시뮬레이션은 거의 모든 분야에서 효과적입니다. 배터리에서는 그렇지 않았습니다.

동일한 모델이 학습 데이터 소스로 활용됩니다.

데이터 기반 알고리즘의 성능은 학습에 사용된 데이터의 품질에 달려 있습니다. 배터리 학습 데이터에는 특수한 문제가 있습니다. 신규 셀과 노화된 셀 전반에 걸쳐, 그리고 사용하는 모든 셀 유형에 대해, 주어진 시간 내에 테스트 캠페인으로는 도달할 수 없는 운전 조건을 포괄해야 합니다. 실제로 데이터가 필요한 시점에 해당 실험을 수행하는 것은 비용이 많이 들고, 시간이 오래 걸리며, 대부분의 경우 불가능합니다.

검증된 물리 기반 모델은 이러한 제약을 제거합니다. 자동화 백엔드 내에서 수 초 만에 실행되므로 수천 개의 학습 프로파일을 하룻밤 사이에 생성할 수 있습니다. 또한 모델이 물리 기반이기 때문에 실제 셀에서는 얻을 수 없는 내부 물리량을 제공합니다. 이를 통해 알고리즘을 자체 학습 데이터가 아닌 물리 법칙에 근거하여 검증할 수 있습니다. 모델 라이브러리를 활용하면 처음부터 모든 셀 유형에 걸쳐 일관된 학습 기반을 유지할 수 있습니다.

이 과정에서 일반적으로 제기되는 질문들 — 극한 조건에서의 충전 상태, 건강 상태, 추정기의 일반화 가능 여부 — BMS 페이지에서 확인하십시오 →