chimp-in-lap 님의 블로그

PINN(물리정보신경망)을 처음 접하는 당신의 이해를 돕기 위해 쓰여지는 글

chimp-in-lap — Mon, 5 Jan 2026 15:48:29 +0900

반갑소.

오랜만에 또 글을 쓰게 됐다. 이번에는 순수 인공지능에 대한 포스팅을 해보려고 한다.
최근 PINN에 대해 듣게 돼서 "내 연구에 써먹을 수 있을까"라는 생각으로 공부해 보았는데, 전혀 이해가 안 돼서 애 먹다가 겨우 이해하고 "PINN은 이걸 알아야 이해할 수 있겠다." 싶어서 함께 공유하고자 글을 쓰게 되었다.

흐으음

PINN(Physics-Informed Neural Networks, 물리정보신경망)이란?

일단 PINN이 뭔지 보자. 아래는 Mathlab의 MathWorks에서 가져온 PINN의 개요이다.

https://kr.mathworks.com/discovery/physics-informed-neural-networks.html

음...어쩌고 저쩌고 미분방정식이 어쨌고라고 설명을 하고 있다. 즉, 기존의 신경망은 물리적 법칙을 넘나드는 예측을 할 가능성이 있으니 그런 현상을 원천적으로 차단하자는 것이다.

여기서 핵심은 "미분방정식으로 설명되는..."인데, "입력과 출력의 관계가 미분으로 설명이 가능해야 된다는 뜻"이다. 역시 말로는 뭐든 못하겠냐. 간단한 예시로 보자.

$$Input:(x, t) → Output: u(x,t)$$

위의 식과 같은 입력 $x$, $t$로 출력$u$를 결정하는 식이 있다고 해보자. "입력과 출력의 관계가 미분으로 설명이 가능해야 된다는 것"은 $u$를 각각 $x$, $t$로 미분한 값으로 물리적 법칙을 성립시킬 수 있어야 한다는 것이다(흐으으음... ). 더 자세한 설명을 위해 아래 식을 보자.

$$\frac{\partial u}{\partial t} - \alpha \frac{\partial^2 u}{\partial x^2} = 0$$

위 식은 1차원에서의 열전도 방정식이다. 입력 $x$, $t$로 출력($u$)으로 미분하여 이루어진 식이란 것을 확인할 수 있다. (이 정도면 입력과 출력의 관계 어쩌고...가 이해가 됐을 것이다.)

조는 척 선풍기 후려버리기~

자! 그래서, 알겠는데...이걸 어떻게 써먹겠다는 건지를 알아야 한다. 아까 위에서 보았던 PINN의 정의를 다시 보면 "미분방정식으로 설명되는..."의 뒤에 "물리 법칙을 손실 함수에 통합"이라고 설명되어 있는 것을 볼 수 있다. 열전도 방정식을 다시 가져와 보자.

$$\frac{\partial u}{\partial t} - \alpha \frac{\partial^2 u}{\partial x^2} = 0$$

학습 중에 있는 인공신경망은 입력($x, t$)에 따라 출력($u$)을 내놓을 것이다. 근데 이 출력값은 완벽한 값(정확한 값)이 아니기 때문에 좌변($\frac{\partial u}{\partial t} - \alpha \frac{\partial^2 u}{\partial x^2}$)의 계산값이 0이 아니게 될 것이다(0이 되어야 방정식을 만족시킨다.).

다음과 같이 표현해 보자. ⤵

$$\frac{\partial u}{\partial t} - \alpha \frac{\partial^2 u}{\partial x^2} = R$$

입력 값과 출력 값에 의해 계산된 값을 $R$이라고 했을 때, 이 $R$값은 원래는 0이 되어야 하는, 모델이 미숙하기 때문에 생긴 잔차(Residual)이라고 할 수 있다.
그렇다. 바로 이 잔차가 모델이 줄여나가야 하는 "손실"인 것이다. 이 잔차를 제곱하여 $Loss$에 더해주게 된다. ➡ $R^2 = Loss_{physics}$

$$Loss_{total} = Loss_{data} + Loss_{physics}$$

경계 및 초기 조건

$$Loss_{total} = Loss_{data} + Loss_{physics} + Loss_{bc/ic}$$

위 식을 보자. 맨 오른쪽에 방금 전까지 없었던 $Loss_{bc/ic}$가 생겨났다. 이건 또 무엇이냐 .

$Loss_{bc/ic}$는 모델에 경계를 설정하여 이 값을 기준으로 물리법칙을 따르도록 하는 것이다.

(별첨) 이 내용에 대해 쉽게 설명할 자신이 없다. 내 자신이 직관적으로 이해를 하지 못해서 그런 듯하다. 애매하게 설명하기 좀 그래서 이 정도만 설명하도록 하겠다...미안하다.... 그래도 조금 더 설명해 보자면, "$Loss_{physics}$는 물리적인 규칙을 따르는 것"이고 "$Loss_{bc/ic}$는 그 규칙을 설명할 때 기준을 무엇으로 할 것"인가라고 생각해 볼 수 있다. 적용하려는 분야에 따라서 $Loss_{bc/ic}$가 계산되는 방식을 찾아보면 이해할 수 있지 않을까 싶다.

오늘은 PINN에 대해 포스팅해보았다. 이걸 공부하려고 했을 때 너어어어무 이해가 안 돼서 겁나게 열이 받았다. 나와 같은 상황을 겪고 있는 사람이 있을 듯싶어서 글을 써 보았다. 내가 포스팅한 내용의 흐름으로 공부를 해보면 훨씬 이해가 잘될 것이다(그냥 잘 되면 님 천재).

아주 가벼운 내용만 담고 있어서 추가적으로 공부를 해보는 것을 추천한다. 유한요소법, 자동미분 등과 같은 키워드들이 나올 텐데 그것들 보다, 근간이 되는 PINN의 원리와 미분의 의의에 대해 고민해 보고 공부하는 것이 좋겠다.

한껏 출출해지는 오후 3시 47분

<참고문헌>

1. https://horizon.kias.re.kr/29873/

2. https://kr.mathworks.com/discovery/physics-informed-neural-networks.html

3. https://caeassistant.com/ko/%EB%B8%94%EB%A1%9C%EA%B7%B8/%EB%AC%BC%EB%A6%AC%ED%95%99-%EA%B8%B0%EB%B0%98-%EC%8B%A0%EA%B2%BD%EB%A7%9D-%ED%95%80/#5_Advantages_of_PINNs

테슬라 자율주행 데이터 (Tesla Model 3 Autopilot On-road Data)

chimp-in-lap — Mon, 29 Dec 2025 12:10:57 +0900

반가링가링.

오랜만이다. 오늘은 테슬라 자율주행 데이터에 대해 소개해보려 한다!
보통 이런 데이터는 오픈소스로 공개하지 않는데, 슬슬 이제 공개가 되는 흐름이 오는 듯하다. 나 같은 작은 나라의 작은 연구실의 인공지능 연구자에게는 아주아주 좋은 일이다 (데이터가 없어서 별 똥꼬쇼를 다 했던 거 생각하면 눈물이 난다. 진짜.).

사실 나만 쓰고 싶어서 포스팅을 안 하려 했는데, 최근에 글을 너무 안 쓰기도 했고, 내가 만든 것도 아니고, 나만 쓰는 게 큰 의미가 있나 싶어서 소개해보려 한다.

정말 기가 막히는 데이터셋이얌

링크

https://www.osti.gov/biblio/1922211

Tesla Model 3 Autopilot On-road Data (Dataset) | OSTI.GOV

Duoba, Mike and Baby, Tinu Vellamattathil. "Tesla Model 3 Autopilot On-road Data." , Dec. 2025. https://doi.org/10.15483/1922211 Duoba, Mike, & Baby, Tinu Vellamattathil (2025). Tesla Model 3 Autopilot On-road Data. https://doi.org/10.15483/1922211 Duoba,

www.osti.gov

사실 오늘 포스팅은 이게 다이다! 요 링크로 들어가면 된다!

하지만 그렇게 한다면 너무 성의 없겠지

1. 데이터셋 출처 및 개요

제작 기관 : Argonne National Laboratory(아르곤 국립 연구소) - 미국 에너지부 산하 기관
연구 과제명 : Light-Duty Connected and Automated Vehicle Functionality in Real-World Operational Scenarios

2. 대상 차량

2018 Cadillac CT6 : (이 차량은 슈퍼 크루즈 시스템)
2020 Tesla Model 3 : 오토 파일럿

3. 데이터 수집 시스템

차량 센서 데이터(CAN bus에서 수집)와 차량 지붕에 Moblie DAQ 시스템을 탑재하여 추가적인 수집 수행함.

차 머리 위에 달린 저 기물이 Mobile DAQ 시스템의 디바이스로 추정된다.

Mobile DAQ : 라이다, 카메라, 레이더, GPS 탑재

4. 데이터셋 구성

주로 10Hz 단위로 기록된 CSV 형태의 데이터이며 보조적인 비디오 자료가 포함된다(CSV 파일은 찾았는데 비디오 자료는 어디 있는지 모르겠다.).

이런 식으로 되어 있으며, 각 요소(열)에 대한 설명은 독립적인 CSV파일로 제공한다.

5. 테스트 환경 (주행 경로)

주로 일리노이주의 특정 경로에서 수집되었다. 고속도로, 교외, 도심 환경 등 세부적인 사항을 포함하고 있다.

각 주행경로에 대한 정보이다. 이 또한 독립적인 xlsx파일로 제공한다.

6. 라이선스

이 데이터가 미국 연방 정부의 자금으로 생선 된 공공 연구 자산임을 의미하며, 일반적으로 비영리 학술 목적의 사용은 허용되나, 상업적으로 판매하거나 재배포하는 행위는 제한된다.

다운로드

다운로드는 그냥 링크 따라가서 클릭 몇 번하면 되는데, 내용이 너무 적은 것 같아서 추가 작성해 보겠다.

우선 위의 링크에 접속한다. 접속하면 아래와 같은 화면을 볼 수 있다. 그리고 View Dataset을 클릭한다.

그럼 해당 화면으로 넘어가는데, BROWSE DATA를 클릭한다.

회원가입을 해야 되는데, 안심하고 해라. (설마 미 정부가 사기를 칠까)

참고로 데이터셋 다운 받으려면 2차 인증을 등록해야 한다. Google Authenticator를 등록해야 하는데 그냥 앱 다운 받고 QR 찍으면 된다.

다시 돌아와서 BROWSE DATA(초록색으로 바뀌어 있을 것이다!)를 클릭하면 이와 같은 화면이 나온다. 전체 선택하고 다운 받으면 된다! zip파일로 받아도 되고 명령어로도 다운 받을 수 있게 해 준다.

넘모나 간단하다!

오늘은 이렇게 새로운 데이터셋에 대해 소개해봤다. 안 그래도 이런 데이터가 필요했는데, 너무 비싸거나 구할 수가 없어서 일반 차량 주행 데이터로 몇 달 동안 똥꼬소 하던 거 생각하면 눈물이 앞을 가린다. 그래도 더 좋은 연구를 할 수 있게 됐으니 아르곤 국립 연구소에 너무나 감사하다.

포스팅을 많이 쓰고 싶은데 시간이 없다. 내년에 굉장히 바빠질 거 같아서 미리미리 해두고 있다.

끝까지 봐줘서 고맙고, 2025년 한 해 동안 고생했다. 2026년에는 보다 성공적인 한 해가 되길 바란다. 화이팅~!

릭앤모띠 시즌8이 드디어 넷플릭스에 올라온단다! 으하하

<참고문헌>

1. Duoba, Mike and Baby, Tinu Vellamattathil. "Tesla Model 3 Autopilot On-road Data." , Dec. 2025. https://doi.org/10.15483/1922211

차량 구동계 효율 맵(Powertrain Efficiency Map) 만들기 (feat. Tesla Model 3) + BMW i3, 아이오닉5 차량제원과 효율맵

chimp-in-lap — Tue, 9 Dec 2025 16:13:13 +0900

"BMW i3, 아이오닉5의 차량제원과 효율맵은 글 중간 별첨을 참고하세요!"

반갑다.

오늘은 구동계 효율 맵을 구축하는 법에 대해 포스팅해보도록 하겠다.

일주일 전까지만 해도 구동계 효율을 고정된 값으로 알고 있었는데, 공부하다 보니 모터의 토크와 각속도에 따라 달라진다는 것을 깨달아 버렸다... 공부해야할 것이 늘어버렸다.~~(차라리 몰랐으면.. )~~

그런고로 차량의 구동계 효율 맵을 만드는 법에 대해 정리해 보겠다.

배고프니까 둘 다 주세요.

구동계 효율이란?

먼저 구동계 효율에 대해 설명해 보겠다. 식을 보면 다음과 같다.

$$\eta = \frac{P_{mech\_out}}{P_{in\_motor}}$$

좌변의 $\eta$가 구동계 효율, 우변의 $P_{mech\_out}$은 역학적 일률(기계적 출력)이며 $P_{in\_motor}$은 모터로 전달되는 전력을 의미한다. $P_{mech\_out}$은 역학적 일률(기계적 출력) > 즉, 모터가 실제로 낸 힘 ~~(역학적 일률..?뭐라는겨?)~~

즉, 구동계 효율이란($\eta$)는 실제로 모터 투입된 전기량 대비 모터가 실제로 낸 힘의 비율이다.

$P_{mech\_out}$

구동계 효율이 뭔지 알았으니 이제 $P_{mech\_out}$를 뜯어보겠다.

$$P_{mech\_out} = T_{motor} \times \omega_{motor}$$

$P_{mech\_out}$은 모터의 토크($T_{motor}$)와 각속도($\omega_{motor}$)의 곱으로 계산된다.

동일한 출력을 낸다고 가정했을 때, 회전수($\omega$)가 높으면 토크($\text{T}$)는 낮아지고(고속) 회전수가 낮으면 매우 높은 토크가 필요하다는 것(가속)이다. ~~(이게 뭔소리여...Gemini한테 설명해 달라고 했는데 직관적인 이해가 잘 되지 않는다. 일단 넘어간다.)~~

$P_{in\_motor}$

이번에는 $P_{in\_motor}$를 살펴보자.

$$P_{in\_motor} = (V_{batt} \times I_{batt}) - P_{aux\_total}$$

$P_{in\_motor}$는 배터리의 출력($V_{batt} \times I_{batt}$)에 전장부하($P_{aux\_total}$)를 빼주어 계산된다.

전장부하($P_{aux\_total}$)는 베이스 부하와 가변 열관리 부하의 합으로 계산된다.

베이스 부하는 ECU, 인포테인먼트 등에서 소비되는 전력이며(쉽게 말하면 네비, 에어컨 등에서 소비되는 전력), 가변 열관리 부하는 공조 장치 및 배터리/모터 쿨링 펌프 등에서 소비되는 전력이다.

모터 각속도($\omega_{motor}$) 계산하기

$$\text{RPM}_{motor}(t) = \frac{v(t) \cdot 60}{2\pi \cdot r_{dyn}} \cdot G$$

모터의 각속도를 계산하는 식의 위와 같아. 갑자기 왜 $\text{RPM}_{motor}(t) $이 튀어나왔다 싶을 것이다. 각속도의 단위(rad/s)를 "도"로 변환해 준 것뿐이다($60/2\pi$를 곱했다).

$\text{G}$는 기어비(모터의 회전축과 바퀴축 사이의 회전수 비율)이며 $\text{r}_{dyn}$은 동적 타이어 반경(타이어의 중심축에서 지면까지의 실제 유효 반경)이다.

모터 토크($\text{T}_{motor}$) 계산하기

$$F_{total}(t) = 0.5 \rho C_d A v(t)^2 + m g C_r \cos \theta + m g \sin \theta + m \cdot \lambda \cdot a(t)$$

이 식은 구동력을 계산하는 식이다.

자세한 내용은 이전 포스팅을 참고하라! ➡ 2025.11.28 - [HESS] - 종방향 동역학식을 통해 요구 전력 계산하기 (feat. comma2k19 데이터셋)

$$T_{motor}(t) = \frac{F_{total}(t) \cdot r_{dyn}}{G}$$

계산된 구동력에 동적 타이어 반경($\text{r}_{dyn}$)를 곱하고 기어비($\text{G}$)로 나누어 주면 토크를 구할 수 있다.

식을 보면 알겠지만 각속도, 토크 모두 그 타이밍(시간)에 계산된 값이다.

그래서, 효율($\eta$)를 계산하기 위해서는 모터의 토크, 각속도를 알아야 하고 토크와 각속도를 알려면 시간, 속도, 배터리의 전류와 전압을 알아야 한다. (효율맵을 이미 구축한 제공하는 연구(데이터)도 많다. 궁금하면 찾아보는 것도 재밌을 것이다.)

<별첨>

⬇요 링크로 가보면 BMW, Citroen_e, 아이오닉5 등 몇 가지 차량에 대한 파라미터(효율맵 등)들이 있다. 나도 딴짓하다 찾은 거라 제대로 뜯어보진 않았다.ㅎㅎ

https://github.com/eclipse-sumo/sumo/tree/main/data/emissions/MMPEVEM

sumo/data/emissions/MMPEVEM at main · eclipse-sumo/sumo

Eclipse SUMO is an open source, highly portable, microscopic and continuous traffic simulation package designed to handle large networks. It allows for intermodal simulation including pedestrians a...

github.com

링크 타고 들어가면 볼 수 있는 화면

필자는 Tesla Model 3를 선택했다(이유는 관련된 괜찮은 논문을 찾았기 때문이다). 본 논문은 속도, 전압, 전류뿐만 아니라 토크까지 기록된 데이터를 제공한다. 추가적으로 히터/공조 부하도 포함하고 있다.

논문 제목 : Quantifying the state of the art of electric powertrains in battery electric vehicles: comprehensive analysis of the Tesla Model 3 on vehicle level

논문에서 제공하는 데이터. 차량의 속도, 전압과 전류 등 데이터를 포함하고 있다. 자세한 내용은 논문을 참고하라.

여차저차 위에 설명한 내용과 더불어 이 데이터를 활용하여 구동계 효율 Look-up 테이블을 완성 할 수 있었다!

60x60맵을 만들 수 있었다. 행 : RPM, 열 : Torque

오늘은 이렇게 구동계 효율 맵을 만드는 과정에 대해 정리해 보았다. 일전에 요구전력을 계산할 때 고정된 값을 사용했는데 토크와 각속도에 따라 변화가 생긴다는 사실을 알고 급하게 공부해서 만들어 보았다. (아니 근데 사실 고정된 값으로 요구전력을 계산했을 때랑 효율맵을 만들어서 계산했을 때랑 크게 차이가 없어서 시간 버렸나 싶긴 하다. 혹시나 이걸 읽고 있는 당신이 나와 같은 상황에 처해있다면 잘 생각해 보고 결정해라. 주변 전문가에게 조언을 받을 수 있다면 그리하고 나도 공유해 주면 좋겠당ㅎㅎ.)

고런고로, 긴 글 읽어준 당신, 감사하다.

그럼 담에 또 봅시당.

릭앤모띠 다음 시즌 언제 나올까요

<참고문헌>

1. Rosenberger, N.; Rosner, P.; Bilfinger, P.; Schöberl, J.; Teichert, O.; Schneider, J.; Abo Gamra, K.; Allgäuer, C.; Dietermann, B.; Schreiber, M.; et al. Quantifying the State of the Art of Electric Powertrains in Battery Electric Vehicles: Comprehensive Analysis of the Tesla Model 3 on the Vehicle Level. World Electr. Veh. J. 2024, 15, 268. https://doi.org/10.3390/wevj15060268

2. https://github.com/eclipse-sumo/sumo/tree/main/data/emissions/MMPEVEM

종방향 동역학식을 통해 요구 전력 계산하기 (feat. comma2k19 데이터셋)

chimp-in-lap — Fri, 28 Nov 2025 15:53:52 +0900

흡사 내 모습

반갑수다.

이전 포스팅에 이어 오늘은 "종방향 동역학식"을 통해 차량을 움직이기 위한 힘을 계산하고 계산된 힘을 전력으로 치환하는 과정을 포스팅해 보겠다.

전에 포스팅 했던 경사도를 구하는 과정보다 비교적 쉬우니 잘 따라오길 바란다!

밑에 두 글을 보고 오면 이해가 더 잘 될 것이다.

이건 comma2k19 소개⤵

2025.11.19 - [HESS] - comma2k19 데이터셋에 대해 알아보자 (고속도로 실 주행 데이터)

이건 IMU센서(가속도계와 자이로센서)에서 중력 성분 분리하는 과정⤵

2025.11.27 - [HESS] - comma2k19 데이터셋 전처리하기 (IMU센서에서 가속도, 경사도 추출하기)

종방향 동역학식

먼저 "종방향 동역학식"에 대해 설명을 해보겠다. 이쪽 전공자가 아닌 내가 이해한 것을 토대로 적는 것이니 당신도 이해하기 쉬울 것이다.

"종방향 동역학식"이란 차가 종방향(직진 또는 후진)으로 가기 위해 필요한 힘을 계산하는 식을 말한다. 차에 작용되는 네 가지 힘의 합이 최종적으로 차량이 필요로 하는 힘이 된다.

음..."차량이 필요로 하는 힘"이라기 보단 차량에 가해지는 여러 작용(저항 등)에 따라 특정 시간 내에 특정 속도까지 도달하는데 필요한 힘을 말한다. 일단은 이렇게 정리가 되는데 이따 식을 보면 이해가 단번에 될 것이다.

네 가지 힘

참고자료

먼저 앞서 말한 네 가지 힘을 전체적으로 소개하고 세부적으로 설명해 보겠다.

$${F}_t = {F}_a + {F}_r + {F}_g + {F}_i$$

위 수식을 보면 우변에 있는 4개의 $F$가 바로 네 가지 힘이다. 왼쪽부터 순서대로 "공기 저항, 구름 저항, 등판 저항, 가속 저항"이다.

"공기 저항"은 말 그대로 차량에 가해지는 공기 저항을 의미한다.

"구름 저항"은 차가 구르면서 생기는 바퀴와 지면 사이의 마찰 저항력이다.

"등판 저항"은 경사도에 의해 생기는 저항력이다.

"가속 저항"은 가속할 때 생기는 저항이다.

그럼 이제 수식과 함께 각 힘에 대해 자세히 설명해 보도록 하겠다.

1. 공기 저항 (Aerodynamic Drag Force) : $F_a$

$$F_a = \frac{\rho}{2} \cdot C_d \cdot A_f \cdot v^2$$

$\rho$ : 공기 밀도 ($kg/m^3$)
$C_d$ : 공기 저항 계수
$A_f$ : 차량 전면부 면적 ($m^2$)
$v$ : 속도

공기 밀도와 공기 저항 계수는 실험하려는 환경에 맞추거나 보통 정해진 값을 사용한다고 한다. (필자가 사용한 값은 비밀이다.ㅎㅎ)

차량 전면부 면적은 데이터 수집에 사용된 차량의 전면부 면적을 계산하면 된다. (comma2k19는 Honda Civic Touring 2016년식을 사용했다.)

속도는 속도다.

2. 구름 저항 (Rolling Resistance Force) : $F_r$

$$F_r = C_{rr} \cdot m \cdot g \cdot \cos(\theta)$$

$C_{rr}$ : 구름 저항 계수
$ m \cdot g \cdot cos(\theta)$ : 차량 중심에서 지면에 수직으로 작용하는 힘
- $m$ : 차량 질량 ($kg$)
- $g$ : 중력 가속도 ($9.8m/s^2$)

3. 등판 저항 (Gradient Force) : $F_g$

$$F_g = m \cdot g \cdot \sin(\theta)$$

차량의 질량($m$)에 지면과 수평한 방향으로 가해지는 힘을 곱한다.

4. 가속 저항 (Inertial/Acceleration Force) : $F_i$

$$F_i = m \cdot a$$

차량의 질량($m$) 에 가속도($a$) 를 곱한다.

$${F}_t = {F}_a + {F}_r + {F}_g + {F}_i$$

이렇게 준비된 네 가지 힘을 모두 더하면 총 견인 구동력(${F}_t$)을 얻을 수 있다!

구동 전력

$$P_t = F_t \cdot v = \left( \frac{\rho}{2} \cdot C_d \cdot A_f \cdot v^2 + C_{rr} \cdot m \cdot g \cdot \cos(\theta) + m \cdot g \cdot \sin(\theta) + m \cdot a \right) \cdot v$$

이제 구동 전력($P_t$)을 구해야 하는데 총 견인 구동력($F_t$)에 속도($v$)를 곱해주면 된다.

$$P_b = \frac{P_t}{\eta_d}$$

그리고 추가적으로 구동계 효율($\eta_d$)로 나누어 주면 최종 전력을 구할 수 있다. 구동계 효율($\eta_d$)은 차량이 운행하면서 엔진, 미션 등 자동차의 구조상 생기는 손실을 나타낸다.

구동계 효율($\eta_d$) 에 대한 자세한 내용은 다음 글에서 확인할 수 있다! ➡

2025.12.09 - [HESS] - 차량 구동계 효율 맵(Powertrain Efficiency Map) 만들기 (feat. Tesla Model 3) + BMW i3, 아이오닉5 차량제원과 효율맵

구현

앞서 설명한 이 과정을 파이썬으로 구현해 봤다.

최 우측이 계산된 최종 전력이다.

오늘은 이렇게 종방향 동역학식을 통해 구동 견인력을 구하고 구동 견인력을 통해 요구 전력을 계산하는 과정을 정리해 봤다. 단순히 계산만 하면 되는 거라 어렵지 않게 진행할 수 있었다.

이 포스팅을 누가 보나 싶긴 하지만 복습하는 겸 정리해 보았다. 잊어먹고 담지 못한 내용이 있을 수 있으니 이상한 점이나 궁금한 점이 있으면 댓글로 질문 부탁한다!

다음 포스팅에서는 이 데이터로 LSTM 모델을 학습하는 걸 할까 말까 생각 중이다. 이미 코드 다 짜고 학습도 돌려두긴 했는데 별 특별한 게 없어서 적을 내용이 별로 없을 것 같다. 더 생각해 보고 결정해 보겠다!

그럼 이만~~~~~

"아니요"

comma2k19 데이터셋 전처리하기 (IMU센서에서 가속도, 경사도 추출하기)

chimp-in-lap — Thu, 27 Nov 2025 18:56:28 +0900

흡사 내 인생

반갑수다.

저번 포스팅에서 comma2k19 데이터셋을 소개하고 속도 데이터를 IMU센서의 샘플링 주기에 맞춰 보간하는 과정을 포스팅했다. 이번에는 이 데이터를 실험에 활용할 수 있도록 추가적인 전처리를 하는 과정을 포스팅해보겠다.

⬇comma2k19를 소개하는 이전 포스팅. 함 보고 오면 좋겟다!

2025.11.19 - [HESS] - comma2k19 데이터셋에 대해 알아보자 (고속도로 실 주행 데이터)

가속도 계산하기

comma2k19 데이터셋은 IMU 센서로부터 받아온 가속도 데이터를 가지고 있다. 이 가속도 데이터를 그대로 사용하려고 보니 노이즈도 많이 끼어있고 중력 성분이 포함되어 있을 수 있기 때문에 속도 데이터로부터 새로운 가속도를 계산하고 이동평균필터(Moving Average Filter)를 적용하여 새로운 가속도 데이터를 계산해 줬다.

<보충 설명>

$$a_{imu} = a + g \cdot sin(\theta)$$

IMU센서가 느끼는 힘(가속도)은 차량의 가속도($a$)와 차를 당기는 힘(중력가속도와 경사도로 인해 가해지는 힘)이 모두 포함되어 있다.

좌 : 속도, 우 : IMU센서에 기록된 가속도

좌 : 속도, 중 : IMU센서에 기록된 가속도, 우 : 새롭게 계산된 가속도

확실히 깔끔해진 모습을 볼 수 있다!!! 오예~

경사도 계산하기

제미나이가 그려준 롤, 요, 피치축이 표현된 차량 (단번에 알아듣고 그려줬다!)

이번에는 경사도 계산이다. IMU 센서의 피치축에는 차량이 앞, 뒤로 얼마나 기울었는지 데이터가 있다. 피치축에 있는 데이터를 그대로 경사도로 사용하게 되면 차후 "차량 종방향 동역학식"을 계산할 때 문제가 생긴다(중력가속도 성분이 두 번 계산되게 된다. 자세한 건 다음 포스팅에서 설명하겠다.).

이 피치축에 기록된 데이터는 도로면의 경사도뿐만 아니라 차량이 가속할 때 생기는 미세한 변화, 중력 가속도로 인한 변화 등이 섞여 있을 수 있다. 도로로부터 오는 진동 또한 포함될 수 있다.

자이로센서 pitch축에 기록된 데이터. 단위는 라디안

위 그래프를 보면 노이즈도 많이 끼어 있고 암만 봐도 경사도 데이터로는 쓸 수 없는 수준이다. 이를 보완하기 위해 새롭게 경사도를 계산했다.

1. 가속도 기반 경사도 계산 ($\theta_{accel}$)

$$\theta_{accel}=arcsin(\frac{ a_{imu}- a }{ g })$$

여기서 $a$는 위에서 계산한 새로운 가속도 값(차량의 순수한 속도변화율)이다.

위에서 봤던 식($a_{imu} = a + g \cdot sin(\theta)$)을 재배치(?)하여 $\theta$를 우변으로 넘기면 가속도로부터 경사도를 얻을 수 있다.

2. 자이로 데이터 전처리

다음 과정(상보필터) 전에 사비츠키-골레이 필터를 적용하여 노이즈를 제거해 줬다.

3. 상보필터 (Complementary Filter)

가속도계의 안전성과 자이로의 정밀성을 결합한다.

$$\theta_t = \alpha \cdot \underbrace{(\theta_{t-1} + \text{gyro}_{smooth} \cdot \Delta t)}_{\text{Gyro 예측}} + (1 - \alpha) \cdot \underbrace{\theta_{accel}}_{\text{Accel 보정}}$$

여기서 $\alpha$값은 0.995로 설정해 줬다.

$$(\theta_{t-1} + \text{gyro}_{smooth} \cdot \Delta t)$$

먼저 '자이로 예측'을 보면 "이전 각도에서 자이로가 측정한 만큼 움직였을 것이다."라는 의미다. 그래프가 매끄러워지지만 "어디를 기준으로 움직였냐."라는 기준이 없기 때문에 실제 값과 멀어지는 표류(Drift) 현상이 발생한다.

그렇기 때문에, 1번에서 구한 값과 통합시켜준다. 가속도계는 절대적인 기준(중력으로부터 계산 됐기 때문에 지면이 기준이 되는 것이다!)을 포함하고 있기 때문에 자이로 센서의 표류 현상을 보완해 줄 수 있다는 것이다.

이런 과정을 통해서 최종적으로 경사도를 구했다.

깔끔하게 나왔다. 단위는 라디안이다.

~~(이게 된다고? 공학은 역시 놀랍다...!)~~

최종

이렇게 해서 최종적으로 결과를 모아보면 다음과 같다.

캬~

이제 이 세 가지 데이터는 내 연구의 입력이 될 것이다!

오늘은 comma2k19를 전처리한 과정을 소개해봤다. 기울기 어쩌고는 무슨, 나는 데이터 넣고 학습이나 돌릴 줄 아는 AI 개발자이다. 하지만 인공지능은 더 이상 인공지능만 공부해서는 의미가 없다! 살아남으려면 특정 도메인에 적용할 줄 알아야 한다... 새로운 분야를 공부해야 하는 것이다... 쉽지 않은 길이지만 ⭐Gemini⭐와 함께라면 천하무적이다ㅎㅎ(준비됐지 Gem?, 물론이지 Chimp!)

이렇게 구한 속도, 가속도, 경사도 데이터를 통해서 "요구전력"을 구할 예정인데 다음 포스팅에서 확인할 수 있을 것이다!

다음 포스팅) "종방향 동역학식"을 통해 "요구전력"을 구하는 과정⤵

2025.11.28 - [분류 전체보기] - 종방향 동역학식을 통해 요구 전력 계산하기 (feat. comma2k19 데이터셋)

comma2k19 데이터셋에 대해 알아보자 (고속도로 실 주행 데이터)

chimp-in-lap — Wed, 19 Nov 2025 10:32:51 +0900

반갑수다. 거즌 한 달 만에 포스팅을 하는 거 같다. 이런저런 잡일들이 자꾸 생기고 학회도 다녀오고 하다 보니 블로그는 신경도 못쓰고 있었다. 짬짬이 연구를 진행하면서 데이터셋을 정하게 되었고 내 연구에 사용할 수 있는 데이터셋인지 검토를 좀 해보았다. 결과는 성공적이었음에 포스팅을 해보려 한다.

comma2k19

comma2k19는 comma.ai라는 회사에서 차량에 카메라와 다양한 센서를 장착하여 수집한 오픈소스 데이터셋이다. 캘리포니아 280번 고속도로에서 수집된 총 33시간 이상의 통근 데이터이다!!! ~~(내가 딱 원하던거야!)~~ 1분 길이로 2019개의 분할로 구성되어 있다고 한다. (그래서 2k19인가보다.)

차의 속도, 가속도는 물론이고 IMU 센서가 있어서 경사도(정확히는 차의 기울임 정도)도 포함하고 있다. 이 외에도 많은 데이터들을 포함하고 있으니 궁금하면 깃허브 홈페이지에 가보도록 하라. >> https://github.com/commaai/comma2k19

여기가 캘리포니아 280번 고속도로인가보다.

데이터셋 상세

2019로 분할되기 전에 10개의 청크로 또 분할되어 있다.

1, 2번 청크는 RAV4, 나머지는 civic이라고 한다. (차 이름이에요)

그리고 그 안에 계속 들어가다 보면 "processed_log"라는 디렉토리가 있는데 이곳에 내가 원하는 데이터가 저장되어 있었다.

이거시다!

저 안에 't(시간)'랑 'value(값)'가 데이터인데...나는 처음에 확장자가 적혀있지 않아서 무슨 파일인지 모르고 자신들만의 독자적인 생태계를 구축해 둔 줄 알았다. 그래서 깃허브에 도커파일 있길래 환경 구축해서 코드 까보려고 하니 openpilot이라는 자기네들이 만들어둔 코드 생태계를 다시 뜯어봐야 하는 거 아니겠는가?! ~~(엄청난 절망과 좌절감)~~ 시간이 오래 걸리겠구나..하던 와중에 혹시나 하는 마음에 타입을 확인해 보니 그냥 넘파이 배열이었다...

아니 실화냐;; 왜 확장자가 없지;;;;;

이런 사연이 있었지만 그래도 해결했으니 행복하다. 그냥 np.load 해주면 되니 훨씬 편해졌다!

그래서 데이터를 까봤더니...

아주 이쁘게 나왔다. 참고로 속도가 m/s 단위라 km/h 단위로 변경해줘야 한다. (처음에 속도 보고 "고속도로에서 저렇게 느리게 간다고? 미국은 좀 다른가?"라고 생각했다.)

위에서 말했듯이 나는 속도, 가속도, 경사도 데이터가 필요했는데 문제가 하나 생겼다.

1분 동안 기록된 값들의 수

속도는 CAN에서 수집된 데이터고 가속도와 자이로 센서 데이터는 IMU에서 수집된 데이터인데 두 센서의 샘플링 주기가 다르다는 문제가 생겼다. (IMU는 100Hz이고 CAN은 따로 기록된 건 없지만 IMU에 반정도 되는 거 같다.)

큰 문제!라고 생각했지만 그냥 간단한 선형 보간법으로 보간해서 다시 저장해 줬다.ㅎㅎ(파이썬에서 interp1d를 사용했는데 처음에 제미나이가 Cubic Spline(3차 스플라인)으로 츄라이~츄라이~해서 이걸로 했다가 값이 자꾸 튀어서 그냥 선형 보간으로 바꿨다.)

선형보간한 경우 - 좌 : 원본, 우 : 보간 적용

3차 스플라인 보간한 경우 - 좌 : 원본, 우 : 보간 적용

오늘은 comma2k19에 대해 알아보았다. 이런 포스팅을 누가 볼까 싶지만 스스로 정리하는 겸 적어봤다. 그래서 그런지 데이터셋 소개보다는 내 일기장이 된 듯하다.ㅎㅎ

그럼 다음엔 조금 더 포멀한 포스팅을 하게 되길 기원하며...빠이~

추억의 패트와 매트

<참고문헌>

1. comma2k19 Github - https://github.com/commaai/comma2k19

2. Schafer, Harald, et al. "A commute in data: The comma2k19 dataset." arXiv preprint arXiv:1812.05752 (2018).

다음 포스팅) comma2k19 전처리하기(IMU센서에서 가속도와 경사도 추출하기)⤵

2025.11.27 - [HESS] - comma2k19 데이터셋 전처리하기 (IMU센서에서 가속도, 경사도 추출하기)

다다음 포스팅) "종방향 동역학식"과 전처리 된 속도, 가속도, 경사도를 이용해 견인 구동력 구하기⤵

2025.11.28 - [분류 전체보기] - 종방향 동역학식을 통해 요구 전력 계산하기 (feat. comma2k19 데이터셋)

IMU센서에서 가속도, 경사도 추출하기

(HESS 구현)논문리뷰 : Machine learning-based approach for reduction of energy consumption in hybrid energy storage electric vehicle

chimp-in-lap — Mon, 13 Oct 2025 15:38:41 +0900

부제 : HESS의 시뮬레이션 구축 및 LSTM의 적용

<논문 링크>

https://www.nature.com/articles/s41598-025-11330-1

Citation

Paulraj, T., Obulesu, Y.P. Machine learning-based approach for reduction of energy consumption in hybrid energy storage electric vehicle. Sci Rep 15, 29303 (2025). https://doi.org/10.1038/s41598-025-11330-1

반갑다. 오늘은 논문 리뷰를 해보겠다. 평소에는 여러 논문을 읽고 핵심적인 부분만 정리해서 포스팅했는데 이번에는 논문 자체를 가져와봤다. ~~(절대 귀찮아서 그런거 아님ㅎㅎ)~~

본 논문은 25년 8월에 게재된 따끈따끈한 논문이다. Nature의 자매지인 Scientific reports에 게재 됐는데 찾아보니 학술적 명망이 높은 곳은 아니지만 필자가 연구하려는 방향과 굉장히 유사해서 선택하게 되었다.

그럼 리뷰를 시작하도록 하겠다. 논문의 초록, 연구 동기, 선행 연구에 대한 내용은 제외하고 본론부터 시작하는 점 참고하길 바란다!

Research gaps and contributions

이 섹션에서는 기존 연구들이 가진 문제점과 논문이 연구를 통해 기여하는 바를 설명한다. 간단히 정리하자면 다음과 같다.

Gaps (문제점)

높은 연산 비용과 실시간 구현의 어려움
- ANN, DNN, ANFIS 등과 같은 최적화 기반 기법들은 높은 연산 비용과 그에 따른 연산 속도 저하에 문제가 있다.
일반화의 한계
- ANN과 퍼지 논리 기반 모델들은 주행 사이클에 대한 일반화 성능이 부족하다는 단점이 있다.
- 대부분의 방법들은 오프라인 처리나 고정된 규칙에 의존하여 실제 주행에서 겪는 다양한 주행 사이클에 대한 일반화 성능이 부족하다.
열 및 전압 성능 분석 부족
- 기존 연구들은 전류나 충전 상태 추적에만 집중하고 배터리 온도 변화나 전압 안정성에 미치는 영향은 다루지 않는다.

Contributions (기여점)

ONNX를 이용한 딥러닝 제어
- LSTM 모델을 개발하고 ONNX 형식으로 변환하여 MATLAB/Simulink 환경에서 실시간으로 사용이 가능하게 했다.
- ONNX 형식을 사용함에 따라 다양한 임베디드 제어기에 쉽게 이식이 가능하다.
데이터 기반 적응형 제어
- EUDC, IM240로부터 SC 전류 패턴을 학습하여 수동 규칙 조정 없이 여러 시나리오에 적응하였다.
열 및 전압 영향 통합 분석
- 배터리의 열적 거동과 전압 성능을 평가에 포함하여 SC 운용의 실질적인 이점을 종합적으로 도출했다.

몇 가지 추가 설명을 하자면, ONNX는 인경신경망의 구조와 가중치를 저장해 두는 파일 형식이다. ONNX로 저장을 하고 ONNX 런타임을 사용하여 추론을 가속화할 수 있다.

EUDC는 Extra-Urban Driving Cycle의 약자로 도심을 제외한 고속주행을 모사한다. (자세한 것은 EUDC 위키피디아 참고)

IM240은 Inspection & Maintenance Driving Cycle의 약자로 240초간 진행된다. 기본적으로는 운행 중인 차량의 배출가스를 측정하기 위해 사용되는 짧은 주행 사이클이다. (자세한 것은 IM240 - DiselNet 참고)

IM240 - DiselNet

Selection of traction motor rated power based on vehicle dynamics

이 섹션에서는 차량을 움직이는 데 필요한 힘을 계산하는 과정을 설명한다. 총 견인력($F_t$)는 각 저항력의 합으로 계산되며 총 견인 전력($P_t$)는 총 견인력 ($F_t$) 에 속도($v$)를 곱하여 계산된다. ($P_t = F_t \cdot v $)

$$F_t = F_a + F_r + F_g + F_i$$

$$\begin{align*}
F_a &= \frac{\rho}{2} \cdot C_d \cdot A_f \cdot v^2 \\
F_r &= C_{rr} \cdot m \cdot g \cdot \cos(\theta) \\
F_g &= m \cdot g \cdot \sin(\theta) \\
F_i &= m \cdot a
\end{align*}$$

네 가지 저항력. 각각 공기역학적 항력, 구름 저항, 경사 저항, 관성력이다.

이 식은 다른 많이 쓰이는 식이므로 알아두면 좋을 것 같다.

Energy storage system design for EV powertrain

이번 섹션에서는 본 논문이 배터리와 SC의 성능을 결정하는 방식에 대해 설명한다.

Battery sizing for EV powertrain

먼저 배터리를 모델링하는 방법이다.

1. 배터리 요구 전력 ($P_b$) 계산

$$P_b = \frac{P_t + P_{aux}}{\eta_d}$$

모터가 필요로 하는 견인 전력($P_t$)과 보조장치전력($P_{aux}$ : 조명, 팬, 에어컨 등에서 소모되는 전력)의 합을 인버터, 모터, 변속기에서 생기는 손실인 구동계 효율($\eta_d$)로 나누어 계산한다.

2. 총 에너지 ($E_b$) 계산

$$E_b = \int P_b \cdot t$$

$$I_b = \frac{P_b}{V_b}$$

주행 사이클 동안 배터리에서 소모되는 총 에너지($E_b$)를 계산한다. $P_b$를 시간에 대해 적분한다.

$I_b$는 배터리의 전류이다. 공칭 전압($V_b$)로 나누어 계산한다.

3. 필요 배터리 용량 ($C_b$) 계산

$$C_b = \frac{E_b}{V_b \cdot DOD}$$

최종적으로 배터리 용량($C_b$)를 계산한다. 계산된 총 에너지($E_b$)를 배터리 팩의 공칭 전압($V_b$)과 방전심도(DOD)로 나누어 계산한다.

"여기서 공칭 전압($V_b$) 이란, 변동되는 배터리의 전압값에서 정해진 대푯값이다."

이전에 포스팅했던 글을 보면 이해가 될 것이다. ⤵

2025.09.29 - [HESS] - DC/DC Converter와 토폴로지 심화 (배터리의 특성과 DC/DC Converter의 전력제어

Supercapacitor sizing for transient power support

다음은 슈퍼커패시터를 모델링하는 방법이다. 먼저 에너지 저장량 ($E_{sc}$)을 구하는 공식은 다음과 같다.

$$E_{sc} = \frac{1}{2} C_{sc} (V_{sc\_max}^2 - V_{sc\_min}^2)$$

$E_{sc}$ : 슈퍼커패시터에 저장되는 총 에너지
$C_{sc}$ : 슈퍼커패시터의 정전용량
$V_{sc_max}$, $V_{sc_min}$ : 각각 최대 및 최소 작동 전압

1. 순간 전력 ($P_{sc}$)

$$P_{sc} = V_{sc} \cdot I_{sc}$$

2. 순간 전류 ($I_{sc}$)

$$I_{sc} = -C_{sc} \frac{dV_{sc}}{dt}$$

3. 필요 정전용량 ($C_{sc}$)

$$C_{sc} = \frac{2 \cdot E_{sc}}{V_{sc\_max}^2 - V_{sc\_min}^2}$$

최종적으로 슈퍼커패시터의 크기를 결정하기 위해 첫 번째 공식을 재정리하여 필요한 정전용량($C_{sc}$)을 계산한다. 여기서 $E_{sc}$는 차량의 최대 전력 요구 사항 및 제동 시 에너지 회수 효율을 기반으로 한다.

"(E_{sc}\)는 차량의 최대 전력 요구 사항 및 제동 시 에너지 회수 효율을 기반으로 한다."를 자세히 설명하자면, 가속 또는 회생제동 시나리오에서 발생하는 속도 변화에 따른 운동 에너지 변화량이 된다. 이 변화량은 대표적인 사례(최대 회생 제동 시나리오, 최대 가속 시나리오, 주행 사이클 시나리오 등)에 맞게 설정하게 된다. 즉, 저장해야 되는 에너지양을 말하는 것이다.

$$E_{sc} = \frac{1}{2} \times \text{차량질량} \times (\text{초기속도}^2 - \text{나중속도}^2)$$

Supercapacitor reference current generation

이 섹션에서는 슈퍼커패시터의 기준 전류(Reference Current)를 생성하기 위한 방법을 설명한다. 기준전류란, 제어 시스템이 도달해야 하는 목표치 또는 명령치를 의미한다. 즉, 커패시터가 충/방전을 할 때 얼마만큼 해야 되는 지를 나타내는 것이다.

Analytical approach for reference current generation

본 논문에서는 이 기준 전류($I_{sc}$)를 계산하기 위해 슈퍼커패시터에 저장된 에너지와 차량의 운동 에너지가 동일하다는 에너지 보존 법칙을 따르게 된다. 이 말은 차량이 가속하거나 충전할 때 생기는 운동에너지를 오직 슈퍼커패시터가 혼자서 100% 담당한다는 것이다.

1. 에너지 변화량 등가 공식

$$\frac{1}{2} C_{sc} (V_{sc\_max}^2 - V_{sc\_ins}^2) = \frac{1}{2} m \cdot v^2$$

좌변 : 슈퍼커패시터의 전압이 최대치($ V_{sc\_max}$)에서 특정 순간 전압($V_{sc\_ins}$)으로 떨어질 때까지 방출된 에너지양
우변 : 질량이 $m$인 차량이 속도 $v$로 움직일 때 갖는 운동 에너지

2. 순간 전압 공식 ($V_{sc\_ins}$)

$$V_{sc\_ins} = \sqrt{V_{sc\_max}^2 - \frac{m \cdot v^2}{C_{sc}}}$$

차량이 특정 속도($v$)에 도달했을 때, 슈퍼커패시터 전압이 얼마나 떨어졌을지를 계산하는 식이다.

3. 슈퍼커패시터 전류 공식 ($I_{sc}$)

$$I_{sc} = -C_{sc} \frac{d V_{sc\_ins}}{dt} = -C_{sc} \frac{d \sqrt{V_{sc\_max}^2 - \frac{m \cdot v^2}{C_{sc}}}}{dt}$$

$$I_{sc} = \frac{m \cdot v}{V_{sc\_max}} \cdot \frac{dv}{dt} \cdot \sqrt{1 - \frac{m \cdot v^2}{V_{sc\_max}^2 \cdot C_{sc}}}$$

2번의 전압 관계식을 시간에 대해 미분하여 유도된 식이다.

차량을 특정 가속도($\frac{dv}{dt} $)로 가속시키는 데 필요한 슈퍼커패시터의 전류($I_{sc}$)를 계산한다.

결론적으로 이렇게 계산된 ($I_{sc}$)는 LSTM 모델의 학습 및 평가에 사용된다.

Data-Driven (LSTM-Based) reference current prediction

이하 내용은 LSTM에 대한 내용과 적용 방식(MATLAB/Simulink에서 ONNX를 사용했다.), 평가지표($MAE$, $RMSE$, $MAPE$, $R^2$), 사용된 차량 제원 등에 대한 소개가 있다. 일단 생략하도록 한다.

차량 제원 및 파라미터

Result and discussion

EUDC Drive Cycle

EUDC Drive Cycle이다.

~~초록색선은 슈퍼커패시터의 기준전류(정답)이고 분홍색선은 실제값을 표현했다. 실제값이 정답을 얼마나 잘 따라가고 있는지를 보여준다.~~

(수정) 초록색 선은 LSTM이 예측한 값이고 분홍색 선은 예측된 값을 얼마나 잘 따라갔냐를 보여준다.

HBEV(슈퍼커패시터가 있는 전기차)가 BEV(슈퍼커패시터가 없는 전기차) 보다 전류의 최고점이 낮은 걸 확인할 수 있다. 344초 부근에서 21.3%의 피크 전류 감소 효과를 보여준다. 350초 부근에서도 역전류에 대해 큰 차이를 보여준다.

배터리의 전압 변동 또한 확연히 차이가 난다.

IM240 Drive Cycle

IM240 Drive Cycle이다.

IM240에서도 잘 따라가는 모습을 보인다.

주행 사이클이 복잡한 IM240에서 더욱 큰 효과를 보이고 있다.

논문 원문에는 더 많은 내용을 담고 있다. 포스팅에서 다 보여주기에는 글이 너무 길어지기 때문에 핵심이라 생각되는 부분만 정리해 보았다. 이 논문에 대해 궁금한 점이 있는 분은 맨 위에 있는 링크를 타고 들어가면 된다.

오늘 포스팅은 여기까지이고 블로그를 시작한 이래로 본 사람은 거의 없다. 그래도 꾸준히 포스팅해보도록 하겠다!ㅎㅎ

질문이 있다면 댓글 남겨주길 바란다. 나도 모르는 걸 질문한다면~~(모를 확률이 굉장히 높다)~~ 공부해서 답글 달아보도록 하겠다! 그럼 이만!

DC/DC Converter와 토폴로지 심화 (배터리의 특성과 DC/DC Converter의 전력제어)

chimp-in-lap — Mon, 29 Sep 2025 14:09:56 +0900

흐음...하얀건 종이고 까만건 글인것인디..

반갑다. 칭구들.

오늘은 조금 더 근본적인 내용에 대해서 다뤄보도록 하겠다. 앞서 EMS, Topology 등에 대해 정의와 같은 기본적인 내용만 다뤘는데 이번 포스팅에서는 "배터리의 특성에 따른 DC/DC Converter의 존재 이유 및 Semi-Active 토폴로지를 고려할 때 DC/DC Conveter 위치 선택"에 대해 더욱더 자세히 알아보겠다.

배터리의 특성

일반적으로 배터리는 일정한 전압을 유지한다고 생각한다. 하지만 배터리도 온도, 부하 조건, 충/방전 사이클 등 다양한 요인에 따라 전압이 변동된다.

"배터리대학"이라는 곳이 있다. 하단에 링크를 남겨 두겠다.

빨간색 동그라미를 친 부분을 보면 최대 충전일 경우 4.20V에서 2.50V(-3.00V)까지 SOC에 따라 전압이 변한다는 것을 알 수 있다. 리튬이온 배터리 뿐만 아니라 다른 종류의 배터리 또한 각각의 전압 변동 폭을 가진다(리튬이온 배터리 자체가 변동 폭이 비교적 큰 편이다.).

배터리 전압 변동으로 인해 생기는 문제

그렇다면 이 전압 변동이 왜 중요할까? 배터리의 전압이 변동하면, 그 배터리가 붙잡고 있는 DC버스의 전압도 그에 맞춰 함께 변동 되기 때문이다. 즉, DC버스에 연결된 시스템이 요구하는 전압 범위와 배터리가 에너지를 공급할 수 있는 전압 범위가 일치하지 않게 될 수 있다는 것이다.

예를 들어, 배터리가 4.5V~3.0V의 전압 범위를 가지고 시스템이 요구하는 전압 범위가 3.5V~3.9V라면 배터리를 완전히 활용하지 못한다는 것이다.

DC/DC Conveter의 역할

앞서 얘기한 문제를 해결하기 위해 DC/DC Converter가 사용된다. 배터리에 저장된 에너지를 모두 소모하려면 배터리의 전압을 승압 시켜 주거나 강압 시켜주면 될 것이다. 이 역할을 바로 DC/DC Converter가 하는 것이다.

Boost(부수트) 컨버터는 배터리의 전압을 승압 시켜주고, Buck(벅) 컨버터는 강압 시켜준다.

단, 전압을 변환하면서 에너지 손실이 생기기도 하고, 벅-부스트가 모두 가능한 컨버터는 복잡도와 비용이 높다.

DC/DC Conveter의 위치 선정

Semi-Active Topology를 구성할 때, DC/DC 컨버터의 위치를 배터리 측에 둘 것인지 슈퍼커패시터 측에 둘 것인지 선택해야한다. 위에서 설명한 내용에 따르면 배터리 측에 설치해야만 배터리를 100% 활용할 수 있다고 했다.

그렇다면 슈퍼커패시터 측에 설치하는 경우는 어떨까? 마찬가지로 슈퍼커패시터를 완전히 활용하기 위해서는 슈퍼커패시터 측에 DC/DC 컨버터가 필요하다.

그렇다면 둘 중 어느곳에 설치하는 것이 효과적일까? HESS 시스템에서 중요한 것이 하나 있다. "바로 슈퍼커패시터에서 배터리 측으로 에너지를 전송하는 경우를 고려해야한다"는 것이다. 이 경우를 가능하게 하기 위해서 DC/DC 컨버터는 슈퍼커패시터 측에 설치되어야 한다.

배터리와 DC버스로 연결된 전력원이 발전소(일정한 전압 제공)와 슈퍼커패시터라고 했을 때, 슈퍼커패시터 측에 DC/DC 컨버터가 없다면 슈퍼커패시터는 단순히 흡수와 방출만하게 된다. 이 경우 배터리가 전력을 공급 받을 때, 발전소로부터 오는 지 슈퍼커패시터로부터 오는 지 알 수 없다. 즉, 슈퍼커패시터 에너지가 가득 차 있어도 더 안정적인 외부 전력원이 연결되어 있다면 슈퍼커패시터를 활용하는 것은 불가능하다.

<참고문헌>

https://batteryuniversity.com/article/bu-107-comparison-table-of-secondary-batteries

PMS(Power Management System)에 대해 알아보자 : EMS와 비교분석

chimp-in-lap — Fri, 19 Sep 2025 11:04:51 +0900

가서 일이나 해!!!

반갑습니다. 학업과 고용주 그리고 자본의 노예들.

오늘은 PMS에 대해 알아보도록 하겠다.

PMS, 어디서 많이 들어본 것 같지 않은가? HESS를 공부하다 보면 EMS와 PMS라는 단어를 자주 마주하게 될 것이다. 이 두 가지 개념이 굉장히 헷갈릴 수 있기 때문에 정리를 해보려고 한다! ~~(나만 헷갈렸남ㅎㅎ)~~

PMS(Power Management System, 전력관리시스템)

PMS는 "전력을 어떻게 효율적으로 관리할 것인가"에 대해 논의한다.

EMS와 무슨 차이가 있냐고? 그것은 바로 PMS는 전력의 실시간 분배와 관리에 초점을 둔다는 것이다! 이게 무슨 소리인지 아직은 이해가 되지 않을 수 있다. 이를 이해하기 위해 HESS의 전력 제어 시스템의 계층적 구조에 대해 먼저 알아야 한다.

전력 제어 시스템의 계층적 구조

전력 제어 시스템의 계층적 구조는 3단계로 나뉜다.

1차 제어 - Primary Control (컨버터 제어 계층)

Primary Control은 직접적이고 순간적인 제어를 담당한다.

주요 목표 : 상위 계층에서 내려온 전압 및 전류 기준값(Setpoint)을 정확하게 추종하고, 급격한 부하 변동 시 과도전압 안정성을 유지하는 것

응답 속도 : 밀리초 ~ 초 단위

제어 방식 : PI제어기나 MPC를 사용하여 컨버터의 스위치를 직접 조작한다.

2차 제어 - Secondary Control (PMS 계층)

"PMS가 주로 수행되는 계층이다."

주요 목표 : 여러 에너지원(배터리, 슈퍼커패시터) 사이의 실시간 전력 분배를 담당하며 1차 제어만으로 해결하기 어려운 전압 편차를 보정하고 시스템의 전력 균형을 맞춘다.

응답 속도 : 초 단위

제어 방식 : 드룹 제어 (Droop control), 필터 기반 전력 분배, 분산형 제어 알고리즘 등이 사용된다.

3차 제어 - Tertiary Control (EMS 계층)

"EMS가 수행되는 최상위 계층"

주요 목표 : 경제성, 효율성, 시스템 수명 등 장기적인 관점의 최적화를 목표로 한다.

응답 속도 : 분 ~ 시간, 일 단위

제어 방식 : 동적 프로그래밍, 규칙 기반 제어, 인공지능 기반 예측 등 최적화 알고리즘을 사용하여 시스템의 전반적인 운영 계획을 수립한다.

설명을 조금 간단하게 하자면...
2차 제어는, 예를 들어, 부하에서 급격한 변동이 발생하는 경우 그에 바로 슈퍼커패시터가 반응하도록 하여 전력을 공급하는 시스템인 것이고, 3차 제어의 경우 장기적인 관점에서 전기세간 비교적 저렴한 시간대에 전기를 비축하는 등, 종합적인 HESS 구성 요소들의 에너지 소비 및 수명을 관리하는 시스템인 것이다.

그렇다! 이제 조금 이해가 되는가? 그래도 잘 모르겠다면 표로 정리해서 보여주도록 하겠다.

	EMS	PMS
주요 목표	에너지 효율 최적화 및 경제성 확보. 연료 소비율, 배출가스, 배터리 수명, 운영 비용 등 장기적이고 거시적인 관점의 최적화를 목표로함	시스템 안정성 유지 및 실시간 전력 분배. 부하 변동에 따른 DC 버스 전압 안정화, 과도 전류 관리 등 순간적이고 미시적인 관점의 안정성을 목표로 함
시간 척도	장기적 : 분에서 시간. 전체 운행 사이클이나 하루 단위의 에너지 사용 계획을 다룸	단기적/실시간 : 밀리초에서 초. 급격한 부하 변화와 같은 순간적인 상황에 대응함
제어 계층	상위 계층 : 주로 3차 제어 계층에 해당하며, 시스템의 전반적인 운영 계획과 경제적 스케줄링을 담당	하위/중간 계층 : 주로 2차 제어 또는 1차 제어 계층과 관련이 깊으며, 상위 계층의 명령을 받아 실제 전력 흐름을 제어합니다
주요 기능	- 최적/경제적 에너지 스케줄링 - SoC 관리 및 수명 연장 - 연료 경제성 극대화 - 시스템 운영 비용 최소화	- 배터리와 슈퍼커패시터 간의 동적 전력 분배 - 과도 응답 개선 및 DC 버스 전압 안정화 - 각 에너지 저장 장치의 전류 제어 루프에 기준 전류값 제공
고려 변수	주행 사이클, 전기 요금, 연료 가격, 배터리 열화 모델, 교통 정보 등	순간 부하 전류, DC 버스 전압, 각 저장 장치의 즉각적인 SoC, 과도 전류 등

여기서 주의할 점은 PMS는 꼭 2차 제어에만 해당하는 것이 아니라는 것이다.

EMS와 PMS

이렇게 EMS와 PMS에 대해 자세하게 알아보았다. 이 글을 보고 혼자 더 공부를 하게 된다면 주의할 점을 하나 설명해 주겠다. 그것은 바로 "두 용어가 엄격하게 구분되어 사용되지 않을 수 있다는 것"이다. 즉, EMS를 전력 분재, 전압 안정화, 에너지 효율 최적화를 모두 포괄하는 상위 개념으로 사용하기도 한다. 다음은 논문 중 일부를 발췌해 왔다.

제목 : Hybrid Sources Powered Electric Vehicle Configuration and Integrated Optimal Power Management Strategy

노란색 형광팬으로 그어진 부분을 보아라. 한글로 해석해 보면 "에너지 관리 전략(EMS)의 주된 목적은 연비 향상, 배출가스 저감, 주행성 확보, 그리고 제약을 고려하여 에너지 저장장치(ESS)의 충전상태(SOC) 및 수명을 유지하기 위해 전력 흐름을 제어하는 것입니다"라고 한다.

그렇다... EMS를 설명하면서 PMS의 역할에 대한 설명을 포함하고 있다!!! 이 논문뿐만이 아니라 다른 논문들도 읽다 보면 표현이 애매한 경우가 있을 것이다. 그러니 이 점에 유의하여 공부하면 좋을 듯하다! ~~(그냥 내가 바보라서 그런 걸 수도?!)~~

(추가) 어떤 회사 대표님에게 들은 바로는, EVs에서는 PMS와 EMS를 같은 뜻으로 사용하고 Microgrid에서는 구분하여 사용한다고 한다.

오늘은 EMS와의 차별점에 유의하며 PMS에 대해 알아보았다. 더 궁금한 것이 있다면 댓글 달아주시라! 그리고 틀린 부분이 있다면 정확하게 지적해 주길 바란다. ~~(필자도 어디 물어볼 사람이 없다... 논문만 주구장창 읽고 있다...ㅠ)~~

아무튼 긴 글 읽느라 고생했고, 하루하루 열심히 살아가는 당신 (므찌다 므쪄~)

2025.09.17 - [HESS] - EMS(Energy Management System)에 대해 알아보자

EMS(Energy Management System)에 대해 알아보자

반갑다. 오늘은 EMS에 대해 알아보도록 하겠다. HESS를 공부하면 여기부터 슬슬 복잡해지기 시작한다. 논문을 이것저것 읽어봐도 지들 멋대로 조금씩 다 다른 느낌이다. 뭔가 제대로 정립된 게 없

chimp-in-lap.tistory.com

EMS와 PMS에 대해 더 자세히 알고 싶다면?⤴

<참고문헌>

1. A. K. Gautam, M. Tariq, J. P. Pandey, K. S. Verma and S. Urooj, "Hybrid Sources Powered Electric Vehicle Configuration and Integrated Optimal Power Management Strategy," in IEEE Access, vol. 10, pp. 121684-121711, 2022, doi: 10.1109/ACCESS.2022.3217771.
keywords: {Hybrid electric vehicles;Batteries;Mechanical power transmission;Intelligent transportation systems;Energy management;Traction motors;Fuel economy;Full electric vehicle;hybrid electric vehicle;architecture;online EMS;offline EMS;optimization-based EMS;fuel economy;vehicle performance;optimal control strategy;real-time optimal power management;intelligent transportation},

2. S. A. Ghorashi Khalil Abadi, S. I. Habibi, T. Khalili and A. Bidram, "A Model Predictive Control Strategy for Performance Improvement of Hybrid Energy Storage Systems in DC Microgrids," in IEEE Access, vol. 10, pp. 25400-25421, 2022, doi: 10.1109/ACCESS.2022.3155668.
keywords: {Voltage control;Power system stability;Resource management;Real-time systems;Energy management;Topology;Costs;Filtration-based power/current allocation systems;battery/supercapacitor hybrid energy storage systems;model predictive control;stability analysis;state of charge recovery},

3. Dong, Z.; Zhang, Z.; Li, Z.; Li, X.; Qin, J.; Liang, C.; Han, M.; Yin, Y.; Bai, J.; Wang, C.; et al. A Survey of Battery–Supercapacitor Hybrid Energy Storage Systems: Concept, Topology, Control and Application. Symmetry 2022, 14, 1085. https://doi.org/10.3390/sym14061085

4. Shyni R, Kowsalya M,
LSTM-based PMS for HESS in DC microgrid,
Results in Engineering,
Volume 27,
2025,
106122,
ISSN 2590-1230,
https://doi.org/10.1016/j.rineng.2025.106122.
(https://www.sciencedirect.com/science/article/pii/S2590123025021942)

5.Arvin Ghasemi, Mostafa Sedighizadeh, Ahmad Fakharian, Mohammad Reza Nasiri,
Intelligent voltage and frequency control of islanded micro-grids based on power fluctuations and communication system uncertainty,
International Journal of Electrical Power & Energy Systems,
Volume 143,
2022,
108383,
ISSN 0142-0615,
https://doi.org/10.1016/j.ijepes.2022.108383.(https://www.sciencedirect.com/science/article/pii/S0142061522003969)

EMS(Energy Management System)에 대해 알아보자

chimp-in-lap — Wed, 17 Sep 2025 15:07:26 +0900

반갑다. 오늘은 EMS에 대해 알아보도록 하겠다. HESS를 공부하면 여기부터 슬슬 복잡해지기 시작한다. 논문을 이것저것 읽어봐도 지들 멋대로 조금씩 다 다른 느낌이다. 뭔가 제대로 정립된 게 없는 느낌이다(누가 괜찮은 논문하나 있으면 추천해 주세요 젭알).

이게 도대체 뭔지 모르긴 몰라도 해야한다. ~~(왜냐면 교수님이 시키셨기 때문이지 하핫)~~

비명 한 번 지르고 시작해 보도록 하자. 끼얏호우~

EMS란, Energy Management System의 약자로 에너지를 어떻게 관리할 것인가에 대해 설명하는 기술이다.

그러니까 쉽게 설명하자면, 에너지 저장 장치(배터리와 슈퍼커패시터)의 현재 상태 정보와 부하(전기가 사용되는 곳)의 요청(또는 현재 상태)을 조합하여 최.적.의. 에너지 소비 전략을 세우는 기술이다. ~~(므찌당)~~

2022년 5월에 발간된 어떤 서베이 논문은 EMS 기법을 두 가지의 큰 틀로 나누어 설명한다.

Rule-based(규칙 기반)

이 논문에서는 Fuzzy Control을 예시로 설명한다.

Fuzzy 제어에 기반한 EMS는 정확한 수학적 모델에 기대지 않는다. 따라서 강건성이 높다고 한다.

사용자가 정의한 멤버십 함수로 입력은 퍼지화된다. 그리고 출력은 미리 정의된 퍼지룰에 따라 계산되고 예측된다. 최종적으로 출력은 디-퍼지화되고 결과를 출력한다.

퍼지 제어기의 입력값들은 시스템 전체의 부하 요구 전력(load demand power)과 각 에너지 저장 장치의 충전 상태(state of charge)로 구성될 수 있으며, 출력값들은 총 부하 요구 전력에 대해 각 에너지 저장 장치가 담당할 방전 전력의 비율이 된다.

부하 요구 전력 (load demand power): 시스템에 연결된 부하가 특정 순간에 필요로 하는 총전력량

“그러나 퍼지 제어기의 설정은 주로 경험에 의존하기 때문에 전역 최적 제어 결과를 얻는 데 어려움이 있다.”

Optimization-based(최적화 기반)

최적화 기반 전략은 미리 정해진 규칙을 따르는 대신, 최적화 목표에 따라 비용 함수(cost function)를 최소화하는 방식으로 실시간으로 최적의 전력 분배를 결정한다. 수학적 계산을 통해 시스템의 효율이나 성능을 극대화하는 해법을 찾는 방식인 것이다.

즉, 예측 → 비용 계산 → 최적화라는 일련의 수치 계산 과정을 통해 가장 효과적인 제어 방법을 실시간으로 찾아내기 때문에 제어 효과가 좋고 외부 변화에 강인하다.

MPC를 예로 들어보면, MPC는 정량적 계산(quantitative calculation)을 통해 실시간으로 목표를 제어한다. 이 제어 방식을 적용하기 위해 "model building, rolling optimization, feedback correction"을 포함한다.

Model building : 제어하려는 시스템의 동작 방식을 예측하는 수학적 모델을 만드는 행위
Rolling Optimization(순환 최적화) : 매 순간 앞으로의 일정 시간 동안의 최적 제어 계획을 세움. 계획의 첫 번째 단계만 실행하고 다음 순간이 되면 새로운 최적 제어 계획을 다시 세움
Feedback Correction : 모델이 예측한 값과 실제 시스템의 측정값 사이에 오차가 있을 수 있음. 이 오차를 계산 다음 계산에 반영

좋다! 아주 좋다! ~~(사실 안 좋다.)~~

이렇게 EMS를 두 가지 방식으로 나누는 것에 대해 공부해 보았다. 한 번에 이해가 되지 않을 것이다(된다면 당신은 굉장한 사람!). 완벽한 이해를 하려면 각 방식들이 실제로 어떻게 적용되는지 자세히 공부해야 할 것이다. (일단 이 글에서는 넘어가도록 한다.)

방금 읽은 논문처럼 두 가지 방식으로 나누는 논문도 있지만, EMS가 적용되는 분야에 따라 분류가 조금 달라질 수도 있다. EMS는 Grid, MicroGrid, Electric Vehicle에 빈번하게 적용되기 때문에 각 분야에 따라 특별한 방법이 사용될 수도 있는 것이다! ~~(머리가 아파버리잖슴~)~~ 고로 다음 논문을 살펴보러 가보자!

이번에는 2022년 10월에 발행된 논문이다. 방금 본 논문보다 최신이고 인용수도 더 많다! ~~(인용수가 논문의 질을 대변하지는 않지만, 나 같은 우매한 원숭이에겐 충분히 매력적이다. 우끼끼 )~~

이 논문은 EV(Electric Vehicle)의 관점에서 EMS를 분류한다. EV의 관점에서 작성되기는 했지만, 꼭 EV에만 적용될 수 있는 것은 아니니 참고하길 바란다!

이 논문은 EMS를 규칙기반, 최적화기반, 학습기반으로 나누고 최적화 기반 방식에서 온/오프라인으로 한 번 더 나눈다.

최적화 기반 - 오프라인 모드 방식

향후 주행 사이클에 대한 사전 정보가 필요하기 때문에 비인과적(non-causal)이며 전역 최적화(global optimization) 기반 방식에 속한다. 이 방식이 제공하는 최적해는 다른 온라인 전략들의 표준 해결책(standard solution)이 된다.

Direct Algorithm
Indirect Algorithm
Gradient Algorithm
Derivative-Free Algorithm

여기서 "비인과적이다"라는 것은 미래의 정보를 미리 알고 제어에 활용하는 방식을 의미한다. 즉, 차량이 출발하기 전에 전체 주행 경로의 속도, 경사, 정지 구간 등의 모든 정보를 이미 완벽하게 알고 있는 상태에서 에너지 관리 계획을 세우는 것을 말한다.

"전역 최적화 기반 방식"은 주어진 전체 구간(전체 주행 사이클)에 걸쳐 가장 좋은, 즉 최적의 해를 찾는 것을 목표로 하는 방식을 말한다. 전체 주행 사이클을 미리 알고 있기 때문에 모든 과정을 고려하여 가장 이상적인 동력 분배 계획을 계산할 수 있다.

오프라인 방식이 다른 실시간(온라인) 전략들을 위한 "표준 해결책(standard solution) " 또는 "벤치마크(benchmark) " 역할을 한다. 다른 실시간 제어기들이 이 전역 최적화 결과에 얼마나 근접한 성능을 내는지를 통해 그 효율성을 평가할 수 있기 때문이다.

최적화 기반 - 온라인 모드 방식

인과적이며 지역 최적화 방식이다. 주행 사이클에 대한 사전 정보가 필요하지 않다. 즉, 현실적이며 실용적이기 때문에 실제로 실시간 적용을 목표로 하는 현실적인 최적화 전략이 된다.

Equivalent Consumption Minimization Strategies, ECMS
Model Predictive Control, MPC
Extremum Seeking, ES
Robust Control, RC

Learning-based(학습 기반)

학습 기반 EMS는 광범위한 실시간 및 과거 데이터에 대한 데이터 마이닝(data mining)을 통해 제어 법칙을 추출한다. 즉, 방대한 양의 데이터로 학습해서 미래를 예측하는 방식인 것이다.

머신러닝 : K-최근접 이웃, LVQ 등
강화학습
신경망(Neural Network) : ANN, EKF 등
자연 모사 알고리즘(NIA) : GWO, SSA 등
기타 : 다익스트라, 메메틱 등

이번 포스팅에서는 EMS와 EMS를 구현하는 방식에는 어떤 것들이 있는지 알아보았다. 이 포스팅은 각 알고리즘에 대해 상세한 설명은 포함하지 않는다~~(다 공부해서 설명하려다간 박사까지 해버릴 듯).~~ 언젠가 기회가 된다면 몇 개만 골라서 소개하도록 하겠다. 만약 그전에 당신이 더 알고 싶거나 알아야 한다면, 필자가 소개한 논문에 달린 레퍼런스를 찾아 들어가서 스스로 공부하는 것을 추천한다!

오늘도 열심히 공부하는 그대에게 찬사를 보낸다! 그리고 틀린 것이 있다면 아낌없는 댓글 달아주시라요.

그럼 이만!

2025.09.19 - [HESS] - PMS(Power Management System)에 대해 알아보자 : EMS와 비교분석

PMS(Power Management System)에 대해 알아보자 : EMS와 비교분석

반갑습니다. 학업과 고용주 그리고 자본의 노예들. 오늘은 PMS에 대해 알아보도록 하겠다.PMS, 어디서 많이 들어본 것 같지 않은가? HESS를 공부하다 보면 EMS와 PMS라는 단어를 자주 마주하게 될 것

chimp-in-lap.tistory.com

이 글을 읽고 PMS에 대해서도 공부하는 것을 추천한다! 이 둘을 혼용되는 개념이기 때문에 두 개를 모두 알아야 잘 구분하여 사용할 수 있다.

<참고문헌>

1. Dong, Z.; Zhang, Z.; Li, Z.; Li, X.; Qin, J.; Liang, C.; Han, M.; Yin, Y.; Bai, J.; Wang, C.; et al. A Survey of Battery–Supercapacitor Hybrid Energy Storage Systems: Concept, Topology, Control and Application. Symmetry 2022, 14, 1085. https://doi.org/10.3390/sym14061085

2. A. K. Gautam, M. Tariq, J. P. Pandey, K. S. Verma and S. Urooj, "Hybrid Sources Powered Electric Vehicle Configuration and Integrated Optimal Power Management Strategy," in IEEE Access, vol. 10, pp. 121684-121711, 2022, doi: 10.1109/ACCESS.2022.3217771.
keywords: {Hybrid electric vehicles;Batteries;Mechanical power transmission;Intelligent transportation systems;Energy management;Traction motors;Fuel economy;Full electric vehicle;hybrid electric vehicle;architecture;online EMS;offline EMS;optimization-based EMS;fuel economy;vehicle performance;optimal control strategy;real-time optimal power management;intelligent transportation},