Heat-Mileage AI-BMS

현재 상태에 사용 이력을 더한 배터리 관리

Heat-Mileage AI-BMS는 현재 온도와 충전 상태뿐 아니라 배터리가 어떤 조건에서 사용되어 왔는지를 관리 기준에 연결하는 팀 연구 프로젝트입니다. 같은 온도와 SOC를 가진 배터리라도 급속충전, 고온 주차, 회생제동과 저온 충전 이력이 서로 다를 수 있다는 문제에서 출발했습니다.

Heat-Mileage와 개인화 프로파일

온도, 전류, SOC와 이벤트 조건을 누적하는 Heat-Mileage 지표를 정의하고, 사용자별 운행 패턴과 후보 제어 프로파일을 함께 살펴보는 구조를 제안했습니다. 프로파일은 충전 전류, 냉각, 밸런싱과 회생 제한 기준에 연결됩니다. 차량 측 제어는 안전 한계를 유지하고, 사용자 이력은 그 범위 안에서 관리 조건을 조정하는 데 활용하는 접근입니다.

시뮬레이션 비교 방법

최종 발표 자료에서는 급속충전, 고속도로 급속충전, 도심 회생제동, 고온 주차, 저온 충전의 다섯 시나리오를 다룹니다. 여섯 제어기를 비교하고 각 조건을 30회 반복하는 900개 Monte Carlo 실행 구성을 사용했습니다. 누적 스트레스만 줄이는 것이 아니라 가용 성능과의 절충도 함께 살피는 것이 평가의 핵심입니다. MATLAB과 Simulink 기반 모델로 제어 구조와 차량 측 동작을 검토했습니다.

팀 참여와 성과

User-Adaptive Heat-Mileage AI-BMS 연구와 최종 발표에 참여했습니다. 미래모빌리티산업 공모전에서 장려상을 수상했으며, 배터리 관리 문제를 지표, 제어 프로파일, 비교 시나리오로 나누어 설명하는 경험을 쌓았습니다.

해석할 때의 범위

시뮬레이션 기반 개념 검증입니다. Heat-Mileage는 실측으로 보정된 잔여수명 추정값이 아닙니다. 실제 배터리 수명 연장이나 모든 운전 조건에서의 우월성을 입증한 결과로 제시하지 않습니다. 실차 적용을 위해서는 열화 데이터 보정, 센서 및 모델 검증, 차량별 안전 제약 확인이 추가로 필요합니다.