결.

기본적인 배터리에서의 전압, 전류 관련 관계식이다: V_terminal = V_ocv(SoC, T) - V_drop(I, SoC, T)

• V_terminal: 우리가 실제로 측정하는 배터리의 전압입니다.

• V_ocv(SoC, T): 개방 회로 전압 (Open Circuit Voltage).

  • 배터리에 전류가 흐르지 않을 때의 순수 전압입니다.

  • 이 값은 고정된 상수가 아니며, 충전 상태(SoC, State of Charge)와 온도(T)에 따라 변하는 함수입니다.

  • 이 함수(V_ocv vs SoC의 관계)는 보통 실험을 통해 얻은 데이터를 기반으로 한 조회 테이블(Look-up Table) 형태로 만들어집니다.

• V_drop(I, SoC, T): 전압 강하 (Voltage Drop).

  • 전류(I)가 흐를 때, 배터리 내부의 여러 저항 요소들 때문에 발생하는 전압 손실입니다.

  • 이 전압 강하는 다시 여러 부분으로 나눌 수 있습니다. 가장 간단한 모델은 다음과 같습니다. 이는 과학시간에 배운 내용이다. V=IR. 옴의 법칙, 다 알고 있지 않은가?
    V_drop = I × R_internal(SoC, T)

    • I: 흐르는 전류의 크기.

    • R_internal(SoC, T): 내부 저항 (Internal Resistance). 이 값 역시 상수가 아니며, 충전 상태(SoC)와 온도(T)에 따라 변하는 함수 또는 조회 테이블입니다.

이번에는 줄의 법칙이다. 이는 배터리의 온도를 계산할 때 사용될 것 이다.

Power_heat = I² × R_internal(SoC, T)

• Power_heat: 단위 시간당 발생하는 열에너지(단위: W).

• 이 열 발생률을 배터리의 열용량과 열전달 계수와 결합하면, 시간에 따른 온도 변화(dT/dt)를 계산할 수 있습니다.

P=VI=I^2R=R/V^2. 소비전력을 구하는 간단한 식이다. 이도 과학시간에 배웠을 것 이다.

이제 우리는 이와 같은 결과를 얻을 수 있다!

• SoC와 T를 입력하면 V_ocv를 알려주는 조회 테이블 또는 함수.

• SoC와 T를 입력하면 R_internal을 알려주는 조회 테이블 또는 함수.

• 이들을 조합하여, 어떤 시점의 SoC와 T, 그리고 흐르는 전류 I를 알면, 그 순간의 V_terminal과 Power_heat를 즉시 계산해낼 수 있는 당신만의 '단순화된 수학적 예측 모델'.

자, 그러면 프로그래밍의 세계로 가보자.

• C-rate (전류): 0.5C, 1C, 2C, 3C 등 다양한 충/방전 속도.

• 주변 온도 (Ambient Temperature): 0°C, 15°C, 25°C, 40°C 등.

• SoC 범위: 100%→0% 전체 방전, 80%→20% 부분 방전 등.

이와 같은 변수를 설정한다. 각 시뮬레이션마다 시간에 따른 모든 변수(전압, 전류, 온도, SoC, 내부 저항의 구성 요소 등)의 상세한 결과를 CSV 파일로 저장합니다. 이것이 바로 우리의 '데이터 세트'가 됩니다.

이 데이터 세트를 바로 갖다쓰기는 좀 그렇다 검증을 해보자.

• 목적: A단계 모델이 PyBaMM의 결과를 얼마나 잘 예측하는지 평가합니다.

• 방법: A단계 모델과 B단계 데이터를 직접 비교합니다.

• 프로세스:

  • 동일한 입력 사용: 예를 들어, PyBaMM에서 '25°C, 1C 방전' 조건으로 시뮬레이션한 전류(I(t))와 온도(T(t)) 프로파일을 가져옵니다.

  • A단계 모델로 예측: 이 I(t)와 T(t)를 A단계에서 만든 V_terminal = V_ocv - I × R_internal 식에 입력하여, 시간에 따른 전압(V_terminal(t))을 예측합니다.

  • 결과 비교: A단계 모델이 예측한 전압 곡선과, PyBaMM 시뮬레이션에서 나온 실제 전압 곡선을 하나의 그래프에 겹쳐서 그립니다.

  • 오차 분석: 두 곡선 사이의 차이(오차)를 계산합니다 (예: 평균 제곱근 오차, Root Mean Square Error). 오차가 작을수록 A단계 모델의 정확도가 높은 것입니다.

그러면 여러가지 실제 상황에 생길 수 있는 변수들도 적용해보도록 한다. (파라미터 특성화)

• V_ocv(SoC)(배터리의 순수 전압) 추출:

  • PyBaMM 시뮬레이션에서 '아주 느린 속도(예: 0.05C)'로 충/방전한 결과를 사용합니다. 전류가 거의 0에 가까우므로, 이때 측정된 V_terminal은 V_ocv와 거의 같습니다.

  • 이 시뮬레이션 결과에서 시간에 따른 SoC와 V_terminal 데이터를 추출하여, 'SoC-V_ocv' 관계 그래프(또는 조회 테이블)를 만듭니다.

• R_internal(SoC, T)(내부저항) 추출:

  • R_internal = (V_ocv - V_terminal) / I 공식을 이용합니다.

  • 특정 SoC와 T 조건에서, PyBaMM 시뮬레이션 결과로부터 V_ocv, V_terminal, I 값을 읽어내어 R_internal을 계산합니다.

  • 이 과정을 다양한 SoC와 T에 대해 반복하여, 'SoC-T-R_internal'의 3차원 관계를 파악합니다. PyBaMM은 내부 저항을 구성하는 더 상세한 요소(오믹 저항, 전하 전달 저항 등)도 제공하므로, R_internal을 더 정교하게 모델링할 수도 있습니다.

좋다. 이상적인 데이터셋이 생겼다! 이제 본격적으로 AI BMS의 알고리즘을 짜러 가보자!

일단 알고리즘을 만들어야한다. 물론 내가 만들건 아니다. 이미 여러 좋은 알고리즘이 있다. 이들을 적극적으로 이용해보자!

• 핵심 기술: '칼만 필터(Kalman Filter)'와 그 변형들 (EKF, UKF)

  • 작동 원리 (매우 간단하게):

    1. 예측: 당신의 모델을 이용해 "현재 SoC가 50.5%라면, 1초 뒤의 전압은 3.85V가 될 것이다"라고 예측합니다.

    2. 측정: 1초 뒤, 실제 센서가 측정한 전압이 3.86V라는 것을 확인합니다.

    3. 보정: '예측값'과 '실측값' 사이의 오차를 바탕으로, "아, 내 예측이 약간 틀렸구나. 실제 SoC는 50.5%가 아니라 50.6%였나 보다"라고 스스로의 추정치를 수정합니다.

  • 결과: 이 '예측과 보정'의 과정을 매 순간 반복하면서, 칼만 필터는 측정값에 포함된 노이즈(불확실성)를 뚫고, 실제 배터리의 내부 상태를 매우 정확하게 추적해나갑니다.

좋다. 하지만 아쉽다. 우리는 1초후의 상태를 아는 것으로는 충분하지 않다. 더 먼 미래의 상태를 예측하는 알고리즘을 만들자.

• 핵심 기술:

  • 모델 기반 예측: 전 단계에서 만든 당신의 '단순 모델'이 바로 이 예측의 엔진이 됩니다. 이 모델에 미래의 예상 전류 프로파일을 입력하면, 미래의 전압과 온도 변화를 즉시 계산해낼 수 있습니다.

  • 머신러닝/AI (LSTM, Transformer): B단계에서 PyBaMM으로 생성한 방대한 시뮬레이션 데이터를 AI 모델에 학습시킵니다.

    • 학습 내용: "과거 10분 동안의 전류, 전압, 온도 패턴이 이러했다면, 미래 5분 동안의 온도는 이렇게 변하더라"는 수백만 개의 사례를 학습합니다.

    • 결과: AI 모델은 물리 모델만으로는 포착하기 어려운 복잡하고 비선형적인 노화 패턴까지 학습하여, 훨씬 더 정확한 장기 예측(예: '이런 패턴으로 운전하면, 6개월 뒤 배터리 수명은 5% 감소할 것이다')을 할 수 있게 됩니다.

근데 예측만 하면 쓸모탱이가 없다. 예측을 하고 그에 알맞는 행동을 하는 알고리즘이 필요하다. 미래의 상황을 예측하고 그에 따른 최적의 대처를 하는 실시간으로 계산하는 알고리즘을 만들자.

• 핵심 기술:

  • 모델 예측 제어 (MPC, Model Predictive Control):

    • 작동 원리:

      1. 시뮬레이션: 현재 상태를 기준으로, 앞으로 몇 분 동안 가능한 수천 가지의 제어 시나리오(예: '전류를 10A로 유지', '1초 뒤 9A로 낮춤', '냉각 팬 50% 가동'...)를 당신의 '단순 모델'을 이용해 미리 시뮬레이션해 봅니다.

      2. 평가: 각각의 시나리오가 만들어낼 미래 결과들을 '안전성', '효율성', '수명'이라는 기준에 따라 점수를 매깁니다.

      3. 최적 행동 선택: 가장 높은 점수를 받은 시나리오의 '첫 번째 행동' (예: '지금 당장 전류를 9.5A로 낮춘다')을 선택하여 실행합니다.

      4. 반복: 1초 뒤, 다시 현재 상태를 기준으로 이 모든 과정을 처음부터 반복합니다.

    • 결과: MPC 알고리즘은 마치 수십 수를 내다보는 체스 챔피언처럼, 매 순간 미래를 예측하고 그에 대한 최적의 대응을 찾아냄으로써, 배터리를 항상 가장 안전하고 효율적인 상태로 유지합니다.

좋다. 원래라면 실제 배터리와 제어기등으로 안정성, 성능을 테스트 해야되겠지만, 난 그럴 능력이 없다. 그러면 PyBaMM 라이브러리로 출력한 값과 그에 따른 AI의 예측값을 비교해보는 방식으로 성능을 검증해보도록 하자.

1. '심판' 데이터 세트 준비:

   • 목적: 두 모델을 공정하게 평가할 '시험 문제'를 만듭니다.

   • 방법: PyBaMM 시뮬레이터를 이용하여, 두 모델을 훈련시키는 데 사용하지 않았던, 완전히 새로운 조건의 시뮬레이션 데이터를 생성합니다.

     • 예시: 훈련 데이터가 '1C, 2C, 3C 방전'이었다면, 시험 문제는 '1.5C 방전'이나, 실제 전기차 주행 데이터(US06, WLTP 등)와 유사한 매우 복잡하고 불규칙한 전류 프로파일로 만듭니다.

2. 두 '두뇌'에게 동일한 문제 풀게 하기:

   • '물리학자'의 예측(단순한 물리 식 이용):

     • '심판' 데이터의 시간에 따른 전류(I(t))와 온도(T(t)) 프로파일을 A/B 단계에서 완성한 '단순 모델'(V_terminal = V_ocv - I × R_internal)에 입력합니다.

     • 모델이 예측한 시간에 따른 전압(V_predict_model)을 계산합니다.

   • '빅데이터 분석가'의 예측(제작한 AI모델 이용):

     • '심판' 데이터의 과거 일정 시간 동안의 전류, 전압, 온도 패턴을 아까 전에 훈련시킨 'AI 모델'에 입력합니다.

     • AI 모델이 예측한 다음 시간 스텝의 전압(V_predict_AI)을 계산합니다.

3. '정답지'와 비교 분석:

   • 목적: 두 두뇌의 예측이 얼마나 정확한지, 그리고 서로 어떻게 다른지 분석합니다.

   • 방법: 하나의 그래프에 세 개의 곡선을 모두 그립니다.

     1. 파란색 곡선: '심판' 데이터의 실제 전압 (이것이 '정답'입니다)

     2. 초록색 곡선: '단순 모델'이 예측한 전압 (V_predict_model)

     3. 빨간색 곡선: 'AI 모델'이 예측한 전압 (V_predict_AI)

   • 분석 (가장 중요한 부분):

     • 일치성: 초록색과 빨간색 곡선이 파란색 '정답' 곡선에 얼마나 잘 달라붙어 있는가? (전체적인 정확도 평가)

     • 차이점: 혹시 특정 구간(예: 고속 방전 초기, 충전 말기)에서 초록색 곡선은 잘 맞추는데 빨간색 곡선은 틀리거나, 그 반대의 경우가 있는가?

       • 해석 예시 1: "단순 모델(초록색)은 정상적인 주행 조건에서는 매우 정확하지만, 급격한 전류 변화가 있는 구간에서는 약간의 시간 지연(delay)을 보인다. 반면, AI 모델(빨간색)은 이런 급격한 변화를 더 잘 포착하는 경향이 있다." -> AI가 동적 특성 예측에 더 강점이 있음을 시사.

       • 해석 예시 2: "AI 모델(빨간색)은 훈련 데이터와 유사한 패턴에서는 거의 완벽하지만, 한 번도 본 적 없는 극단적인 과충전 시나리오에서는 물리 법칙에 어긋나는 비상식적인 예측을 내놓는다. 반면, 단순 모델(초록색)은 덜 정확할지언정 물리 법칙의 테두리 안에서 안정적인 예측을 한다." -> AI의 일반화(Generalization) 성능의 한계와 물리 모델의 안정성을 확인.

이로써 탐구를 마친다.

Q.E.D.

• 핵심 AI 모델링

• 데이터 수집

• UI 설계

세가지를 해야함.

초기 프로그램에서는 AI는 Gemini API로.