⚡ electrical engineering

Simultaneous improvement of control and estimation for battery management systems

이 논문은 확률적 배터리 시스템의 제어 입력이 상태 관측성에 직접적인 영향을 미친다는 점을 규명하여, 제어 목표와 관측성 향상을 동시에 달성하는 이중 제어 (dual-control) 기반 모델 예측 제어 기법을 제안함으로써 기존 분리형 접근법 대비 제어 비용과 상태 추정 오차를 동시에 획기적으로 감소시켰음을 보여줍니다.

원저자: Mohammad S. Ramadan, Marfred Barrera, Mihai Anitescu, Sylvia Herbert

게시일 2026-04-17

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Mohammad S. Ramadan, Marfred Barrera, Mihai Anitescu, Sylvia Herbert

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 배터리를 관리하는 시스템 (BMS) 을 더 똑똑하게 만드는 새로운 방법을 제안합니다. 기존의 방식과 이 새로운 방식의 차이를 이해하기 위해 **'어두운 방에서 공을 던지는 게임'**과 **'스마트한 운전사'**의 비유를 들어 설명해 드리겠습니다.

1. 문제: 어두운 방에서 공을 던지는 게임 (기존 방식의 한계)

배터리 관리 시스템은 두 가지 중요한 일을 동시에 해야 합니다.

제어 (Control): 배터리의 충전량 (SOC) 을 정확히 조절해서 전력 수요를 맞추는 것.
추정 (Estimation): 배터리가 지금 얼마나 충전되어 있는지 정확히 알아내는 것.

**기존의 방식 (Certainty Equivalence)**은 이 두 일을 완전히 따로따로 처리합니다. 마치 어두운 방에서 공을 던지는 게임을 하는 것과 같습니다.

당신은 공을 던져야 할 목표 지점 (전력 수요) 을 알고 있습니다.
하지만 방이 너무 어두워서 (배터리 내부 상태를 직접 볼 수 없어서) 공이 어디에 떨어졌는지 정확히 모릅니다.
기존 방식은 "아마도 공이 여기쯤 떨어졌겠지"라고 가정하고, 그 가정을 100% 사실인 것처럼 믿고 다음 공을 던집니다.
문제점: 만약 공이 예상과 다르게 떨어졌는데, 당신이 그 사실을 모른 채 계속 같은 방식으로 던지면, 결국 공은 계속 빗나갑니다. 특히 배터리 전압이 거의 변하지 않는 구간 (평평한 지형) 에 있을 때는 상태 추정이 매우 어렵습니다. 기존 방식은 이런 '어두운 구간'을 피하지 않고 그대로 통과해버려, 오차가 커지고 배터리가 위험해질 수 있습니다.

2. 해결책: 스마트한 운전사 (이 논문의 제안)

이 논문은 **"제어와 추정은 따로 놀 수 없다"**고 말합니다. 대신, **이중 제어 (Dual Control)**라는 새로운 방식을 제안합니다.

이를 스마트한 운전사에 비유해 볼까요?

목표: 목적지 (전력 수요) 로 빠르게, 그리고 정확하게 도착하는 것.
상황: 길에 안개가 자욱한 구간 (전압이 변하지 않는 배터리 구간) 이 있습니다. 안개 속에서는 차의 위치를 정확히 알기 어렵습니다.
기존 운전사: "안개 속에서도 그냥 직진하자. 속도만 잘 내면 목적지에 닿을 거야."라고 생각하며 안개 구간을 무작정 통과합니다. (추정 오차가 커짐)
이 논문의 스마트 운전사: "안개 구간에서는 위치를 잘 모를 수 있으니, 일부러 차를 살짝 흔들거나 방향을 바꿔서 안개가 걷히는 밝은 곳으로 이동하자"라고 생각합니다.
- 즉, **목적지에 가는 길 (제어)**을 최적화하면서도, 차의 위치를 더 잘 파악할 수 있도록 (추정) 배터리를 상태가 잘 보이는 구간으로 의도적으로 이동시킵니다.
- 이렇게 하면 추정의 정확도가 높아지고, 결과적으로 목적지 (전력 수요) 도 더 정확하게 도달할 수 있게 됩니다.

3. 핵심 아이디어: "조금만 움직여도 더 잘 보인다"

배터리에는 **OCV(개방 회로 전압)**라는 게 있습니다. 이건 배터리의 충전 상태에 따라 전압이 변하는 곡선인데, 어떤 구간은 전압이 거의 변하지 않는 '평평한 지형'이 있습니다.

평평한 지형 (낮은 관측성): 전압을 봐도 충전 상태를 알기 어렵습니다. (안개가 짙음)
가파른 지형 (높은 관측성): 전압이 조금만 변해도 충전 상태를 정확히 알 수 있습니다. (날씨가 맑음)

기존 시스템은 이 차이를 무시하고 그냥 가지만, 이 논문의 시스템은 **"지금 충전 상태를 정확히 알고 싶다면, 배터리를 가파른 지형으로 조금 더 이동시켜야 한다"**는 사실을 이용합니다. 제어 명령을 내릴 때, "추정 오차를 줄이기 위해"라는 추가적인 목적을 포함시키는 것입니다.

4. 결과: 둘 다 좋아집니다!

연구진은 9 개의 배터리로 실험을 해보았습니다.

전력 제어: 목표한 전력 수요를 더 정확하게 따라갔습니다. (비용 20% 감소)
충전량 추정: 배터리의 남은 전력을 훨씬 더 정확히 알아냈습니다. (오차 30% 감소)

중요한 점은 이 방법이 어떤 측정 도구 (칼만 필터 등) 를 쓰든 상관없이 효과가 있다는 것입니다. 마치 어떤 카메라를 쓰더라도, 스마트한 운전사가 안개 속을 잘 빠져나가는 것과 같습니다.

5. 요약

이 논문은 **"배터리를 관리할 때, '어디로 가야 할지' (제어) 만 생각하지 말고, '지금 내가 어디에 있는지' (추정) 를 더 잘 알 수 있도록 길을 선택하자"**고 말합니다.

기존 방식이 "눈을 감고 달리는 것"이었다면, 이 새로운 방식은 **"안개가 끼면 일부러 길을 바꿔서 시야를 확보한 뒤 달리는 것"**입니다. 그 결과 배터리는 더 안전해지고, 더 효율적으로 전력을 관리할 수 있게 되었습니다.

1. 문제 정의 (Problem Statement)

배터리 관리 시스템 (BMS) 의 기존 한계: 기존 BMS 는 제어 (Control) 와 상태 추정 (State Estimation) 문제를 분리된 (decoupled) 목표로 간주합니다. 특히 '확정성 등가 (Certainty Equivalence)' 제어기를 사용하여, 상태 추정값이 정확하다고 가정하고 제어 입력을 결정합니다.
관측 가능성 (Observability) 의 비균일성: 배터리의 개회로 전압 (OCV) 과 충전 상태 (SOC) 간의 관계는 비선형 함수로 모델링됩니다. 많은 배터리 화학 물질에서 OCV-SOC 곡선은 특정 SOC 구간 (전압 플래토, voltage plateau) 에서 기울기가 거의 0 인 영역을 가집니다. 이 영역에서는 상태 관측기가 측정값으로부터 SOC 정보를 거의 얻을 수 없어 추정 오차가 급격히 증가합니다.
기존 접근법의 결함: 확정성 등가 제어기는 이러한 OCV 곡선의 관측 가능성 변화를 고려하지 않습니다. 결과적으로 제어기는 추정 정확도가 떨어지는 '관측 불량 (poorly observable)' 영역으로 시스템을 무의식적으로 유도하여, 추정이 가장 필요한 시점에 오히려 추정 오차를 증폭시키고 제어 성능을 저하시킬 수 있습니다.
목표: 그리드 연결 에너지 저장 시스템에서 흔히 요구되는 '피크 셰이빙 (peak shaving)' 및 '밸리 필링 (valley filling)'과 같은 시나리오에서, 제어 비용과 상태 추정 오차를 동시에 최소화하는 새로운 접근법 필요.

2. 제안된 방법론 (Methodology)

저자들은 배터리 시스템 관리를 확률론적 최적 제어 (Stochastic Optimal Control) 문제로 재정의하여 제어 입력과 추정 품질 간의 직접적인 결합 (coupling) 을 활용합니다.

비용 함수의 재매개변수화 (Re-parametrization of Cost):
- 기존 비용 함수 (추적 오차 및 제어 입력 크기) 가 상태의 조건부 평균 ( $x_{k|k}$ ) 과 공분산 ( $\Sigma_{k|k}$ ) 으로 정확히 표현될 수 있음을 이론적으로 증명했습니다.
- 이를 통해 비용 함수에 추정 불확실성 (공분산) 항이 명시적으로 포함되게 되며, 이는 제어기가 추정을 개선하기 위해 시스템을 '관측성이 높은 (high-observability)' 영역으로 유도하도록 하는 이중 제어 (Dual Control) 효과를 발생시킵니다.
결정론적 대리 모델 (Deterministic Surrogate):
- 확률론적 비용 함수는 미래 측정값에 대한 기댓값을 포함하여 계산이 복잡합니다. 이를 해결하기 위해 **예측 전용 (prediction-only) 확장 칼만 필터 (eKF)**를 기반으로 한 결정론적 대리 비용 함수를 유도했습니다.
- 이 대리 모델은 제어 입력이 공분산 동역학에 미치는 영향을 고려하여, 추정 오차를 줄이기 위한 '탐색 (probing)' 행동을 자연스럽게 유도합니다.
모델 예측 제어 (MPC) 프레임워크:
- 유도된 비용 함수와 비선형 동역학 제약 조건을 기반으로 비선형 MPC 문제를 구성했습니다.
- 계산 효율성을 위해 상태 및 공분산 동역학의 국소 선형화 (Local Linearization) 를 수행하여, 비선형 최적화 문제를 효율적으로 해결할 수 있는 알고리즘 (Algorithm 1) 을 제안했습니다.

3. 주요 기여 (Key Contributions)

이론적 증명: OCV 함수의 비선형성으로 인해 배터리 관리 문제가 확률론적 최적 제어의 범주에 속하며, 비용 함수가 상태의 평균과 공분산으로 정확히 매개변수화될 수 있음을 보였습니다.
계산 가능 알고리즘: 확률론적 비용을 MPC 로 풀 수 있는 결정론적 대리 모델을 유도하고, 이를 효율적으로 해결하는 선형화 기반 알고리즘을 개발했습니다.
성능 검증: 9 개 배터리 시스템 시뮬레이션을 통해 제안된 방법이 기존 확정성 등가 선형 MPC 대비 추적 비용 20% 감소 및 추정 오차 30% 감소를 달성함을 입증했습니다.
필터 독립성 (Filter Independence): 제안된 방법의 이점이 특정 상태 추정기에 국한되지 않음을 보였습니다. 확장 칼만 필터 (eKF), 무향 칼만 필터 (uKF), 이동 시간 창 추정기 (MHE) 등 다양한 추정기를 사용했을 때 일관된 성능 향상을 확인했습니다.

4. 실험 결과 (Results)

시뮬레이션 설정: 9 개의 배터리 (서로 다른 3 가지 화학 물질의 OCV-SOC 곡선 혼합) 를 사용하여 시간에 따라 변하는 전력 수요 (피크 셰이빙/밸리 필링 시나리오) 를 추적하는 시뮬레이션을 수행했습니다.
성능 비교 (100 회 시뮬레이션 평균):
- 총 비용 (Total Cost): 기존 선형 MPC 대비 17.8% 감소 (1.59 → 1.31).
- 추적 비용 (Tracking Cost): 28.4% 감소.
- 추정 오차 (Estimation Error):
  - eKF: 17.8% 감소
  - uKF: 10.3% 감소
  - MHE: 8.5% 감소
- 공분산 트레이스 (Covariance Trace): 추정 불확실성이 50.0% 감소하여 시스템이 관측성이 높은 영역으로 효과적으로 유도되었음을 보여줍니다.
계산 효율성: 제안된 알고리즘은 시뮬레이션 중 약 77Hz의 제어 주파수를 유지하여, 배터리 시스템의 일반적인 제어 주기 (수 시간 단위) 에 충분히 빠르며 확장성이 있음을 확인했습니다.

5. 의의 및 결론 (Significance and Conclusion)

이중 제어의 실용적 적용: 이 연구는 이론적으로 잘 알려져 있던 '이중 제어 (Dual Control)' 개념을 실제 배터리 관리 시스템에 성공적으로 적용하여, 제어와 추정이 상호 의존적임을 입증했습니다.
안전성 및 효율성 동시 개선: 단순히 추정을 개선하는 것을 넘어, 추정 정확도를 높이는 방향으로 시스템을 유도함으로써 오히려 제어 성능 (에너지 추적 정확도) 도 함께 향상시켰습니다. 이는 배터리 수명 연장과 안전한 운영에 기여합니다.
차별점: 기존 연구들이 모델 정교화나 관측기 설계에만 집중했다면, 본 논문은 제어 입력 자체를 통해 관측 가능성을 최적화하는 새로운 패러다임을 제시했습니다.
향후 과제: 더 정교한 배터리 모델 적용, 주파수 조정 (frequency regulation) 등 그리드 수준의 목표 확장, 그리고 다양한 베이지안 필터와의 결합 연구가 필요하다고 결론지었습니다.

이 논문은 배터리 관리 시스템의 설계 철학을 '분리된 제어와 추정'에서 '통합된 확률론적 최적 제어'로 전환함으로써, 차세대 에너지 저장 시스템의 성능과 안전성을 획기적으로 개선할 수 있는 가능성을 제시합니다.