WO2024043701A1 - 충전소 측 현장 데이터를 이용하는 수소 충전 테스트 방법 및 시스템 - Google Patents

충전소 측 현장 데이터를 이용하는 수소 충전 테스트 방법 및 시스템 Download PDF

Info

Publication number
WO2024043701A1
WO2024043701A1 PCT/KR2023/012507 KR2023012507W WO2024043701A1 WO 2024043701 A1 WO2024043701 A1 WO 2024043701A1 KR 2023012507 W KR2023012507 W KR 2023012507W WO 2024043701 A1 WO2024043701 A1 WO 2024043701A1
Authority
WO
WIPO (PCT)
Prior art keywords
hydrogen
dispenser
station
state
model
Prior art date
Application number
PCT/KR2023/012507
Other languages
English (en)
French (fr)
Inventor
박철우
정용호
김헌창
Original Assignee
현대자동차주식회사
기아 주식회사
호서대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 현대자동차주식회사, 기아 주식회사, 호서대학교 산학협력단 filed Critical 현대자동차주식회사
Publication of WO2024043701A1 publication Critical patent/WO2024043701A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3457—Performance evaluation by simulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C13/00—Details of vessels or of the filling or discharging of vessels
    • F17C13/02—Special adaptations of indicating, measuring, or monitoring equipment
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C5/00—Methods or apparatus for filling containers with liquefied, solidified, or compressed gases under pressures
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C5/00—Methods or apparatus for filling containers with liquefied, solidified, or compressed gases under pressures
    • F17C5/002—Automated filling apparatus
    • F17C5/007—Automated filling apparatus for individual gas tanks or containers, e.g. in vehicles
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C5/00—Methods or apparatus for filling containers with liquefied, solidified, or compressed gases under pressures
    • F17C5/06—Methods or apparatus for filling containers with liquefied, solidified, or compressed gases under pressures for filling with compressed gases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C2221/00—Handled fluid, in particular type of fluid
    • F17C2221/01—Pure fluids
    • F17C2221/012—Hydrogen
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C2265/00—Effects achieved by gas storage or gas handling
    • F17C2265/06—Fluid distribution
    • F17C2265/065—Fluid distribution for refueling vehicle fuel tanks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C2270/00—Applications
    • F17C2270/01—Applications for fluid transport or storage
    • F17C2270/0134—Applications for fluid transport or storage placed above the ground
    • F17C2270/0139—Fuel stations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/805—Real-time
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/32—Hydrogen storage

Definitions

  • the present invention relates to control technology for hydrogen fueling/supply of hydrogen vehicles, and more specifically, to a hydrogen charging process that increases the efficiency of hydrogen fueling/supply and increases the speed and real-time of charging/supply, and the process. It is about a testing platform for
  • a hydrogen vehicle, hydrogen electric vehicle, or fuel cell electric vehicle (FCEV) refers to a non-polluting vehicle that runs on electrical energy generated when high-pressure hydrogen stored in the vehicle meets atmospheric air.
  • Hydrogen vehicles are a concept that includes not only hydrogen electric vehicles or fuel cell vehicles that use a fuel cell system using hydrogen as an energy source, but also all mobility that produces power using an ICE (Internal Combustion Engine) that uses hydrogen as a fuel.
  • ICE Internal Combustion Engine
  • hydrogen electric vehicles not only emit pure water (H2O) during the process of generating electricity, but also have the function of removing ultrafine dust in the air while driving, so they are attracting attention as future eco-friendly mobility. Since hydrogen, a fuel, is infinite on Earth and the energy production process is eco-friendly, it is widely spotlighted as a technology with the potential to be utilized across industries.
  • H2O pure water
  • Hydrogen electric vehicles deliver high-pressure hydrogen safely stored in a hydrogen fuel tank and oxygen introduced through an air supply system to the fuel cell stack, and produce electrical energy by causing an electrochemical reaction between hydrogen and oxygen.
  • the electrical energy produced is converted into kinetic energy through the drive motor to move the hydrogen electric vehicle, and a running hydrogen electric vehicle has the advantage of discharging only pure water through the exhaust port.
  • the fuel cell system replaces the engine of an internal combustion engine vehicle and provides power to a hydrogen electric vehicle.
  • a fuel cell is a device that generates the electrical energy needed for operation, and is also called a ‘tertiary battery’.
  • Fuel cells convert thermal energy into electrical energy using electrochemical reactions between oxygen and hydrogen. The electrical energy generated at this time is the result of a pure chemical reaction and, unlike fossil fuels, does not generate exhaust gases such as carbon dioxide.
  • the components that produce power using fuel cells in hydrogen electric vehicles include a fuel cell stack, hydrogen supply system, air supply system, and heat management system. Includes.
  • the hydrogen supply system plays the role of changing the hydrogen safely stored in the hydrogen tank from high pressure to low pressure and moving it to the fuel cell stack, and can also increase hydrogen supply efficiency through the recirculation line.
  • the thermal management system refers to a device that releases heat generated when a fuel cell stack undergoes an electrochemical reaction to the outside and circulates cooling water to maintain a constant temperature of the fuel cell stack. Thermal management systems can affect the output and lifespan of a fuel cell stack.
  • the concept of a hydrogen fueled car, rather than a hydrogen electric vehicle, is also a vehicle that uses hydrogen as fuel.
  • a hydrogen fueled car drives an electric motor with the heat generated by burning hydrogen directly in the engine.
  • the method of charging/supplying hydrogen for hydrogen fuel vehicles is not much different from the method of charging/supplying hydrogen for hydrogen electric vehicles.
  • the temperature (T) and pressure (P) of the compressed hydrogen storage system (CHSS) on the fuel cell side are ultimately controlled to ensure safety.
  • the goal is to control it to operate under critical temperature/pressure conditions.
  • the hydrogen charging/supply process, control technique, and protocol for the conventional hydrogen electric vehicle were stipulated in the past when wired/wireless communication technology or computing techniques for control were not mature, resulting in the recently achieved information and communication technology (ICT). is not being reflected as much as possible.
  • ICT information and communication technology
  • the purpose of the present invention to solve the above problems is to safely charge/supply hydrogen fuel while improving the efficiency of the hydrogen charging/supplying process and to improve the speed and real-time of the hydrogen charging/supplying process.
  • the purpose of the present invention is to propose a test method and test platform that can precisely model the hydrogen charging/supply process based on real-time on-site dynamic data.
  • the purpose of the present invention is to precisely control the hydrogen charging/supply process by considering the difference between modeling and simulation results by a theoretical model and real-time field data, or by considering both modeling and simulation results and real-time field data.
  • the goal is to propose a test method and test platform that provides a model that can be tested.
  • the hydrogen fueling test method for achieving the above object is a hydrogen fueling test method for a hydrogen vehicle, supplying hydrogen from a dispenser to a hydrogen fueled vehicle, the station transmitting to the station a control request including conditions for supplying hydrogen from to the dispenser; As feedback corresponding to the control request, obtaining on-site data of changes in the state of hydrogen supplied from the station to the dispenser; and responding to control requests. and updating a model for changes in the state of hydrogen supplied from the station to the dispenser in response to the control request based on field data of changes in the state of hydrogen supplied from the station to the dispenser.
  • the hydrogen charging test method is a simulation result of a change in the state of hydrogen supplied from a station corresponding to a control request and field data of a change in the state of hydrogen supplied from the station to the dispenser.
  • a step of obtaining the difference may be further included.
  • the model can be updated for changes in the state of hydrogen supplied to the dispenser from the station responding to the control request based on differences between simulation results and field data.
  • the hydrogen charging test method uses a thermodynamic model to track transient changes in at least one of the temperature, pressure, and mass flow of hydrogen supplied from the station to the dispenser, and detects the station corresponding to the control request. It may further include obtaining simulation results for changes in the state of hydrogen supplied from to the dispenser.
  • the model for the change in the state of hydrogen supplied from the station corresponding to the control request receives the control request and the state information of the hydrogen supplied from the station to the dispenser and predicts the change in the state of hydrogen supplied from the station to the dispenser.
  • the function may be a trained model.
  • the model for the change in the state of hydrogen supplied to the dispenser from the station corresponding to the control request is the target state of the state of hydrogen supplied to the dispenser from the station where the control request is targeted and from the station to the dispenser according to each hydrogen charging protocol.
  • the model may be trained to predict changes in the state of supplied hydrogen.
  • the model may be an artificial neural network model.
  • control requests and status information of hydrogen supplied from the station to the dispenser are input, and field data of changes in the state of hydrogen supplied from the station to the dispenser are used as ground truth data to update information from the station to the dispenser.
  • Parameters within the model can be updated by training a function to predict changes in the state of the supplied hydrogen.
  • the model may be a trained model that receives control requests, the state of hydrogen supplied from the current station to the dispenser, and ambient temperature, and predicts changes in the state of hydrogen supplied from the future station to the dispenser.
  • the model may be a model trained to predict changes in the state of hydrogen supplied from the station to the dispenser using a model prediction control technique.
  • the model replaces the station side and replaces the station side with the hydrogen car that receives hydrogen from the dispenser and the hydrogen car that corresponds to the second control request between the dispenser. It may further include acquiring at least one of simulation data and field data of changes in the state of hydrogen in the vehicle tank.
  • the control request may include a control request for at least one of the temperature and pressure of hydrogen supplied from the station to the dispenser.
  • Changes in the state of hydrogen supplied from the station to the dispenser may include at least one of temperature and pressure.
  • a hydrogen fueling test device is a hydrogen fueling test device for a hydrogen vehicle that supplies hydrogen from a dispenser to a hydrogen fueled vehicle, and supplies hydrogen from a station to a dispenser.
  • a communication interface that transmits a control request including conditions to the station and receives on-site data of changes in the state of hydrogen supplied from the station to the dispenser as feedback corresponding to the control request; and responding to control requests. It includes a controller that updates a model for changes in the state of hydrogen supplied from the station to the dispenser in response to control requests based on field data of changes in the state of hydrogen supplied from the station to the dispenser.
  • the controller may obtain the difference between simulation results of changes in the state of hydrogen supplied from the station corresponding to the control request and field data of changes in the state of hydrogen supplied from the station to the dispenser.
  • the controller can update the model for changes in the state of hydrogen supplied to the dispenser from the station in response to the control request based on differences between simulation results and field data.
  • the controller uses a thermodynamic model to track transient changes in at least one of the temperature, pressure, and mass flow of hydrogen supplied from the station to the dispenser, and monitors changes in the state of hydrogen supplied from the station to the dispenser corresponding to the control request. Simulation results can be obtained.
  • the model for the change in the state of hydrogen supplied to the dispenser from the station corresponding to the control request receives the control request and the state information of the hydrogen supplied from the station to the dispenser and calculates the change in the state of hydrogen supplied from the station to the dispenser.
  • the predictive function may be a trained model.
  • the model for the change in the state of hydrogen supplied to the dispenser from the station corresponding to the control request is the target state of the state of hydrogen supplied to the dispenser from the station where the control request is targeted and from the station to the dispenser according to each hydrogen charging protocol.
  • the model may be trained to predict changes in the state of supplied hydrogen.
  • the model may be an artificial neural network model.
  • the controller receives control requests and status information of hydrogen supplied from the station to the dispenser, and uses field data of changes in the state of hydrogen supplied from the station to the dispenser as ground truth data to determine the status of hydrogen supplied from the station to the dispenser. Parameters within the model can be updated by training a function that predicts changes in .
  • the model may be a model trained to predict changes in the state of hydrogen supplied from the station to the dispenser using a model prediction control technique.
  • the model replaces the station side and simulates changes in the state of hydrogen in the vehicle tank of the hydrogen car in response to a second control request between the hydrogen car and the dispenser that receives hydrogen from the dispenser. At least one of data and field data can be obtained.
  • the control request may include a control request for at least one of the temperature and pressure of hydrogen supplied from the station to the dispenser.
  • Changes in the state of hydrogen supplied from the station to the dispenser may include at least one of temperature and pressure.
  • a test method and test platform that can precisely model the hydrogen charging/supply process based on real-time on-site dynamic data can be implemented.
  • the hydrogen charging/supply process is performed by considering the difference between modeling and simulation results by a theoretical model and real-time field data, or by considering both modeling and simulation results and real-time field data.
  • Test methods and test platforms can be implemented that provide models that can be precisely controlled.
  • a test technique for hydrogen charging control that ensures real-time based on model predictive control (MPC) can be implemented.
  • MPC model predictive control
  • a test technique for control with improved prediction accuracy of hydrogen charging results based on an artificial neural network (ANN) model can be implemented.
  • ANN artificial neural network
  • Figure 1 is a conceptual diagram illustrating an example of a hydrogen charging process for a hydrogen fueled mobility/vehicle to which an embodiment of the present invention is applied.
  • Figure 2 is a conceptual diagram illustrating an example of a state change that occurs during a hydrogen charging process for a hydrogen car to which an embodiment of the present invention is applied.
  • Figure 3 is a conceptual diagram showing a hydrogen charging test platform according to an embodiment of the present invention.
  • FIG. 4 is a block diagram showing part of the structure of FIG. 3 in detail.
  • Figure 5 is a conceptual diagram showing a hydrogen charging test platform according to an embodiment of the present invention.
  • FIG. 6 is a block diagram showing part of the configuration of FIG. 5 in detail.
  • Figure 7 is an operational flow chart showing a hydrogen charging test method according to an embodiment of the present invention.
  • Figure 8 is a logical flow chart showing the process from the theoretical concept of the hydrogen charging process to forming a test platform according to an embodiment of the present invention.
  • FIG. 9 is a conceptual diagram illustrating a configuration for actively/passively adjusting the temperature of a hydrogen tank of a hydrogen car during a hydrogen charging process for a hydrogen car to which an embodiment of the present invention is applied.
  • FIG. 10 is an operational flowchart showing the cooling load (CL, Cooling Load) determination process based on FIG. 9.
  • FIG 11 is a conceptual diagram illustrating the concept of an artificial neural network (ANN) for controlling hydrogen charging for a hydrogen car according to an embodiment of the present invention.
  • ANN artificial neural network
  • Figure 12 is an operational flowchart showing the training process of an artificial neural network for hydrogen charging control according to an embodiment of the present invention.
  • FIG. 13 is a conceptual diagram illustrating part of the process of FIG. 12 in detail.
  • FIG. 14 is a conceptual diagram illustrating part of the process of FIG. 12 in detail.
  • FIG. 15 is a conceptual diagram illustrating an example of a generalized hydrogen charge control device, hydrogen charge control system, hydrogen charge test platform, hydrogen charge test system, or computing system capable of performing at least a portion of the processes of FIGS. 1 to 14.
  • first, second, A, B, etc. may be used to describe various components, but the components should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another.
  • a first component may be named a second component, and similarly, the second component may also be named a first component without departing from the scope of the present invention.
  • the term “and/or” includes any of a plurality of related stated items or a combination of a plurality of related stated items.
  • “at least one of A and B” may mean “at least one of A or B” or “at least one of combinations of one or more of A and B.” Additionally, in embodiments of the present application, “one or more of A and B” may mean “one or more of A or B” or “one or more of combinations of one or more of A and B.”
  • Hydrogen vehicles generally include not only hydrogen electric vehicles or hydrogen fuel cell vehicles (FCEV, Fuel Cell Electric Vehicle) that use fuel cells, but also ICE (Internal Combustion Engine)-based vehicles that use hydrogen as fuel.
  • FCEV Fuel Cell Electric Vehicle
  • ICE Internal Combustion Engine
  • Hydrogen fluid fuel may include gaseous hydrogen fuel or liquid hydrogen fuel.
  • CHSS Compressed Hydrogen Storage System
  • the Pressure Relief Device is placed in the CHSS and is a device that can isolate stored hydrogen from the rest of the fuel system and the environment and, conversely, discharge hydrogen to the outside.
  • the hydrogen fueling process refers to the process of delivering high-pressure hydrogen from a hydrogen charging station and accumulating it in a hydrogen tank.
  • Pressure Ramp Rate is expressed in MPa/min and refers to the increase rate of pressure of CHSS.
  • Average Pressure Ramp Rate refers to the average value of the pressure increase rate from the beginning to the end of hydrogen fueling.
  • Pre-cooling refers to the process of cooling the hydrogen in a hydrogen charging station before charging.
  • the dispenser is a component that delivers pre-cooled hydrogen to CHSS.
  • a nozzle is connected to the hydrogen dispensing system of a hydrogen charging station and refers to a device that couples to the receptacle of a hydrogen electric vehicle and allows delivery of hydrogen fuel.
  • Figure 1 is a conceptual diagram illustrating an example of a hydrogen charging process for a hydrogen fueled mobility/vehicle to which an embodiment of the present invention is applied.
  • pre-cooled hydrogen gas from a hydrogen charging station (Station, 200) is supplied to a hydrogen vehicle (Hydrogen fueled mobility/vehicle, 300) through a dispenser (100).
  • a hydrogen charging process can be described by parameters including the average pressure increase rate (APRR).
  • APRR average pressure increase rate
  • hydrogen storage systems attached to vehicles can be largely divided into high-pressure hydrogen tanks, pressure control device high-pressure piping, and external frames.
  • High-pressure hydrogen tanks have been developed and commercialized with capacities ranging from tens to hundreds of liters, and for vehicles, small and lightweight storage tanks are connected in parallel to achieve high capacity.
  • the high-pressure hydrogen tank is widely known as the compressed hydrogen storage system (CHSS) 310, and in this specification, for convenience of explanation, the expression “tank” refers to the CHSS (310).
  • CHSS compressed hydrogen storage system
  • hydrogen storage is controlled using a boss unit that allows hydrogen gas to enter and exit the storage tank 310. Due to the nature of hydrogen injection and use not being possible at the same time, only one boss is used. Hydrogen storage is controlled by attaching valves, pressure reducing mechanisms, and sensors for various measurements.
  • control logic that follows the SAE J2601 (2020-05) standard.
  • methods for transmitting information from the vehicle 300 to the dispenser 100 include a communication method and a non-communication method. Even when using communication, in the prior art, the temperature and pressure values of the vehicle storage tank 310 are simply transmitted to the dispenser 100 in one direction, and the dispenser 100 does not actively utilize the information, but only limits temperature and pressure. It is used as a safety standard such as emergency stop in.
  • All charging logic for safe and rapid charging is managed in the dispenser 100, and the vehicle storage tank 310 is automatically discharged under conditions such as overheating through the pressure relief device (PRD) 320 without an active safety management method. It has only minimal safety management devices to release hydrogen.
  • PRD pressure relief device
  • the charging station 200 includes a high-pressure hydrogen storage unit 220 and a pre-cooler 210.
  • the pre-cooler 210 supplies hydrogen gas to the hydrogen electric vehicle 300 via the dispenser 100 while lowering the temperature of the hydrogen gas through pre-cooling.
  • the charging control logic 110 inside the dispenser 100 actively controls the status of temperature, pressure, etc. received from the vehicle 300 and the charging station 200.
  • the hydrogen fueling process is controlled using state of charge information such as information and state of charge (SOC) of the CHSS 310.
  • the charging speed is controlled in real time using real-time temperature data of the vehicle storage tank 310, and is designed to operate at the highest charging speed that satisfies the conditions below the safety limit, Charging time can be reduced within the available range.
  • the charging protocol of the prior art has excessive pre-cooling and supply problems, as the boundary conditions for safety are excessively set, and the temperature of most storage tanks 310 is measured around 40 to 50°C at the time of completion of charging.
  • the operating efficiency of the hydrogen charging station 200 can be increased by optimizing the cooling load of the charging station 200 by actively adjusting the amount of pre-cooling required and provided.
  • the protocol of the prior art which is centered on lightweight hydrogen electric vehicles, has the problem of having to re-set all variables and reflect them in the standard when charging new mobility.
  • the ANN-based learnable charging logic is a control technique that updates the logic itself through a certain learning and training process when applying a new device, and can be widely applied to various mobility areas.
  • the only way to prevent overheating of the storage tank of the conventional hydrogen electric vehicle (300) is to release gas through a pressure relief device/PRD (Pressure Relief Device) (320) when the tank overheats above a certain temperature.
  • a pressure relief device/PRD Pressure Relief Device
  • the cooling system 330 which will be described later, is installed in the storage tank 310 itself to increase the charging speed and at the same time actively cope with overheating of the storage tank 310, thereby improving the hydrogen car 300. can improve safety.
  • the efficiency of the hydrogen charging/supplying process can be improved while safely charging/supplying hydrogen fuel, and the speed and real-time of the hydrogen charging/supplying process can be improved.
  • a hydrogen charging control technique that ensures real-time performance based on model predictive control (MPC) can be provided.
  • MPC model predictive control
  • a control technique with improved accuracy in predicting hydrogen charging results based on an artificial neural network (ANN) model can be provided.
  • the accuracy of prediction results can be improved by reflecting real-time measurements in an artificial neural network model using actual charging data along with theoretical simulation results.
  • the efficiency of hydrogen charging control can be improved by integrated management of actually measured data and state information predicted from the model using an intelligent meta system (IMS).
  • IMS intelligent meta system
  • the dispenser 100 is responsible for controlling between the vehicle 300 and the hydrogen charging station 200, and the dispenser 100 injects hydrogen into the vehicle 300 according to established protocols.
  • a protocol is installed to oversee the control.
  • An example of a protocol mounted on the dispenser 100 is a protocol based on the international standard SAE-J2601 (2020-05), which is also used in embodiments of the present invention to the extent that it meets the purpose of the present invention. The same applies.
  • thermodynamic modeling For the minimum requirements/requirements for safety, simulations are conducted through thermodynamic modeling for various situations, and the parameters derived through this are used to create a table-based single method, and Partial Real-Time Correction based on MC-formula is used.
  • Minimum requirements/requirements for safety include upper limits for temperature and pressure conditions of the CHSS 310, and guidelines for rate of charge (SOC).
  • Simulation can be performed through thermodynamic modeling using boundary conditions including best to worst cases.
  • the injection rate is predetermined assuming the worst expected boundary conditions (excessive boundary conditions), which causes unnecessary precooling and reduces the overall charging rate.
  • the injection rate is simply determined by the average pressure increase rate/average pressure ramp rate (APRR), which can be a factor that hinders active response to the situation. Unnecessary precooling can cause excessive energy and operating costs.
  • APRR average pressure increase rate/average pressure ramp rate
  • Thermodynamic models take a lot of time to derive the calculation results of mathematical equations, so they indirectly utilize variables derived through the model. Application is limited in cases where there are no pre-calculated variables, and flexibility such as detailed control of the method itself is limited. There is a problem of lack.
  • the table-based method of the prior art does not utilize the temperature of the pre-cooled hydrogen provided at the charging station 200 or the temperature of the storage tank 310 measured at the vehicle 300, so its efficiency is very low and it is flexible to changes in surrounding circumstances. There is a problem that is difficult to deal with.
  • the MC-Formula-based method of the prior art corrects the pre-cooling temperature in real time, but the calculation and application method is complex and there are limitations to the application target, making expansion difficult.
  • the characteristics of the present invention were derived to solve the problems of the prior art, and are characterized by reducing dependence on simulation and actively attempting to control state variables by reflecting real-time measurement data.
  • FIG. 2 is a conceptual diagram illustrating an example of a state change that occurs during a hydrogen charging process for a hydrogen car 300 to which an embodiment of the present invention is applied.
  • Temperature control in the hydrogen charging process is achieved by receiving pre-cooled hydrogen gas and controlling the internal temperature of the storage tank 310 to be 85°C or lower at the time of final charging completion.
  • the storage tank 310 is configured so that the heat transfer efficiency of the carbon fiber surrounding the dome and body of the tank 310 is low in order to block heat exchange between the external atmosphere and the internally stored hydrogen gas during driving.
  • the prior art does not include a separate cooling means other than receiving pre-cooled hydrogen gas from the charging station 200.
  • the hydrogen buffering time is managed by controlling the pre-cooling and hydrogen injection speed at the hydrogen charging station 200 to manage the temperature below 85°C, which is the upper limit of temperature management for the vehicle hydrogen storage tank.
  • 85°C 85°C
  • the storage tank 310 of the vehicle 300 There are no separate temperature control measures in place.
  • the characteristic curve of FIG. 2 is installed as a basic model, but unlike the prior art, Phase I
  • the operating load of the charging station 200 in the pre-cooling stage and the charging speed (pressure increase rate, PRR) control that occurs during the charging process of Phase II to Phase IV can be optimized, and optimal control conditions suitable for the actual environment can be derived.
  • FIG. 3 is a conceptual diagram showing a hydrogen charging test platform according to an embodiment of the present invention.
  • the vehicle part 300, the charging station part 200, and the dispenser part 100 are all simulation models.
  • a simulation model-centered embodiment is shown in FIG. 3, the spirit of the present invention is not limited to the embodiment of FIG. 3, and the vehicle part 300, the charging station part 200, and the dispenser part 100 are a simulation model, It may also be implemented by merging, combining, or competing between data-based models based on real-time on-site dynamic data.
  • FIG. 4 is a block diagram showing part of the structure of FIG. 3 in detail.
  • the pre-cooler 210 Temperature and pressure data may be output and transferred to the artificial neural network model 120 by the simulation or field data acquisition being considered.
  • the temperature drop signal may be regarded as a type of cooling load (CL).
  • the output predicted by the artificial neural network model 120 is transmitted to the supervisory system 130, and the supervisory system 130 performs precooling (Pre) as a control request and/or feedback control.
  • the target temperature of -cooling can be transmitted to the charging station part 200, or the temperature cooling signal of the CHSS 310 can be transmitted to the vehicle part 300 as a control request.
  • the supervisory system 130 of FIG. 4 may function as a type of controller that controls the hydrogen charging test process.
  • the supervisory system 130 of FIG. 4 is independent hardware or software mounted on the dispenser 100 is shown, but in another embodiment of the present invention, the supervisory system 130 performing a controller function is installed in the cloud, and /Or it may be implemented in the form of a remote server.
  • an embodiment centered on the artificial neural network model 120 is shown in the present application, other embodiments of the present invention do not need to be limited by the artificial neural network model 120 or the model predictive control technique.
  • real-time field data is fed back as a response after a control request and/or feedback control is delivered, and the control request and/or feedback control is updated based on the real-time field data, or the next control request is made. and/or feedback controls may be created.
  • a hydrogen charging protocol that does not rely on model predictive control or artificial neural network model 120, and a test method and test platform for testing a hydrogen charging system may be proposed.
  • a plurality of hydrogen storage cylinders may be placed in the charging station 200 and operated as a bank system.
  • Real-time field information requested by the dispenser 100 from the charging station 200 and received as feedback may include temperature and pressure information for each bank.
  • a plurality of banks may be switched and connected to the dispenser 100 according to the request of the dispenser 100 and/or the selection of the charging station 200.
  • the temperature and pressure information for each bank included in the real-time field information that the dispenser 100 requests from the charging station 200 and receives feedback may affect the selection and/or switching of the bank.
  • the state of at least one of the banks in the bank system may be adjusted based on the temperature and pressure information for each bank included in the real-time field information that the dispenser 100 requests and receives as feedback from the charging station 200.
  • At least one of the banks may be adjusted to have a chargeable temperature and pressure based on current state information about the banks in the charging station 200. Such adjustment may be performed at the request of the dispenser 100 or may be performed by the control logic of the charging station 200.
  • Figure 5 is a conceptual diagram showing a hydrogen charging test platform according to an embodiment of the present invention.
  • module C 160 may be disposed as a communication interface capable of performing two-way communication between the dispenser part 100 and the vehicle part 300. Additionally, module B 150 may be disposed as a communication interface capable of performing two-way communication between the dispenser part 100 and the charging station part 200.
  • the vehicle part 300 may function as a means of modulating and optimizing the temperature of the CHSS 310.
  • the charging station part 200 may function as a means for stabilizing and controlling the precooling temperature.
  • FIG. 6 is a block diagram showing part of the configuration of FIG. 5 in detail.
  • the supervisory system 130 of FIG. 6 may function as a type of controller that controls the hydrogen charging test process.
  • the predicted output of the artificial neural network model 120 may be transmitted to the supervisory system 130.
  • the supervisory system 130 may transmit a control request for the state of hydrogen in the vehicle tank of the hydrogen car 300 to the hydrogen car 300 via the communication interface module C 150.
  • a request to control the state of hydrogen in the vehicle tank of the hydrogen car 300 may be a temperature down request for the temperature of hydrogen in the vehicle tank. This temperature lowering control request may be provided as a temperature lowering signal.
  • the supervisory system 130 may transmit a request for control of the status of hydrogen supplied from the charging station 200 to the dispenser 100 to the charging station 200 via the communication interface module B 140.
  • a request to control the state of hydrogen supplied from the charging station 200 to the dispenser 100 may be a pre-cooling request.
  • the precooling request may include a precooling target temperature.
  • thermodynamic model such as H2FillS (Hydrogen Filling Simulation) can be used, for example.
  • the thermodynamic model tracks transient changes in at least one of hydrogen temperature, pressure, and mass flow when charging hydrogen to a hydrogen fueled vehicle/mobility and/or transient changes in the state of hydrogen in the vehicle tank. and may include models and/or software designed to do so.
  • the spirit of the present invention is not limited to embodiments of a specific thermodynamic model.
  • the hydrogen charging protocol may include, for example, the hydrogen charging protocol defined in SAE J2601.
  • SAE J2601 the hydrogen charging protocol defined in SAE J2601.
  • the spirit of the present invention is not limited to specific embodiments.
  • thermodynamic model may generate output data based on modeling and simulation when input data equivalent to that of an artificial neural network is input.
  • the variables of the thermodynamic model may be adjusted depending on the hydrogen charging protocol, and different output data may be derived for different hydrogen charging protocols for the same input data.
  • on-site data collected by a test platform is provided as input data and output data of the artificial neural network instead of input/output data of the thermodynamic model, so that the artificial neural network can be trained. That is, some of the field data collected by the test platform may be provided as input data to the artificial neural network, and another part may be provided as ground truth data corresponding to the output data of the artificial neural network.
  • the internal parameters of the artificial neural network may be trained without initialization, or may be initialized to a predetermined value and then trained based on field data. For example, based on a thermodynamic model, the input data and output data (ground truth data) of the artificial neural network may be given and initially learned, and the internal parameters of the artificial neural network may be initialized.
  • Learning of an artificial neural network does not necessarily have to be deep learning, but may also be shallow learning.
  • a test platform according to one embodiment of the present invention may rely on dynamic field data to optimize the hydrogen refueling process.
  • One embodiment of the present invention can predict the next state using an artificial neural network-based model predictive control (MPC) technique.
  • MPC model predictive control
  • the artificial neural network model can be learned using theoretical results, on-site data, or both.
  • module A 140 may perform the control process alone or proactively.
  • a learning model based on field data between the dispenser 100 and the vehicle 300 is used as a reference for the process between the dispenser 100 and the vehicle 300. It can function.
  • a learning model based on field data between the dispenser 100 and the charging station 200 is used as a reference for the process between the dispenser 100 and the charging station 200. It can function as.
  • Type and individual ID of dispenser 100 type and individual ID of charging station 200, type and individual ID of vehicle 300, control target state (temperature, pressure, SOC), initial state (temperature, pressure), hydrogen
  • control target state temperature, pressure, SOC
  • initial state temperature, pressure
  • hydrogen By collecting big data for each type of charging protocol and learning the test platform using dynamic changes in field data corresponding to each case, standardized items that can optimize and accurately describe the hydrogen charging process will be derived. You can.
  • the hydrogen fueling test device is a hydrogen fueling test device for the hydrogen fueled vehicle 300, which supplies hydrogen from the dispenser 100 to the hydrogen fueled vehicle 300.
  • a control request including conditions for supplying hydrogen from the station 200 to the dispenser 100 is transmitted to the station 200, and as feedback corresponding to the control request, hydrogen is supplied from the station 200 to the dispenser 100.
  • Communication interfaces 140, 150, 160 for receiving on-site data of changes in the state of hydrogen; and responding to control requests.
  • a model 120 for the change in the state of hydrogen supplied from the station 200 to the dispenser 100 in response to a control request based on field data of the change in the state of hydrogen supplied from the station 200 to the dispenser 100 includes a Supervisory system 130 or controller that updates the system.
  • the supervisory system 130 or controller simulates the change in the state of hydrogen supplied from the station 200 to the dispenser 100 in response to the control request and the state of the hydrogen supplied from the station 200 to the dispenser 100. Differences between changes in field data can be obtained.
  • Supervisory system 130 or controller may update model 120 for changes in the state of hydrogen supplied from station 200 to dispenser 100 in response to control requests based on differences between simulation results and field data. there is.
  • the supervisory system 130 or controller requests control using a thermodynamic model that tracks transient changes in at least one of the temperature, pressure, and mass flow of hydrogen supplied from the station 200 to the dispenser 100. Simulation results for changes in the state of hydrogen supplied from the corresponding station 200 to the dispenser 100 can be obtained.
  • the model 120 for changes in the state of hydrogen supplied from the station 200 to the dispenser 100 corresponding to the control request includes the control request and state information of the hydrogen supplied from the station 200 to the dispenser 100.
  • the model 120 may be trained to receive input and predict changes in the state of hydrogen supplied from the station 200 to the dispenser 100.
  • the model 120 for the change in the state of hydrogen supplied to the dispenser 100 from the station 200 corresponding to the control request is the state of hydrogen supplied to the dispenser 100 from the station 200 targeted by the control request.
  • the model 120 may be trained to predict changes in the state of hydrogen supplied from the station 200 to the dispenser 100 according to each target state and each hydrogen charging protocol.
  • Model 120 may be an artificial neural network model.
  • the supervisory system 130 or controller receives control requests and status information of hydrogen supplied from the station 200 to the dispenser 100 and monitors the site of changes in the status of hydrogen supplied from the station 200 to the dispenser 100. Parameters in the model 120 can be updated by using the data as ground truth data to train a function to predict changes in the state of hydrogen supplied from the station 200 to the dispenser 100.
  • the model 120 may be a model trained to predict changes in the state of hydrogen supplied from the station 200 to the dispenser 100 using a model prediction control technique.
  • Supervisory system 130 or controller after the step in which the model 120 is updated, the model 120 replaces the station 200 side and supplies hydrogen from the dispenser 100 to the hydrogen car 300 and the dispenser. At least one of simulation data and field data of a change in the state of hydrogen in the vehicle tank of the hydrogen car 300 corresponding to the second control request between the 100 and 300 may be obtained.
  • the control request may include a control request for at least one of the temperature and pressure of hydrogen supplied from the station 200 to the dispenser 100.
  • Changes in the state of hydrogen supplied from the station 200 to the dispenser 100 may include at least one of temperature and pressure.
  • the hydrogen charging process or hydrogen charging control technique of the prior art has a problem in that it is difficult to control the temperature/pressure of the final SOC, final nozzle, and CHSS (310) as desired.
  • theoretical simulation-based hydrogen charging techniques do not match actual field data due to pressure variability, unstable flow rate, and high environmental variability.
  • the final field data may vary depending on the initial value or final target value. Conversely, even if the same final target value or initial value is assumed, the final field data may vary due to different hydrogen charging protocols.
  • an embodiment of the present invention utilizes real-time field data, two-way communication between each device, predictive control techniques, integrated control of the entire system including stations and vehicles, and user requirements. Utilization and standardization of hydrogen charging data based on hydrogen can be adopted.
  • One embodiment of the present invention can perform comparative analysis between theoretical simulation results and real on-site data.
  • One embodiment of the present invention can perform predictive analysis under specific conditions in addition to the conditions assumed in the hydrogen charging protocol.
  • One embodiment of the present invention can improve the reliability of the hydrogen charging process by collecting and processing on-site hydrogen charging data.
  • Figure 7 is an operational flow chart showing a hydrogen charging test method according to an embodiment of the present invention.
  • the hydrogen fueling test method is a hydrogen fueling test method for a hydrogen vehicle, supplying hydrogen from a dispenser to a hydrogen fueled vehicle, and supplying hydrogen from a station to a dispenser.
  • field data on changes in the state of hydrogen supplied from the station to the dispenser may first be obtained at the station. That is, regardless of whether a control request is transmitted to the station, the station can obtain field data on changes in the state of hydrogen stored in the station and/or hydrogen supplied from the station to the dispenser.
  • the control request may include a field data request, and the station may obtain field data in response to the control request/field data request.
  • Acquisition of field data can be performed on the vehicle side in addition to the station, and similarly, field data on the vehicle side can be collected regardless of the control request, and the control request can be included in the control request/field data request on the vehicle side, including the field data request.
  • field data regarding the status of hydrogen in the vehicle tank may be obtained.
  • the hydrogen charging test method is a simulation result of a change in the state of hydrogen supplied from a station corresponding to a control request and field data of a change in the state of hydrogen supplied from the station to the dispenser.
  • a step of obtaining the difference may be further included.
  • the model for changes in the state of hydrogen supplied to the dispenser from the station corresponding to the control request may be updated based on the difference between the simulation results and field data.
  • the hydrogen charging test method uses a thermodynamic model to track transient changes in at least one of the temperature, pressure, and mass flow of hydrogen supplied from the station to the dispenser, and detects the station corresponding to the control request. It may further include obtaining simulation results for changes in the state of hydrogen supplied from to the dispenser.
  • the model for the change in the state of hydrogen supplied from the station corresponding to the control request receives the control request and the state information of the hydrogen supplied from the station to the dispenser and predicts the change in the state of hydrogen supplied from the station to the dispenser.
  • the function may be a trained model.
  • the model may be a trained model that receives control requests, the state of hydrogen supplied from the current station to the dispenser, and ambient temperature, and predicts changes in the state of hydrogen supplied from the future station to the dispenser.
  • the model for the change in the state of hydrogen supplied to the dispenser from the station corresponding to the control request is the target state of the state of hydrogen supplied to the dispenser from the station where the control request is targeted and from the station to the dispenser according to each hydrogen charging protocol.
  • the model may be trained to predict changes in the state of supplied hydrogen.
  • the model may be an artificial neural network model.
  • the control request and the status information of the hydrogen supplied from the station to the dispenser are input, and the field data of the change in the state of the hydrogen supplied from the station to the dispenser are used as ground truth data to update the station.
  • Parameters within the model can be updated by training a function that predicts changes in the state of hydrogen supplied to the dispenser.
  • the model may be a model trained to predict changes in the state of hydrogen supplied from the station to the dispenser using a model prediction control technique.
  • the model replaces the station side and responds to a second control request between the hydrogen car and the dispenser that receives hydrogen from the dispenser.
  • the method may further include acquiring at least one of simulation data and field data on changes in the state of hydrogen in a vehicle tank of a hydrogen car.
  • the control request may include a control request for at least one of the temperature and pressure of hydrogen supplied from the station to the dispenser.
  • Changes in the state of hydrogen supplied from the station to the dispenser may include at least one of temperature and pressure.
  • Figure 8 is a logical flow chart showing the process from the theoretical concept of the hydrogen charging process to forming a test platform according to an embodiment of the present invention.
  • CFD Computational Fluids Dynamics
  • Control logic information may be obtained (530).
  • a simulation model may be implemented (540).
  • Thermodynamics-based simulation models can be integrated into artificial neural network models (550).
  • a test platform can be implemented by injecting real-time field data into the integrated model (560).
  • FIG. 9 is a conceptual diagram illustrating a configuration for actively/passively adjusting the temperature of a hydrogen tank of a hydrogen car during a hydrogen charging process for a hydrogen car to which an embodiment of the present invention is applied.
  • the temperature adjustment of the hydrogen tank of the hydrogen car 300 may be performed passively by the pressure relief device/PRD 320 or actively by the cooling system 330.
  • actively performed by the cooling system 300 it is considered a cooling load and a control process for this is required.
  • FIG. 10 is an operational flowchart showing the cooling load (CL, Cooling Load) determination process based on FIG. 9.
  • the set temperature, tank temperature, and ambient temperature can be obtained from the hydrogen car 300 and peripheral devices (S610).
  • the cooling load can be controlled to the maximum (S660). If the ambient temperature is not higher than the set temperature, the cooling load can be controlled to zero (S650).
  • the threshold may be 10 degrees Celsius.
  • the threshold can be set by the user.
  • the cooling load can be controlled to the maximum (S660). If the tank temperature is not higher than the ambient temperature by a predetermined threshold, the cooling load may be controlled to zero (S650).
  • FIG. 11 is a conceptual diagram illustrating the concept of an artificial neural network (ANN) for controlling hydrogen charging for a hydrogen car 300 according to an embodiment of the present invention.
  • ANN artificial neural network
  • the ambient temperature (Tamb), the pre-cooled gas temperature (Tpre), and the pre-cooled gas pressure (Tpre) can be measured at the nozzle of the dispenser 100 or the charging station 200.
  • Hydrogen gas temperature Tgas and hydrogen gas pressure Pgas are values measured on the CHSS 310 side of the hydrogen car 300, and the actual measured values can be input to the input layer.
  • the current actually measured value is passed to the input layer, and the next measured value is passed to the output layer, so that it can be used as ground truth data in the learning process of the artificial neural network.
  • the learning process of the artificial neural network may be a process of learning a function that can predict the next measurement value of the output layer based on a combination of input measurement values. The correlation between data input to the input layer and data given to the output layer is learned, and through this, predictions can be made using real dynamic fueling data along with theoretical results.
  • the actually measured on-site measurement value is transmitted to the input layer, and a predicted value for the next measurement value can be obtained as an output from the operation of the artificial neural network.
  • the learning process of the artificial neural network used in the embodiments of the present invention may be either shallow learning or deep learning, and the artificial neural network may be a type of neural network that meets the purpose of the present invention among known neural networks.
  • Values input through the input layer are passed to the output layer through weight-based calculations in the hidden layer.
  • the state value (predicted value for the next state) output by the output layer may be used to calculate a state of charge variable, for example, rate of charge (SOC), using at least part of a thermodynamic model.
  • SOC rate of charge
  • hybrid control combining a theoretical simulation model and an artificial neural network is also possible, so that certain results can be achieved even through learning using a small amount of data, and a lightweight artificial neural network can also be used to meet the purpose of the present invention. performance can be derived.
  • the real-time pressure increase rate (PRR) or mass flow rate of compressed hydrogen (kg/s) m_dot derived from the feedback control process can affect the weights or parameters of the hidden layers of the artificial neural network.
  • the artificial neural network-based hydrogen charging technique of the present invention can improve the accuracy of predicting charging results through a model.
  • Actual charging data can be used along with theoretical simulation results, reflecting real-time measurements and further improving the accuracy of prediction results.
  • control protocol of the prior art calculates and predicts results through simulation suited to individual situations
  • embodiment of the present invention uses a process of improving accuracy through training repetition for various situations.
  • the accuracy gradually improves through updates as various theoretical values and empirical results are added, and even if a new charging process using a new storage tank 310 configuration or change in flow rate is introduced, the actual By adding and training data, the function can be updated in the model, making it widely applicable to various mobility fields.
  • Model Prediction Control may be used as a hydrogen charging control technique for the hydrogen charging test for the hydrogen car 300 according to an embodiment of the present invention.
  • future charging results are predicted from the hydrogen charging model and current measured values while the accuracy of the hydrogen charging model is secured to a significant level, and the hydrogen gas of the CHSS 310 is based on the predicted value and the charging value.
  • the pressure ramp/rate (PRR) can be controlled in real time to ensure that certain variables, such as the temperature Tgas or the pressure Pgas of hydrogen gas, reach the optimal charging target without violating constraints.
  • MPC-based control is used to calculate future output values based on current measured values and predicted values of the model, and manipulate the predicted future response to move to the setpoint (setpoint or target) in an optimal manner.
  • Variables operation parameter/variable
  • n model predictions can be derived at current time i. These n model-based predictions form the prediction horizon.
  • Each model-based forecast i.e., prediction horizon
  • n control commands/control actions required to make n model predictions can form a control horizon.
  • i+1 control action which is the first of n model prediction and control actions derived at current time i, may be delivered to the system.
  • new n model prediction and control actions are derived, forming a new Prediction Horizon and Control Horizon, respectively.
  • MPC The technique of controlling the system while expanding/moving the horizon in this way is called MPC, and in the embodiment of the present invention, the measured and predicted values for state information (state value) including the temperature and pressure of the hydrogen gas of the CHSS (310) MPC-based control can be executed using .
  • Figure 12 is an operational flowchart showing the training process of an artificial neural network for hydrogen charging control according to an embodiment of the present invention.
  • ANN-MPC artificial neural network-model predictive control
  • a control system can be configured based on the ANN model 120, and a real-time control system based on model predictive control can be configured by ensuring the accuracy of the ANN model 120. .
  • the real-time control system is a method of controlling the charging speed/pressure increase rate/pressure increase rate by predicting future charging results and comparing them with actual measured values.
  • the optimal value is achieved by separately setting restrictions, control time intervals, and sensitivities within the system logic. It can be controlled within.
  • optimal control is performed based on real-time data from the charging station 200 and the vehicle 300, but when a specific event situation occurs during the operation of the system, the pre-cooling temperature of the pre-cooler 210 and the cooling of the vehicle 300 are adjusted. By giving the ability to directly control the system, the overall efficiency of the hydrogen charging process can be increased.
  • the current SOC may be 50% and SOCsp may be 85%.
  • SOC(t) is given as a function of Tgas(t), and Pgas(t), and this process can be performed based on a general kinetic model.
  • Step S730 may be performed by generating an MPC prediction using an artificial neural network 120 or the like.
  • step S740 it can be determined whether the n predictions obtained are optimized and meet the intended purpose.
  • n predictions obtained are optimized predictions
  • a control command PRR(t) is obtained based on the n predictions and control commands, and PRR(t) can be applied to the dispenser 100 and the vehicle tank 310 (S750) .
  • step S720 Afterwards, time t is increased and new measured values Tgas(t) and Pgas(t) are obtained and passed to the input of step S720.
  • step S730 may be performed again to obtain new n prediction and control commands.
  • FIG. 13 is a conceptual diagram illustrating part of the process of FIG. 12 in detail.
  • step S730 of FIG. 12 state prediction values (T, P) that satisfy the temperature limit and pressure limit can be generated for all arbitrary i and k.
  • n state prediction values and corresponding control commands can be derived.
  • FIG. 14 is a conceptual diagram illustrating part of the process of FIG. 12 in detail.
  • step S740 of FIG. 12 can be understood as a process of searching for a set of n predictions that minimize a cost function indicating whether the final control goal, SOCsp, has been reached.
  • Figure 12 is a conceptual diagram illustrating a hydrogen charging control process based on artificial neural network-model prediction control according to an embodiment of the present invention.
  • the dispenser 100 may include hydrogen fueling control logic 110 and an artificial neural network model 120.
  • state measurement values including temperature and pressure of the CHSS 310 may be given as feedback input to the artificial neural network model 120.
  • state measurement values including the temperature and pressure of the pre-cooled hydrogen gas may be given as a feedback input to the artificial neural network model 120.
  • the artificial neural network model 120 transmits the predicted output to the hydrogen charging control logic 110, and the hydrogen charging control logic 110 artificially controls the future input. It can be input into the neural network model 120.
  • the ANN-MPC-based control process is a control technique that utilizes simulation and actual measurement data together, and is a control technique that performs at least a partial simulation using an artificial neural network model 120 and uses the predicted results in the control process.
  • the embodiment of the present invention aims to construct an integrated hydrogen charging control protocol based on real-time data, and the system is implemented by utilizing various element technologies.
  • the protocol mounted on the dispenser 100 uses the data of the pre-cooled hydrogen gas provided by the charging station 200 and the data of the storage tank 310 provided by the vehicle 300 as real-time input values, and charges by the mounted model.
  • Speed/pressure increase rate/pressure increase rate PRR or m_dot
  • PRR or m_dot Speed/pressure increase rate/pressure increase rate
  • the pre-cooling temperature of the charging station 200 and the cooling system of the vehicle 300 are directly controlled to control the overall charging speed/pressure increase rate/pressure increase rate (PRR or m_dot) and process efficiency. It can be controlled with .
  • a self-cooling stabilization system may be independently installed in the pre-cooling system/pre-cooler 210 of the hydrogen charging station 200.
  • the cooling stabilization system of the pre-cooler 210 can be independently controlled, and the control target value can be changed integrally in the protocol of the dispenser 100.
  • the pre-cooler 210 may be given additional functions related to temperature stabilization.
  • the pre-cooling temperature varies depending on the initial temperature and flow rate of the hydrogen gas supplied to the pre-cooler 210. To compensate for this, a new pre-cooler structure to stabilize the temperature is proposed as an embodiment of the present invention. .
  • the pre-cooler 210 may include control logic for its own temperature control and linkage with the protocol.
  • a forced cooling system can be installed in the storage tank 310 of the vehicle 300, and the charging speed can be improved by partially cooling the compression heat generated during hydrogen charging, and the forced cooling system of the storage tank 310 is operated. /Control can also be involved in the protocol.
  • a temperature management function may be provided to the storage tank 310 of the vehicle 300 to improve the hydrogen charging speed and complement the function of the integrated control protocol.
  • the vehicle storage tank 310 configures a self-cooling system to increase the overall charging speed and improve the safety of the vehicle 300, and controls for self-driving the system and linking with the protocol.
  • T40 where the pre-cooling temperature of the pre-cooler 210 is set to -40°C, the pre-cooling temperature has achieved the target value, but the outdoor temperature is higher than the set value and the temperature rise on the storage tank 310 side is larger than expected.
  • a control signal or current state information can be transmitted to the vehicle 300 / storage tank 310 so that the self-cooling system of the storage tank 310 can be operated.
  • the target value of the pre-cooling temperature can be adjusted (for example, -35°C). C).
  • control information or control commands may be transmitted from the dispenser 100 to both the vehicle 300 and the charging station 200.
  • the self-cooling systems of the vehicle 300 and the charging station 200 may be controlled independently or may be controlled by transmitting a signal from the dispenser 100.
  • the integrated control method for hydrogen charging according to an embodiment of the present invention may further include evaluating whether the current state measurement value satisfies constraints.
  • the constraint condition may be that the temperature and pressure of the compressed hydrogen storage system on the hydrogen vehicle side do not exceed the limit temperature and limit pressure, respectively.
  • a test method and test platform that can precisely model the hydrogen charging/supply process based on real-time on-site dynamic data can be implemented.
  • the hydrogen charging/supply process is performed by considering the difference between modeling and simulation results by a theoretical model and real-time field data, or by considering both modeling and simulation results and real-time field data.
  • Test methods and test platforms can be implemented that provide models that can be precisely controlled.
  • a test technique for hydrogen charging control that ensures real-time based on model predictive control (MPC) can be implemented.
  • MPC model predictive control
  • a test technique for control with improved prediction accuracy of hydrogen charging results based on an artificial neural network (ANN) model can be implemented.
  • ANN artificial neural network
  • FIG. 15 is a conceptual diagram illustrating an example of a generalized hydrogen charge control device, hydrogen charge control system, hydrogen charge test platform, hydrogen charge test system, or computing system capable of performing at least a portion of the processes of FIGS. 1 to 14.
  • a controller or supervisory system 130 that controls the hydrogen charging test process may be placed on the dispenser 100.
  • the communication interfaces 140, 150, and 160 that control the hydrogen charging test process are distributed in the dispenser 100, the hydrogen charging station 200, and the hydrogen car 300, or are disposed in at least a portion of the dispenser 100 and the hydrogen charging station. The operation of at least some of the 200 and the hydrogen car 300 can be controlled.
  • the controller or communication interface 140, 150, 160 constituting the hydrogen charging test platform and/or system may be implemented in the form of a computing system including a processor 1100 electronically connected to the memory 1200.
  • At least some processes of the hydrogen charging test method according to an embodiment of the present invention may be executed by the computing system 1000 of FIG. 15.
  • the computing system 1000 includes a processor 1100, a memory 1200, a communication interface 1300, a storage device 1400, an input interface 1500, and an output. It may be configured to include an interface 1600 and a bus 1700.
  • the computing system 1000 includes at least one processor 1100 and instructions instructing the at least one processor 1100 to perform at least one step. It may include a memory 1200 for storing. At least some steps of the method according to an embodiment of the present invention may be performed by the at least one processor 1100 loading instructions from the memory 1200 and executing them.
  • the processor 1100 may refer to a central processing unit (CPU), a graphics processing unit (GPU), or a dedicated processor on which methods according to embodiments of the present invention are performed.
  • CPU central processing unit
  • GPU graphics processing unit
  • dedicated processor on which methods according to embodiments of the present invention are performed.
  • Each of the memory 1200 and the storage device 1400 may be comprised of at least one of a volatile storage medium and a non-volatile storage medium.
  • the memory 1200 may be comprised of at least one of read only memory (ROM) and random access memory (RAM).
  • the computing system 1000 may include a communication interface 1300 that performs communication through a wireless network.
  • the computing system 1000 may further include a storage device 1400, an input interface 1500, an output interface 1600, etc.
  • each component included in the computing system 1000 may be connected by a bus 1700 and communicate with each other.
  • Examples of the computing system 1000 of the present invention include a communication capable desktop computer, laptop computer, laptop, smart phone, tablet PC, and mobile phone.
  • mobile phone mobile phone
  • smart watch smart glass
  • e-book reader PMP (portable multimedia player)
  • portable game console navigation device
  • digital camera digital camera
  • DMB digital
  • It may be a multimedia broadcasting player, digital audio recorder, digital audio player, digital video recorder, digital video player, PDA (Personal Digital Assistant), etc. .
  • Computer-readable recording media include all types of recording devices that store information that can be read by a computer system. Additionally, computer-readable recording media can be distributed across networked computer systems so that computer-readable programs or codes can be stored and executed in a distributed manner.
  • computer-readable recording media may include hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, etc.
  • Program instructions may include not only machine language code such as that created by a compiler, but also high-level language code that can be executed by a computer using an interpreter, etc.
  • a block or device corresponds to a method step or feature of a method step.
  • aspects described in the context of a method may also be represented by corresponding blocks or items or features of a corresponding device.
  • Some or all of the method steps may be performed by (or using) a hardware device, such as a microprocessor, programmable computer, or electronic circuit, for example. In some embodiments, at least one or more of the most important method steps may be performed by such an apparatus.
  • a programmable logic device e.g., a field programmable gate array
  • a field-programmable gate array may operate in conjunction with a microprocessor to perform one of the methods described herein. In general, the methods are preferably performed by some hardware device.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Fuel Cell (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Filling Or Discharging Of Gas Storage Vessels (AREA)

Abstract

본 발명의 일 실시예에 따른 방법은, 스테이션으로부터 디스펜서로 수소를 공급하는 조건을 포함하는 제어 요청을 스테이션으로 전달하는 단계; 제어 요청에 대응하는 피드백으로서, 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터(On-site data)를 획득하는 단계; 및 제어 요청에 대응하는. 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터에 기반하여 제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델을 업데이트하는 단계를 포함한다.

Description

충전소 측 현장 데이터를 이용하는 수소 충전 테스트 방법 및 시스템
본 발명은 수소차의 수소 충전(Fueling)/공급을 위한 제어 기술에 관한 것으로, 더욱 상세하게는 수소 충전/공급의 효율을 높이고 충전/공급의 속도 및 실시간성을 높이는 수소 충전 프로세스, 그 프로세스를 위한 테스트 플랫폼에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래 기술을 구성하는 것은 아니다.
수소차, 수소전기차 또는 연료전지차(FCEV, Fuel Cell Electric Vehicle)는 차량에 저장된 고압 수소와 대기 중 공기가 만나 생성된 전기에너지로 움직이는 무공해 자동차를 의미한다.
수소차는 수소를 에너지원으로 활용해 연료전지 시스템을 이용하는 수소전기차 또는 연료전지차 뿐만 아니라 수소를 연료로 이용하는 ICE (Internal Combustion Engine)를 이용하여 동력을 생산하여 움직이는 일체의 모빌리티를 포함하는 개념이다.
주지하는 바와 같이 수소전기차에서는 전기를 만드는 과정에서 순수한 물(H2O)만 배출할 뿐 아니라, 운행 중 대기에 있는 초미세먼지를 제거하는 기능이 있어 미래 친환경 모빌리티로 주목받고 있다. 연료인 수소가 지구상에 무한하다는 점과 에너지를 생산하는 과정이 친환경적이라는 점에서 산업 전반에 활용할 수 있는 잠재력을 갖춘 기술로 널리 각광받고 있다.
수소전기차는 수소연료탱크에 안전하게 보관된 고압 수소와 공기공급시스템을 통해 유입된 산소를 연료전지스택에 전달하고, 수소와 산소 간 전기화학 반응을 일으켜 전기에너지를 생산한다. 생산된 전기에너지는 구동모터를 통해 운동에너지로 전환되어 수소전기차를 움직이며, 주행 중인 수소전기차는 배기구를 통해 순수한 물 만을 배출하는 장점을 가진다.
연료전지시스템은 내연기관 자동차의 엔진을 대신하여 수소전기차의 동력을 부여하는 역할을 수행한다. 연료전지는 구동에 필요한 전기에너지를 만들어내는 장치로, '3차 전지'라고 불리기도 한다. 연료전지는 산소와 수소의 전화학 반응을 이용해 열에너지를 전기에너지로 변환시킨다. 이때 발생한 전기에너지는 순수한 화학 반응의 결과물로 화석 연료와 달리 이산화탄소 같은 배출가스를 발생시키지 않는다. 연료전지시스템은 연료나 재질에 따라 PEMFC, SOFC, MCFC 등의 다양한 종류가 존재하며, 수소전기차에서 연료전지를 이용하여 동력을 생산하는 구성은 연료전지스택, 수소공급시스템, 공기공급시스템 그리고 열관리시스템을 포함한다.
연료전지스택의 효율적인 전기에너지 생성을 위해서는 운전장치의 도움이 필요하다. 이 중 수소공급시스템은 수소탱크에 안전하게 보관된 수소를 고압 상태에서 저압 상태로 바꿔 연료전지스택으로 이동시키는 역할을 수행하며, 또한 재순환라인을 통해 수소 공급 효율성을 높일 수 있다.
열관리시스템은 연료전지스택이 전기화학 반응을 일으킬 때 발생하는 열을 외부로 방출시키고, 냉각수를 순환시켜 연료전지스택의 온도를 일정하게 유지하는 장치를 의미한다. 열관리시스템은 연료전지스택의 출력과 수명에 영향을 줄 수 있다.
수소전기차가 아닌 수소연료차(Hydrogen Fueled Car)의 개념 또한 수소를 연료로 사용하는 차량인데, 수소연료차는 수소를 엔진에서 직접 연소하여 발생하는 열로 전동기를 구동하는 방식이다. 수소연료차를 위해서 수소를 충전/공급하는 방식은 수소전기차를 위한 수소 충전/공급 방식과 크게 다르지 않다.
수소를 연료로 활용하는 차량에 수소를 충전/공급하기 위한 제어 기법에서는, 최종적으로 연료전지 측의 압축수소저장시스템(CHSS, Compressed Hydrogen Storage System)의 온도(T)와 압력(P)를 안전을 위한 한계 온도/압력 조건 하에서 동작하도록 제어하는 것을 목표로 한다.
종래의 수소전기차의 수소 충전/공급 프로세스, 제어 기법, 및 이를 위한 프로토콜은 과거 유/무선 통신 기술이나 제어를 위한 컴퓨팅 기법이 성숙하지 않았을 때 규정된 것이어서 최근 도달한 정보통신 기술(ICT)의 성과를 최대한 반영하지 못하고 있다.
또한 종래의 수소전기차의 수소 충전/공급 프로세스를 테스트하고 실시간 현장 (On-site) 데이터에 기반하여 검증하는 기술이 요구된다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 안전하게 수소 연료를 충전/공급하면서도 수소 충전/공급 과정의 효율을 향상시키고, 수소 충전/공급 과정의 속도 및 실시간성을 개선하는 것이다.
본 발명의 목적은 실시간 현장 다이나믹 데이터 (real-time on-site dynamic data)에 기반하여 수소 충전/공급 과정을 정교하게 모델링할 수 있는 테스트 방법 및 테스트 플랫폼을 제안하는 것이다.
본 발명의 목적은 이론적 모델(theoretical model)에 의한 모델링 및 시뮬레이션 결과와, 실시간 현장 데이터 간의 차이를 고려하여 또는 모델링 및 시뮬레이션 결과와 실시간 현장 데이터를 모두 고려하여 수소 충전/공급 과정을 정교하게 제어할 수 있는 모델을 제공하는 테스트 방법 및 테스트 플랫폼을 제안하는 것이다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 수소 충전 테스트 방법은, 디스펜서로부터 수소차(Hydrogen Fueled Vehicle)로 수소를 공급하는, 수소차를 위한 수소 충전(hydrogen fueling) 테스트 방법으로서, 스테이션으로부터 디스펜서로 수소를 공급하는 조건을 포함하는 제어 요청을 스테이션으로 전달하는 단계; 제어 요청에 대응하는 피드백으로서, 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터(On-site data)를 획득하는 단계; 및 제어 요청에 대응하는. 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터에 기반하여 제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델을 업데이트하는 단계를 포함한다.
본 발명의 일 실시예에 따른 수소 충전 테스트 방법은, 제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 시뮬레이션 결과 및 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터 간의 차이를 획득하는 단계를 더 포함할 수 있다.
모델을 업데이트하는 단계에서는, 시뮬레이션 결과 및 현장 데이터 간의 차이에 기반하여 제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델을 업데이트할 수 있다.
본 발명의 일 실시예에 따른 수소 충전 테스트 방법은, 스테이션으로부터 디스펜서로 공급되는 수소의 온도, 압력, 및 매스 플로우 중 적어도 하나 이상의 과도 변화를 추적하는 열역학적 모델을 이용하여, 제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 시뮬레이션 결과를 획득하는 단계를 더 포함할 수 있다.
제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델은, 제어 요청 및 스테이션으로부터 디스펜서로 공급되는 수소의 상태 정보를 입력받고 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델일 수 있다.
제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델은, 제어 요청이 목표하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 목표 상태 각각 및 수소 충전 프로토콜 각각에 따른 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델일 수 있다.
모델은 인공 신경망 모델일 수 있다. 이때 모델을 업데이트하는 단계에서는, 제어 요청 및 스테이션으로부터 디스펜서로 공급되는 수소의 상태 정보를 입력받고 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터를 그라운드 트루쓰 데이터로 이용하여 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능을 훈련함으로써 모델 내의 파라미터를 업데이트할 수 있다. 이때 모델은 제어 요청, 현재의 스테이션으로부터 디스펜서로 공급되는 수소의 상태, 및 주변 온도를 입력받고 미래의 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델일 수 있다.
모델은 모델 예측 제어 (Model Prediction Control) 기법을 이용하여 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델일 수 있다.
본 발명의 일 실시예에 따른 수소 충전 테스트 방법은, 모델을 업데이트하는 단계 이후에, 모델이 스테이션 측을 대체하여 디스펜서로부터 수소를 공급받는 수소차 및 디스펜서 간의 제2 제어 요청에 대응하는 수소차의 차량 탱크 내 수소의 상태의 변화의 시뮬레이션 데이터 및 현장 데이터 중 적어도 하나 이상을 획득하는 단계를 더 포함할 수 있다.
제어 요청은 스테이션으로부터 디스펜서로 공급되는 수소의 온도 및 압력 중 적어도 하나 이상에 대한 제어 요청을 포함할 수 있다.
스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화는, 온도, 및 압력 중 적어도 하나 이상을 포함할 수 있다.
본 발명의 일 실시예에 따른 수소 충전(hydrogen fueling) 테스트 장치는, 디스펜서로부터 수소차(Hydrogen Fueled Vehicle)로 수소를 공급하는, 수소차를 위한 수소 충전 테스트 장치로서, 스테이션으로부터 디스펜서로 수소를 공급하는 조건을 포함하는 제어 요청을 스테이션으로 전달하고, 제어 요청에 대응하는 피드백으로서, 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터(On-site data)를 수신하는 통신 인터페이스; 및 제어 요청에 대응하는. 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터에 기반하여 제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델을 업데이트하는 컨트롤러를 포함한다.
컨트롤러는 제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 시뮬레이션 결과 및 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터 간의 차이를 획득할 수 있다.
컨트롤러는 시뮬레이션 결과 및 현장 데이터 간의 차이에 기반하여 제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델을 업데이트할 수 있다.
컨트롤러는 스테이션으로부터 디스펜서로 공급되는 수소의 온도, 압력, 및 매스 플로우 중 적어도 하나 이상의 과도 변화를 추적하는 열역학적 모델을 이용하여, 제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 시뮬레이션 결과를 획득할 수 있다.
제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델은, 상기 제어 요청 및 스테이션으로부터 디스펜서로 공급되는 수소의 상태 정보를 입력받고 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델일 수 있다.
제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델은, 제어 요청이 목표하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 목표 상태 각각 및 수소 충전 프로토콜 각각에 따른 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델일 수 있다.
모델은 인공 신경망 모델일 수 있다. 컨트롤러는, 제어 요청 및 스테이션으로부터 디스펜서로 공급되는 수소의 상태 정보를 입력받고 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터를 그라운드 트루쓰 데이터로 이용하여 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능을 훈련함으로써 모델 내의 파라미터를 업데이트할 수 있다.
모델은 모델 예측 제어 (Model Prediction Control) 기법을 이용하여 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델일 수 있다.
컨트롤러는, 모델이 업데이트된 하는 단계 이후에, 모델이 스테이션 측을 대체하여 디스펜서로부터 수소를 공급받는 수소차 및 디스펜서 간의 제2 제어 요청에 대응하는 수소차의 차량 탱크 내 수소의 상태의 변화의 시뮬레이션 데이터 및 현장 데이터 중 적어도 하나 이상을 획득할 수 있다.
제어 요청은 스테이션으로부터 디스펜서로 공급되는 수소의 온도 및 압력 중 적어도 하나 이상에 대한 제어 요청을 포함할 수 있다.
스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화는, 온도, 및 압력 중 적어도 하나 이상을 포함할 수 있다.
본 발명의 일 실시예에 따르면, 안전하게 수소 연료를 충전/공급하면서도 수소 충전/공급 과정의 효율을 향상시키고, 수소 충전/공급 과정의 속도 및 실시간성을 개선할 수 있다.
본 발명의 일 실시예에 따르면, 실시간 현장 다이나믹 데이터 (real-time on-site dynamic data)에 기반하여 수소 충전/공급 과정을 정교하게 모델링할 수 있는 테스트 방법 및 테스트 플랫폼을 구현할 수 있다.
본 발명의 일 실시예에 따르면, 이론적 모델(theoretical model)에 의한 모델링 및 시뮬레이션 결과와, 실시간 현장 데이터 간의 차이를 고려하여 또는 모델링 및 시뮬레이션 결과와 실시간 현장 데이터를 모두 고려하여 수소 충전/공급 과정을 정교하게 제어할 수 있는 모델을 제공하는 테스트 방법 및 테스트 플랫폼을 구현할 수 있다.
본 발명의 일 실시예에 따르면, 모델 예측 제어(MPC) 기반의 실시간성이 확보된 수소 충전 제어를 위한 테스트 기법을 구현할 수 있다.
본 발명의 일 실시예에 따르면, 인공 신경망(ANN) 모델 기반의 수소 충전 결과 예측 정확도가 향상된 제어를 위한 테스트 기법을 구현할 수 있다.
도 1은 본 발명의 일 실시예가 적용되는 수소차(Hydrogen fueled mobility / vehicle)를 위한 수소 충전 과정의 일 예를 도시하는 개념도이다.
도 2는 본 발명의 일 실시예가 적용되는 수소차를 위한 수소 충전 과정에서 나타나는 상태 변화의 일 예를 도시하는 개념도이다.
도 3은 본 발명의 일 실시예에 따른 수소 충전 테스트 플랫폼을 도시하는 개념도이다.
도 4는 도 3의 구성의 일부를 상세히 도시하는 블록도이다.
도 5는 본 발명의 일 실시예에 따른 수소 충전 테스트 플랫폼을 도시하는 개념도이다.
도 6은 도 5의 구성의 일부를 상세히 도시하는 블록도이다.
도 7은 본 발명의 일 실시예에 따른 수소 충전 테스트 방법을 도시하는 동작 흐름도이다.
도 8은 본 발명의 일 실시예에 따른 수소 충전 과정의 이론적 컨셉으로부터 테스트 플랫폼 형성에 이르는 과정을 도시하는 논리적 흐름도이다.
도 9는 본 발명의 일 실시예가 적용되는 수소차를 위한 수소 충전 과정에서 수소차의 수소 탱크 온도 조정을 능동적/수동적으로 수행하는 구성을 도시하는 개념도이다.
도 10은 도 9에 기반한 냉각 부하 (CL, Cooling Load) 결정 과정을 도시하는 동작 흐름도이다.
도 11은 본 발명의 일 실시예에 따른 수소차를 위한 수소 충전 제어를 위한 인공 신경망(ANN, Artificial Neural Network)의 개념을 도시하는 개념도이다.
도 12는 본 발명의 일 실시예에 따른 수소 충전 제어를 위한 인공 신경망의 훈련 과정을 도시하는 동작 흐름도이다.
도 13은 도 12의 과정의 일부를 상세하게 도시하는 개념도이다.
도 14는 도 12의 과정의 일부를 상세하게 도시하는 개념도이다.
도 15는 도 1 내지 도 14의 과정의 적어도 일부를 수행할 수 있는 일반화된 수소 충전 제어 장치, 수소 충전 제어 시스템, 수소 충전 테스트 플랫폼, 수소 충전 테스트 시스템 또는 컴퓨팅 시스템의 예시를 도시하는 개념도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는"이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 출원의 실시예들에서, "A 및 B 중에서 적어도 하나"는 "A 또는 B 중에서 적어도 하나" 또는 "A 및 B 중 하나 이상의 조합들 중에서 적어도 하나"를 의미할 수 있다. 또한, 본 출원의 실시예들에서, "A 및 B 중에서 하나 이상"은 "A 또는 B 중에서 하나 이상" 또는 "A 및 B 중 하나 이상의 조합들 중에서 하나 이상"을 의미할 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 명세서에 사용되는 일부 용어를 정의하면 다음과 같다.
수소차는 일반적으로 연료전지를 이용하는 수소전기차 또는 수소연료전지차 (FCEV, Fuel Cell Electric Vehicle) 뿐만 아니라 수소를 연료로 이용하는 ICE (Internal Combustion Engine) 기반 차량을 모두 포함할 수 있다.
수소 유체 연료는 기체 수소 연료 또는 액체 수소 연료를 포함할 수 있다.
압축수소 저장시스템(CHSS, Compressed Hydrogen Storage System)은 차량 측의 일부로서 수소를 압축하여 저장하는 장치를 의미한다.
압력 배출 장치(PRD, Pressure Relief Device)는 CHSS에 배치되며 저장된 수소를 나머지 연료 시스템 및 환경으로부터 고립시킬(isolate) 수 있고, 반대로 수소를 외부로 배출시킬 수 있는 장치를 의미한다.
수소 충전(Fueling) 과정은 수소 충전소(Station)로부터 고압 수소를 전달하여 수소 탱크에 축적하는 과정을 의미한다.
압력 증가율(PRR, Pressure Ramp Rate)은 MPa/min 으로 나타내어지며 CHSS의 압력의 증가율을 의미한다.
평균 압력 증가율(APRR, Average Pressure Ramp Rate)은 수소 충전(fueling)의 시작부터 끝까지 압력 증가율의 평균값을 의미한다.
예냉(pre-cooling)은 수소 충전소의 수소를 충전 전에 미리 냉각시키는 과정을 의미한다.
디스펜서(dispenser)는 예냉된 수소를 CHSS로 전달하는 콤포넌트이다.
노즐(nozzle)은 수소 충전소의 수소 dispensing 시스템에 연결되며 수소 전기차의 리셉터클(receptacle)에 결합하고 수소 연료의 전달을 허용하는 장치를 의미한다.
한편 본 출원일 전에 공지된 기술이라 하더라도 필요 시 본 출원 발명의 구성의 일부로서 포함될 수 있으며, 이에 대해서는 본 발명의 취지를 흐리지 않는 범위 내에서 본 명세서에서 설명한다. 다만 본 출원 발명의 구성을 설명함에 있어, 본 출원일 전에 공지된 기술로서 당업자가 자명하게 이해할 수 있는 사항에 대한 자세한 설명은 본 발명의 취지를 흐릴 수 있으므로, 공지 기술에 대한 지나치게 자세한 사항의 설명은 생략한다. 예를 들어, 수소 충전 제어를 위하여 열역학적 모델(thermodynamic model)을 이용하는 기술, 일반화된 동역학적 제어를 위한 모델 예측 제어(MPC, model prediction control) 기법을 적용하는 기술, 인공 신경망의 훈련 및 추론을 위하여 인공 신경망을 구성하고 제어하는 기술 등은 본 발명의 출원 전 공지 기술을 이용할 수 있으며, 이들 공지 기술들 중 적어도 일부는 본 발명을 실시하는 데에 필요한 요소 기술로서 적용될 수 있다.
그러나 본 발명의 취지는 이들 공지 기술에 대한 권리를 주장하고자 하는 것이 아니며 공지 기술의 내용은 본 발명의 취지에 벗어나지 않는 범위 내에서 본 발명의 일부로서 포함될 수 있다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예가 적용되는 수소차(Hydrogen fueled mobility / vehicle)를 위한 수소 충전 과정의 일 예를 도시하는 개념도이다.
도 1을 참조하면 수소 충전소(Station, 200)로부터 예냉된 수소 가스가 디스펜서(100)를 거쳐 수소차(Hydrogen fueled mobility / vehicle, 300)로 공급된다. 이때 수소 충전 과정은 평균 압력 증가율(APRR)을 포함하는 파라미터에 의하여 기술될 수 있다.
일반적으로 차량에 부착된 수소저장시스템은 크게 고압수소탱크, 압력제어기구 고압배관 및 외부 프레임으로 구분될 수 있다. 고압수소탱크의 경우 수십 수백 리터의 용량으로 개발되어 상용화되어 있으며, 차량용의 경우 고용량을 위해서는 소형 및 경량 저장탱크를 병렬로 연결하여 활용하고 있다.
고압수소탱크는 압축수소 저장시스템(CHSS)(310)로 널리 알려져 있으며, 본 명세서에서는 설명의 편의상 "탱크"라는 표현은 CHSS(310)를 의미한다.
전형적인 수소저장시스템에서는 저장탱크(310)로 수소가스가 입출입할 수 있는 보스부(boss unit)를 활용하여 수소저장을 제어하고 있으며, 수소의 주입과 이용이 동시에 진행될 수 없는 특성상, 1곳의 보스부에 밸브 및 감압기구 및 각종 측정을 위한 센서들을 부착해서 수소저장을 제어하고 있다.
수소충전소(200)와 차량(300)의 인터페이스는 디스펜서(100)에서 담당하며, 이곳에서 차량저장탱크 정보와 충전소(200)의 연료공급 정보를 종합해서 타겟 압력과 주입속도 등을 제어하게 되며, 현재 사용되는 제어로직의 예시로는 SAE J2601(2020-05) 표준을 따르는 제어로직을 들 수 있다.
종래 기술에서 차량(300)에서 디스펜서(100)로 정보를 전달하는 방식은 Communication 방식과 비통신 방식인 Non-communication 방식이 있다. 통신을 이용하는 경우에도 종래 기술에서는 차량 저장탱크(310)의 온도 및 압력값들이 단순히 단방향으로 디스펜서(100)로 전달될 뿐이며, 디스펜서(100)에서도 해당 정보를 적극적으로 활용하지 않으며, 단지 한계 온도 압력에서의 비상 정지와 같은 안전기준으로 활용하고 있다.
안전하고 신속한 충전을 위한 충전로직은 모두 디스펜서(100)에서 관리되고 있으며, 차량저장탱크(310)는 능동적인 안전관리 방식 없이, 압력 배출 장치(PRD)(320)를 통해 과열 등의 조건에서 자동으로 수소를 방출하는 최소한의 안전관리 장치만을 가지고 있다.
도 2에서 후술될 수소 충전이 진행되는 동안 수소 가스의 온도가 상승하는 현상에 대응하기 위해, 충전소(200)는 고압 수소 저장부(220) 및 프리-쿨러(210)를 포함한다. 프리-쿨러(210)는 예냉(pre-cooling)을 통해 수소 가스의 온도를 낮춘 상태로 디스펜서(100)를 경유하여 수소전기차(300)에 수소 가스를 공급한다.
본 발명의 일 실시예에서는 종래 기술과 유사한 기본 구성을 이용하지만, 디스펜서(100) 내부의 충전 제어 로직(110)이 능동적으로 차량(300) 및 충전소(200)로부터 수신되는 온도, 압력 등의 상태 정보, CHSS(310)의 충전율(SOC, State of Charge) 등의 충전 상태 정보를 활용하여 수소 충전(hydrogen fueling) 과정을 제어한다.
본 발명의 일 실시예에 따르면, 차량 저장탱크(310)의 실시간 온도 데이터를 활용하여 실시간으로 충전 속도를 제어하는 방식으로, 안전 한계 이하의 조건을 만족하는 최고의 충전 속도로 운영되도록 설계되어 있어, 가용범위 안에서 충전 시간을 감축할 수 있다.
종래 기술의 충전 프로토콜은 안전을 위한 경계조건이 과도하게 설정되어 있어 충전 완료 시점에 대부분의 저장탱크(310) 온도가 40~50°C 전후로 측정되는 등 과도하게 예냉하여 공급하는 문제점이 있다.
본 발명의 일 실시예에 따르면, 예냉 필요량과 제공량을 능동적으로 조절하여 충전소(200)의 냉각 부하를 최적화하여 수소 충전소(200)의 운영 효율성을 증대시킬 수 있다.
경량 수소전기차 중심으로 설정된 종래 기술의 프로토콜은 신규 모빌리티 충전 시에는 모든 변수를 다시 설정하여 표준에 반영해야 하는 문제점을 가지고 있다.
본 발명의 일 실시예에 따르면, ANN 기반의 학습 가능한 충전 로직으로 신규 기기 적용 시 일정한 학습 및 훈련 과정을 거쳐 로직 자체를 업데이트하는 방식의 제어 기법으로 다양한 모빌리티 영역에 폭넓게 확대 적용할 수 있다.
종래 기술의 수소전기차(300)의 저장탱크 과열방지 대책은 일정 온도 이상으로 과열 시 압력배출장치/PRD (Pressure Relief Device)(320)를 통한 가스 방출이 유일하다.
본 발명의 일 실시예에 따르면, 저장탱크(310) 자체에 후술할 냉각시스템 (330)을 설치하여 충전속도를 증대시키는 동시에, 저장탱크(310) 과열에 능동적으로 대처할 수 있어 수소차(300)의 안전성을 향상시킬 수 있다.
본 발명의 일 실시예에 따르면, 안전하게 수소 연료를 충전/공급하면서도 수소 충전/공급 과정의 효율을 향상시킬 수 있고, 수소 충전/공급 과정의 속도 및 실시간성을 개선할 수 있다.
본 발명의 일 실시예에 따르면, 모델 예측 제어(MPC) 기반의 실시간성이 확보된 수소 충전 제어 기법을 제공할 수 있다.
본 발명의 일 실시예에 따르면, 인공 신경망(ANN) 모델 기반의 수소 충전 결과 예측 정확도가 향상된 제어 기법을 제공할 수 있다. 이론적 시뮬레이션 결과와 함께 실제 충전 데이터를 활용한 인공 신경망 모델에 실시간 측정값이 반영됨으로써 예측 결과의 정확도가 향상될 수 있다.
본 발명의 일 실시예에 따르면, 지능형 메타 시스템(IMS)을 이용하여 실제 측정되는 데이터와 모델로부터 예측되는 상태 정보를 통합 관리함으로써 수소 충전 제어의 효율을 향상시킬 수 있다.
전술한 바와 같이 종래 기술의 수소충전 프로세스는 차량(300)과 수소충전소(200) 간의 제어를 디스펜서(100)가 담당하고 있으며, 디스펜서(100)에는 정해진 규약에 따라서 수소를 차량(300)에 주입하는 방법인 프로토콜이 탑재되어 제어를 총괄하고 있다.
디스펜서(100)에 탑재되는 프로토콜의 예시로는 국제 표준인 SAE-J2601(2020-05)를 기반으로 하는 프로토콜을 들 수 있으며 이는 본 발명의 목적에 부합하는 범위 내에서 본 발명의 실시예에 있어서도 동일하게 적용된다.
안전을 위한 최소요구사항/요건(requirements)에 대해서, 다양한 상황에 대해서 열역학적인 모델링을 통한 시뮬레이션을 진행하고, 이를 통해 도출한 매개변수 등을 활용하여 Table-based 단일 주입 방식(single method), 및 MC-formula 기반 부분적인 실시간 보정 방식(Partial Real-Time Correction)이 이용된다.
안전을 위한 최소요구사항/요건은 CHSS(310)의 온도 및 압력 조건의 상한선과, 충전율(SOC)에 대한 가이드라인을 포함한다.
시뮬레이션은 Best ~ Worst Case를 포함하는 경계 조건(boundary condition)을 이용한 열역학적인 모델링을 통하여 수행될 수 있다.
이 같은 구성은 본 발명의 목적에 부합하는 범위 내에서 본 발명의 실시예의 구성에도 적용될 수 있다.
도 1의 구성을 따르더라도 디스펜서(100)에서 상태 값을 능동적으로 제어하지 않는 종래 기술에서는 다음의 문제점이 발견된다. 아래의 문제점은 단순한 열역학적 모델을 이용한 시뮬레이션에 의존하는 종래 기술에서도 마찬가지로 드러나고 있다.
예상되는 최악의 경계 조건(과도한 경계 조건)을 가정해 주입속도가 미리 결정되어 있어 불필요한 예냉이 이루어지고 전체 충전 속도가 떨어지는 문제가 있다. 이때 종래 기술에서 주입속도는 평균 압력 증가율/평균 압력 증가속도 (APRR, Average Pressure Ramp Rate)에 의하여 단순하게 결정되며, 이는 상황에 따른 능동적인 대응을 저해하는 요인이 될 수 있다. 불필요한 예냉은 과도한 에너지 비용, 및 운영 비용을 초래하는 요인이 될 수 있다.
시뮬레이션 기반 결과에 의존하므로 적용 가능한 저장탱크(310)의 용량이나 형태에 제한이 있으며, 신규 시스템의 경우 신규 개발 및 적용에 별도의 리소스를 필요로 하는 등, 적용 대상이 제한되는 문제가 있다.
열역학 모델은 수학식의 계산 결과 도출에 많은 시간이 소요되어 모델을 통해 도출된 변수 등을 간접적으로 활용하는 방식으로 미리 계산된 변수가 없는 경우에는 적용이 제한되며, 방식 자체의 세부조절 등 유연성이 부족한 문제가 있다.
종래 기술의 Table-based 방식은 충전소(200)에서 제공되는 예냉수소의 온도나, 차량(300)에서 측정되는 저장탱크(310)의 온도 등이 활용되지 않아 효율성이 매우 낮으며 주변 상황 변화에 유연하게 대처하기 어려운 문제가 있다.
종래 기술의 MC-Formula 기반 방식은 예냉 온도를 실시간으로 보정하지만 계산 및 적용 방식이 복잡하고 적용 대상에 한계가 있어 확장이 어려운 문제가 있다.
프로토콜이 안전한 충전 완료를 주요 목표로 개발되어 과도한 예냉이나 저장탱크(310)의 과열 등 돌발적 상황에 대해 적극적으로 제어할 수 있는 대안이 없고, 이로 인하여 과냉각에 의한 운영 비용 상승, 과열에 의한 충전 지연 등의 문제가 발생하고 있다.
본 발명의 특징은 종래 기술의 문제점을 해결하기 위하여 도출된 것으로, 시뮬레이션에 대한 의존도를 낮추고 실시간 측정 데이터를 반영하여 능동적으로 상태 변수의 제어를 시도하는 점에서 특징이 있다.
도 2는 본 발명의 일 실시예가 적용되는 수소차(300)를 위한 수소 충전 과정에서 나타나는 상태 변화의 일 예를 도시하는 개념도이다.
도 2를 참조하면, 수소저장탱크(310)에 수소가 주입될 경우 압축열에 의해 내부온도가 상승하며, 이로 인해 저장탱크(310) 내부의 수소 가스의 온도가 상승한다.
수소 충전 과정의 온도 제어는 예냉 수소 가스를 공급받아 최종 충전완료 시점에서, 저장탱크(310)의 내부 온도가 85°C 이하가 되도록 제어됨으로써 이루어진다.
저장탱크(310)는 주행 중에는 외부 대기와 내부 저장된 수소 가스 간의 열교환을 차단하기 위하여, 탱크(310)의 돔과 바디를 감싸는 탄소섬유의 열전달 효율이 낮도록 구성되어 있다.
충전 과정에서 저장탱크(310) 내부의 수소 가스의 온도가 상승할 때에는 이러한 저장탱크(310)의 낮은 열전달 특성으로 인하여 충전이 완료되는 시점까지 내부의 온도 상승에 비해 수소저장탱크(310) 표면에 드러나는 온도상승은 미약하다.
이러한 특성은 충전 시 발생하는 수소저장탱크(310) 내부의 급속한 온도 상승을 완화시킬 수 있는 외기와의 열교환이 거의 진행되지 않도록 차단하므로, 별도의 온도 관리 대책이 필요하다.
그러나 종래 기술은 충전소(200)로부터 미리 냉각시킨(예냉, pre-cooled) 수소 가스를 공급받는 것 외에는 별도의 냉각 수단을 포함하고 있지 않다.
수소완충시간은 차량 수소저장탱크의 온도관리 상한선인 85°C 이하 관리를 위해 수소 충전소(200)에서 예냉 및 수소주입속도를 제어함으로써 관리하고 있으나, 차량(300)의 저장탱크(310)에 대한 온도관리 대책은 별도로 존재하지 않는 상황이다.
이로 인해 특히 외기 온도가 높은 여름철의 경우 충전소(200)에서 차량저장탱크(310) 온도제어가 어려워 충전 지연과 같은 문제점이 발생하고 있다.
본 발명의 실시예에서는, 도 2의 특성 곡선을 기본 모델로서 탑재하되, 종래 기술과는 달리 주변의 실제 환경에서 나타나는 변수(외기 온도, 기압, 기상 조건 등)에 따른 실시간 데이터를 고려하여 Phase I. 예냉 단계의 충전소(200)의 동작 부하 및 Phase II ~ Phase IV의 충전 과정에서 발생하는 충전 속도 (압력 증가율, PRR) 제어를 최적화하고, 실제 환경에 적합한 최적의 제어 조건을 도출할 수 있다.
도 3은 본 발명의 일 실시예에 따른 수소 충전 테스트 플랫폼을 도시하는 개념도이다. 도 3을 참조하면 차량 파트 (300), 충전소 파트 (200), 및 디스펜서 파트 (100)가 모두 시뮬레이션 모델인 실시예가 도시된다. 도 3에서 시뮬레이션 모델 중심의 실시예가 도시되었지만 본 발명의 사상은 도 3의 실시예에만 국한되는 것은 아니고, 차량 파트 (300), 충전소 파트 (200), 및 디스펜서 파트 (100)는 시뮬레이션 모델과, 실시간 현장 다이나믹 데이터 (real-time on-site dynamic data)에 기반한 데이터 기반 모델 간의 병합, 결합, 또는 경합에 의하여 구현될 수도 있다.
도 4는 도 3의 구성의 일부를 상세히 도시하는 블록도이다.
도 3과 도 4를 함께 참조하면, 디스펜서 파트 (100)에서 제어 요청 및/또는 피드백 컨트롤로서 예냉 (Pre-cooling)의 목표 온도가 충전소 파트 (200)에 제공되면, 프리-쿨러 (210)가 고려되는 시뮬레이션 또는 현장 데이터의 획득에 의하여 온도 및 압력 데이터가 출력되어 인공 신경망 모델 (120)로 전달될 수 있다.
또한 디스펜서 파트 (100)에서 제어 요청으로서, CHSS (310)의 온도에 대한 강온 신호가 차량 파트 (300)로 제공되면, 냉각 시스템 (330)을 고려한 시뮬레이션 또는 현장 데이터의 획득에 의하여 온도 및 압력 데이터가 출력되어 인공 신경망 모델 (120)로 전달될 수 있다. 이때 차량 파트 (300)에서는 강온 신호는 일종의 냉각 부하 (CL, Cooling Load)로 간주될 수 있다.
도 4를 참조하면 디스펜서 파트 (100) 내에서는 인공신경망 모델 (120)에 의하여 예측된 출력이 Supervisory 시스템 (130)으로 전달되고, Supervisory 시스템 (130)은 제어 요청 및/또는 피드백 컨트롤로서 예냉 (Pre-cooling)의 목표 온도를 충전소 파트 (200)로 전달하거나, 제어 요청으로서 CHSS (310)의 강온 신호를 차량 파트 (300)로 전달할 수 있다.
이때 도 4의 Supervisory 시스템 (130)은 수소 충전 테스트 과정을 제어하는 일종의 컨트롤러로서 기능할 수 있다. 설명의 편의상 도 4의 Supervisory 시스템 (130)이 디스펜서(100)에 탑재된 독립적 하드웨어 또는 소프트웨어인 실시예가 도시되었지만, 본 발명의 다른 실시예에서는 컨트롤러 기능을 수행하는 Supervisory 시스템 (130)은 클라우드, 및/또는 원격 서버의 형태로 구현될 수도 있다.
또한 본 출원 명세서에서 인공신경망 모델 (120)을 중심으로 하는 실시예가 도시되었지만, 본 발명의 다른 실시예는 인공신경망 모델 (120) 또는 모델 예측 제어 기법에 의하여 한정될 필요는 없다. 본 발명의 다른 실시예에서는, 제어 요청 및/또는 피드백 컨트롤이 전달된 후 그 응답으로서 실시간 현장 데이터가 피드백되고, 실시간 현장 데이터에 기반하여 제어 요청 및/또는 피드백 컨트롤이 업데이트되거나, 또는 다음 제어 요청 및/또는 피드백 컨트롤이 생성될 수 있다. 본 발명의 일 실시예에 따르면, 모델 예측 제어 또는 인공신경망 모델 (120)에 의존하지 않는 수소 충전 프로토콜, 및 수소 충전 시스템을 테스트하는 테스트 방법 및 테스트 플랫폼이 제안될 수 있다.
충전소(200)에는 수소 저장 실린더가 복수 개 배치되어 뱅크 시스템으로서 운용될 수 있다. 디스펜서(100)가 충전소(200)에 요청하여 피드백 받는 실시간 현장 정보에 뱅크 별 온도와 압력 정보가 포함될 수 있다.
복수개의 뱅크는 디스펜서(100)의 요청 및/또는 충전소(200)의 선택에 따라 스위칭되어 디스펜서(100)와 연결될 수 있다. 이때 디스펜서(100)가 충전소(200)에 요청하여 피드백 받는 실시간 현장 정보에 포함되는 뱅크 별 온도와 압력 정보가 뱅크의 선택 및/또는 스위칭에 영향을 줄 수 있다.
이때 디스펜서(100)가 충전소(200)에 요청하여 피드백 받는 실시간 현장 정보에 포함되는 뱅크 별 온도와 압력 정보에 기반하여, 뱅크 시스템 내 뱅크들 중 적어도 하나 이상의 상태가 조정될 수 있다.
예를 들면 준비 단계로서 충전소(200) 내의 뱅크에 대한 현재 상태 정보에 기반하여 뱅크들 중 적어도 하나 이상이 충전 가능한 온도, 및 압력을 가지도록 조정될 수 있다. 이 같은 조정은 디스펜서(100)의 요청에 의하여 수행될 수도 있고, 충전소(200)의 제어 로직에 의하여 수행될 수도 있다.
도 5는 본 발명의 일 실시예에 따른 수소 충전 테스트 플랫폼을 도시하는 개념도이다.
도 5를 참조하면, 디스펜서 파트 (100) 및 차량 파트 (300) 간에 양방향 통신을 수행할 수 있는 통신 인터페이스로서 모듈 C (160)가 배치될 수 있다. 또한 디스펜서 파트 (100) 및 충전소 파트 (200) 간에 양방향 통신을 수행할 수 있는 통신 인터페이스로서 모듈 B (150)가 배치될 수 있다.
충전소 파트 (200)가 시뮬레이션 모델로서 기능할 때, 차량 파트 (300)는 CHSS (310)의 온도에 대한 모듈레이션 및 최적화 수단으로서 기능할 수 있다.
차량 파트 (300)가 시뮬레이션 모델로서 기능할 때, 충전소 파트 (200)는 예냉 온도의 안정화 및 제어 수단으로서 기능할 수 있다.
도 6은 도 5의 구성의 일부를 상세히 도시하는 블록도이다.
도 5 및 도 6을 함께 참조하면, 도 6의 Supervisory 시스템 (130)은 수소 충전 테스트 과정을 제어하는 일종의 컨트롤러로서 기능할 수 있다.
인공신경망 모델 (120)의 예측된 출력이 Supervisory 시스템 (130)으로 전달될 수 있다. Supervisory 시스템 (130)은 통신 인터페이스 모듈 C (150)를 경유하여 수소차 (300)의 차량 탱크 내 수소의 상태에 대한 제어 요청을 수소차 (300)로 전달할 수 있다. 수소차 (300)의 차량 탱크 내 수소의 상태에 대한 제어 요청은 차량 탱크 내 수소의 온도에 대한 temperature down 요청일 수 있다. 이러한 강온 제어 요청은 강온 신호로서 제공될 수 있다.
Supervisory 시스템 (130)은 통신 인터페이스 모듈 B (140)를 경유하여 충전소 (200)로부터 디스펜서 (100)로 공급되는 수소의 상태에 대한 제어 요청을 충전소 (200)로 전달할 수 있다. 충전소 (200)로부터 디스펜서 (100)로 공급되는 수소의 상태에 대한 제어 요청은 예냉 요청일 수 있다. 예냉 요청은 예냉 목표 온도를 포함할 수 있다.
이론적 시뮬레이션으로서, 예를 들어 H2FillS (Hydrogen Filling Simulation)와 같은 열역학적 모델이 이용될 수 있다. 열역학적 모델은 수소차 (hydrogen fueled vehicle/mobility)에 수소를 충전할 때 수소 온도, 압력, 및 매스 플로우 중 적어도 하나 이상의 과도 변화 (transient change) 및/또는 차량 탱크 내 수소의 상태의 과도 변화를 추적하고 보고하기 위하여 설계된 모델 및/또는 소프트웨어를 포함할 수 있다. 물론 본 발명의 사상이 특정한 열역학적 모델의 실시예에 국한되는 것은 아니다.
수소 충전 프로토콜은 예를 들어 SAE J2601에서 정의되는 수소 충전 프로토콜을 포함할 수 있다. 물론 본 발명의 사상이 특정한 실시예에 국한되는 것은 아니다.
열역학적 모델은, 예를 들어 인공 신경망의 입력 데이터에 준하는 입력 데이터가 입력되면, 모델링 및 시뮬레이션에 기반하여 출력 데이터를 생성할 수 있다. 이때 수소 충전 프로토콜에 따라서 열역학적 모델의 변수가 조정될 수 있고, 동일한 입력 데이터에 대하여 서로 다른 수소 충전 프로토콜에 대해서는 서로 다른 출력 데이터가 도출될 수도 있다.
본 발명의 일 실시예에서는 인공 신경망의 입력 데이터와 출력 데이터로서, 열역학적 모델의 입/출력 데이터 대신 테스트 플랫폼에 의하여 수집되는 현장 데이터 (on-site data)가 제공되어 인공 신경망이 훈련될 수 있다. 즉, 테스트 플랫폼에 의하여 수집되는 현장 데이터 중 일부가 인공 신경망의 입력 데이터로 제공되고, 또 다른 일부가 인공 신경망의 출력 데이터에 대응하는 그라운드 트루쓰 데이터로서 제공될 수 있다.
인공 신경망의 내부 파라미터는 초기화 없이 훈련될 수도 있고, 소정의 값으로 초기화된 후에 현장 데이터에 기반하여 훈련될 수도 있다. 예를 들면, 열역학적 모델에 기반하여 인공 신경망의 입력 데이터와 출력 데이터(그라운드 트루쓰 데이터)가 주어지고 초기 학습되어, 인공 신경망의 내부 파라미터가 초기화될 수도 있다.
인공 신경망의 학습은 반드시 딥러닝일 필요는 없고, shallow learning일 수도 있다.
본 발명의 일 실시예에 따른 테스트 플랫폼은 수소충전 프로세스를 최적화하기 위하여 동적 필드 데이터에 의존할 수 있다.
본 발명의 일 실시예는 인공신경망 기반 모델 예측 제어 (MPC) 기법에 의하여 다음 상태를 예측할 수 있다. 이때 인공신경망 모델은 이론적 결과, 현장 데이터(on-site data), 또는 양쪽 모두를 이용하여 학습될 수 있다.
충전소 (200)의 예냉 기능 또는 차량 (300)의 냉각 시스템 (310)이 가용하지 않은 경우에, 모듈 A (140)가 제어 과정을 단독으로 또는 주도적으로 수행할 수 있다.
디스펜서 (100) 및 충전소 (200) 간의 프로세스 상태 변화를 분석하기 위하여, 디스펜서 (100) 및 차량 (300) 간의 현장 데이터에 기반한 학습 모델이 디스펜서 (100) 및 차량 (300) 간의 프로세스에 대한 레퍼런스로서 기능할 수 있다.
반대로 디스펜서 (100) 및 차량 (300) 간의 프로세스 상태 변화를 분석하기 위하여, 디스펜서 (100) 및 충전소 (200) 간의 현장 데이터에 기반한 학습 모델이 디스펜서 (100) 및 충전소 (200) 간의 프로세스에 대한 레퍼런스로서 기능할 수 있다.
디스펜서 (100)의 종류 및 개별 ID, 충전소 (200)의 종류 및 개별 ID, 차량 (300)의 종류 및 개별 ID, 제어 목표 상태 (온도, 압력, SOC), 초기 상태 (온도, 압력), 수소 충전 프로토콜의 종류 각각에 따른 빅데이터가 수집되고, 각각의 경우에 대응하는 현장 데이터의 동적 변화를 이용하여 테스트 플랫폼이 학습됨으로써, 수소 충전 프로세스를 최적화하고 정확히 기술할 수 있는 표준화된 항목이 도출될 수 있다.
본 발명의 일 실시예에 따른 수소 충전(hydrogen fueling) 테스트 장치는, 디스펜서(100)로부터 수소차(300)(Hydrogen Fueled Vehicle)로 수소를 공급하는, 수소차(300)를 위한 수소 충전 테스트 장치로서, 스테이션(200)으로부터 디스펜서(100)로 수소를 공급하는 조건을 포함하는 제어 요청을 스테이션(200)으로 전달하고, 제어 요청에 대응하는 피드백으로서, 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 변화의 현장 데이터(On-site data)를 수신하는 통신 인터페이스(140, 150, 160); 및 제어 요청에 대응하는. 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 변화의 현장 데이터에 기반하여 제어 요청에 대응하는 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 변화에 대한 모델(120)을 업데이트하는 Supervisory 시스템 (130) 또는 컨트롤러를 포함한다.
Supervisory 시스템 (130) 또는 컨트롤러는 제어 요청에 대응하는 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 변화에 대한 시뮬레이션 결과 및 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 변화의 현장 데이터 간의 차이를 획득할 수 있다.
Supervisory 시스템 (130) 또는 컨트롤러는 시뮬레이션 결과 및 현장 데이터 간의 차이에 기반하여 제어 요청에 대응하는 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 변화에 대한 모델(120)을 업데이트할 수 있다.
Supervisory 시스템 (130) 또는 컨트롤러는 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 온도, 압력, 및 매스 플로우 중 적어도 하나 이상의 과도 변화(transient change)를 추적하는 열역학적 모델을 이용하여, 제어 요청에 대응하는 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 변화에 대한 시뮬레이션 결과를 획득할 수 있다.
제어 요청에 대응하는 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 변화에 대한 모델(120)은, 상기 제어 요청 및 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태 정보를 입력받고 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델(120)일 수 있다.
제어 요청에 대응하는 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 변화에 대한 모델(120)은, 제어 요청이 목표하는 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 목표 상태 각각 및 수소 충전 프로토콜 각각에 따른 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델(120)일 수 있다.
모델(120)은 인공 신경망 모델일 수 있다. Supervisory 시스템 (130) 또는 컨트롤러는, 제어 요청 및 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태 정보를 입력받고 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 변화의 현장 데이터를 그라운드 트루쓰 데이터로 이용하여 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 변화를 예측하는 기능을 훈련함으로써 모델(120) 내의 파라미터를 업데이트할 수 있다.
모델(120)은 모델 예측 제어 (Model Prediction Control) 기법을 이용하여 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델일 수 있다.
Supervisory 시스템 (130) 또는 컨트롤러는, 모델(120)이 업데이트된 하는 단계 이후에, 모델(120)이 스테이션(200) 측을 대체하여 디스펜서(100)로부터 수소를 공급받는 수소차(300) 및 디스펜서(100) 간의 제2 제어 요청에 대응하는 수소차(300)의 차량 탱크 내 수소의 상태의 변화의 시뮬레이션 데이터 및 현장 데이터 중 적어도 하나 이상을 획득할 수 있다.
제어 요청은 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 온도 및 압력 중 적어도 하나 이상에 대한 제어 요청을 포함할 수 있다.
스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 변화는, 온도, 및 압력 중 적어도 하나 이상을 포함할 수 있다.
종래 기술의 수소 충전 프로세스 또는 수소 충전 제어 기법은 최종 SOC, 최종 nozzle 및 CHSS (310)의 온도/압력을 목표한 대로 제어하기 어려운 문제점이 있다. 또한 압력의 가변성 (pressure variability), 불안정한 플로우 레이트 (unstable flow rate), 높은 환경적 다양성 (high environmental variability)로 인하여 이론적 시뮬레이션 기반 수소 충전 기법은 실제의 현장 데이터와 일치하지 않는 문제점이 있다.
시뮬레이션 결과와 실제 현장 데이터 간 불일치는 이론적 시뮬레이션에서는 충분히 고려되기 어려운 디바이스의 특성, 환경의 다양성에 영향받기 쉽고, 동일한 수소 충전 프로토콜을 이용하는 경우에도 초기값이나 최종 목표값에 따라서 최종 현장 데이터가 달라질 수 있으며, 반대로 동일한 최종 목표값이나 초기값을 가정하는 경우에도 서로 다른 수소 충전 프로토콜에 의하여 최종 현장 데이터가 달라질 수 있다.
이러한 종래 기술의 문제를 해결하기 위하여, 본 발명의 일 실시예는 실시간 현장 데이터의 활용, 각 디바이스 간의 양방향 통신, 예측적 제어 기법, 스테이션과 차량까지 포함하는 전체 시스템에 대한 통합적 제어, 사용자 요구에 기반한 수소 충전 데이터의 활용 및 표준화를 채택할 수 있다.
본 발명의 일 실시예는 이론적 시뮬레이션 결과와 실제 현장 데이터 (real on-site data) 간의 비교 분석을 수행할 수 있다.
본 발명의 일 실시예는 수소 충전 프로토콜에서 가정한 조건 외에도, 특정한 조건 하에서 예측적 분석을 수행할 수 있다.
본 발명의 일 실시예는 현장 수소충전 데이터를 수집하고 처리함으로써 수소충전 프로세스의 신뢰성을 개선할 수 있다.
도 7은 본 발명의 일 실시예에 따른 수소 충전 테스트 방법을 도시하는 동작 흐름도이다.
본 발명의 일 실시예에 따른 수소 충전 테스트 방법은, 디스펜서로부터 수소차(Hydrogen Fueled Vehicle)로 수소를 공급하는, 수소차를 위한 수소 충전(hydrogen fueling) 테스트 방법으로서, 스테이션으로부터 디스펜서로 수소를 공급하는 조건을 포함하는 제어 요청을 스테이션으로 전달하는 단계(S410); 제어 요청에 대응하는 피드백으로서, 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터(On-site data)를 획득하는 단계(S420); 및 제어 요청에 대응하는. 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터에 기반하여 제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델을 업데이트하는 단계(S430)를 포함한다.
도 7에 도시되지는 않았으나, 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터는, 스테이션 측에서 먼저 획득될 수 있다. 즉, 제어 요청이 스테이션으로 전달되는 것과 무관하게 스테이션 측에서 스테이션에 저장되는 수소, 및/또는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터를 획득할 수 있다. 또는 본 발명의 다른 실시예에서는 제어 요청이 현장 데이터 요청을 포함할 수 있고, 스테이션 측에서 제어 요청/현장 데이터 요청에 응답하여 현장 데이터를 획득할 수도 있다.
현장 데이터의 획득은 스테이션 외에 차량 측에서도 수행될 수 있으며, 마찬가지로 제어 요청과 무관하게 차량 측의 현장 데이터가 수집될 수 있고, 제어 요청이 현장 데이터 요청을 포함하여 차량 측에서 제어 요청/현장 데이터 요청에 응답하여 차량 탱크 내 수소의 상태에 관한 현장 데이터를 획득할 수도 있다.
본 발명의 일 실시예에 따른 수소 충전 테스트 방법은, 제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 시뮬레이션 결과 및 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터 간의 차이를 획득하는 단계를 더 포함할 수 있다.
모델을 업데이트하는 단계(S430)에서는, 시뮬레이션 결과 및 현장 데이터 간의 차이에 기반하여 제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델을 업데이트할 수 있다.
본 발명의 일 실시예에 따른 수소 충전 테스트 방법은, 스테이션으로부터 디스펜서로 공급되는 수소의 온도, 압력, 및 매스 플로우 중 적어도 하나 이상의 과도 변화를 추적하는 열역학적 모델을 이용하여, 제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 시뮬레이션 결과를 획득하는 단계를 더 포함할 수 있다.
제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델은, 제어 요청 및 스테이션으로부터 디스펜서로 공급되는 수소의 상태 정보를 입력받고 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델일 수 있다. 이때 모델은 제어 요청, 현재의 스테이션으로부터 디스펜서로 공급되는 수소의 상태, 및 주변 온도를 입력받고 미래의 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델일 수 있다.
제어 요청에 대응하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델은, 제어 요청이 목표하는 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 목표 상태 각각 및 수소 충전 프로토콜 각각에 따른 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델일 수 있다.
모델은 인공 신경망 모델일 수 있다. 이때 모델을 업데이트하는 단계(S430)에서는, 제어 요청 및 스테이션으로부터 디스펜서로 공급되는 수소의 상태 정보를 입력받고 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터를 그라운드 트루쓰 데이터로 이용하여 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능을 훈련함으로써 모델 내의 파라미터를 업데이트할 수 있다.
모델은 모델 예측 제어 (Model Prediction Control) 기법을 이용하여 스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델일 수 있다.
본 발명의 일 실시예에 따른 수소 충전 테스트 방법은, 모델을 업데이트하는 단계(S430) 이후에, 모델이 스테이션 측을 대체하여 디스펜서로부터 수소를 공급받는 수소차 및 디스펜서 간의 제2 제어 요청에 대응하는 수소차의 차량 탱크 내 수소의 상태의 변화의 시뮬레이션 데이터 및 현장 데이터 중 적어도 하나 이상을 획득하는 단계를 더 포함할 수 있다.
제어 요청은 스테이션으로부터 디스펜서로 공급되는 수소의 온도 및 압력 중 적어도 하나 이상에 대한 제어 요청을 포함할 수 있다.
스테이션으로부터 디스펜서로 공급되는 수소의 상태의 변화는, 온도, 및 압력 중 적어도 하나 이상을 포함할 수 있다.
도 8은 본 발명의 일 실시예에 따른 수소 충전 과정의 이론적 컨셉으로부터 테스트 플랫폼 형성에 이르는 과정을 도시하는 논리적 흐름도이다.
냉각 시스템 (330)의 이론적 컨셉이 고려될 수 있다 (510).
계산 유체 역학적 (CFD, Computational Fluids Dynamics) 시뮬레이션이 수행될 수 있다 (520).
제어 로직 정보가 얻어질 수 있다 (530).
시뮬레이션 모델이 구현될 수 있다 (540).
열역학 기반 시뮬레이션 모델이 인공신경망 모델로 통합될 수 있다 (550).
통합된 모델에 실시간 현장 데이터가 주입됨으로써 테스트 플랫폼이 구현될 수 있다 (560).
도 9는 본 발명의 일 실시예가 적용되는 수소차를 위한 수소 충전 과정에서 수소차의 수소 탱크 온도 조정을 능동적/수동적으로 수행하는 구성을 도시하는 개념도이다.
도 9를 참조하면, 수소차 (300)의 수소 탱크 온도 조정은 압력배출장치/PRD (320)에 의하여 수동적으로 수행되거나, 냉각 시스템 (330)에 의하여 능동적으로 수행될 수 있다. 냉각 시스템 (300)에 의하여 능동적으로 수행되는 경우에는 냉각 부하로 간주되고 이를 위한 제어 프로세스가 요구된다.
도 10은 도 9에 기반한 냉각 부하 (CL, Cooling Load) 결정 과정을 도시하는 동작 흐름도이다.
설정 온도, 탱크의 온도, 대기의 온도가 수소차 (300) 및 주변 장치로부터 얻어질 수 있다(S610).
충전 프로세스가 진행 중인 지 체크된다 (S620).
충전 프로세스가 진행 중이면 대기 온도가 설정 온도보다 높은 지 여부가 체크된다 (S630). 대기 온도가 설정 온도보다 높으면 냉각 부하가 최대로 제어될 수 있다 (S660). 대기 온도가 설정 온도보다 높지 않으면 냉각 부하가 0으로 제어될 수 있다 (S650).
충전 프로세스가 진행 중이지 않으면, 탱크 온도가 대기 온도보다 소정의 임계치만큼 높은 지 여부가 체크된다 (S640). 도 10에서는 임계치는 섭씨 10도일 수 있다. 임계치는 사용자에 의하여 설정될 수 있다.
탱크 온도가 대기 온도보다 소정의 임계치만큼 높으면 냉각 부하가 최대로 제어될 수 있다 (S660). 탱크 온도가 대기 온도보다 소정의 임계치만큼 높지 않으면 냉각 부하가 0으로 제어될 수 있다 (S650).
도 11은 본 발명의 일 실시예에 따른 수소차(300)를 위한 수소 충전 제어를 위한 인공 신경망(ANN, Artificial Neural Network)의 개념을 도시하는 개념도이다.
도 11을 참조하면, 입력 레이어에는 현재 상태의 측정값들이 입력된다.
이때 외기 온도 Tamb(ambient temperature), 예냉 온도 Tpre(pre-cooled gas temperature), 예냉 압력 Tpre(pre-cooled gas pressure)는 디스펜서(100) 또는 충전소(200)의 nozzle에서 측정될 수 있다.
수소 가스 온도 Tgas, 수소 가스 압력 Pgas는 수소차(300)의 CHSS(310) 측에서 측정되는 값이며, 실제 측정값은 입력 레이어에 입력될 수 있다.
인공 신경망의 훈련 과정에서는 실제로 측정된 현재 측정값이 입력 레이어에, 다음 측정값이 출력 레이어에 전달되어 그라운드 트루쓰 데이터로서 인공 신경망의 학습 과정에 활용될 수 있다. 이때 인공 신경망의 학습 과정은 입력된 측정값들의 조합에 기반하여 출력 레이어의 다음 측정값을 예측할 수 있는 기능(function)을 학습하는 과정일 수 있다. 입력 레이어에 입력되는 데이터와 출력 레이어에 주어지는 데이터 간의 correlation이 학습되며, 이를 통하여 이론적 결과와 함께 실제 동적 충전 과정의 데이터(Real Dynamic Fueling Data)를 이용한 예측이 가능하다.
인공 신경망을 이용한 추론 또는 출력 과정에서는 실제로 측정된 현장(on-site) 측정값이 입력 레이어에 전달되고, 인공 신경망의 동작에 의한 출력으로 다음 측정값에 대한 예측값이 얻어질 수 있다.
본 발명의 실시예에서 이용되는 인공 신경망의 학습 과정은 shallow learning 및 deep learning 중 어느 것이어도 무방하며, 인공 신경망은 공지의 신경망들 중에서 본 발명의 목적에 부합하는 종류의 신경망이 채택될 수 있다.
입력 레이어를 통하여 입력된 값들은 숨은 레이어의 가중치 기반 연산을 거치면서 출력 레이어로 전달된다.
출력 레이어에 의하여 출력된 상태 값(다음 상태에 대한 예측 값)은 열역학적 모델의 적어도 일부를 이용하여 충전 상태 변수, 예를 들어 충전율(SOC)을 산출하는 데에 이용될 수 있다.
본 발명의 실시예에서는 이론적 시뮬레이션 모델과 인공 신경망이 결합된 하이브리드 제어 또한 가능하므로, 적은 데이터를 이용한 학습을 통해서도 소정의 성과를 달성할 수 있으며, 경량화된 인공 신경망을 통해서도 본 발명의 목적에 부합하는 성능을 도출할 수 있다.
피드백 제어 과정에서 도출되는 실시간 압력 증가율(PRR) 또는 압축 수소의 질량 유량(mass flow rate of compressed hydrogen, kg/s) m_dot은 인공 신경망의 숨은 레이어의 가중치 또는 파라미터에 영향을 미칠 수 있다.
본 발명의 인공 신경망 기반 수소 충전 기법은, 모델을 통한 충전 결과 예측의 정확도를 향상시킬 수 있다. 이론적 시뮬레이션 결과와 함께 실제 충전 데이터를 활용할 수 있어 실시간 측정값이 반영되며, 예측 결과의 정확도를 더욱 향상시킬 수 있다.
종래 기술의 제어 프로토콜이 개별 상황에 맞는 시뮬레이션을 통해 결과를 계산하여 예측하는 반면, 본 발명의 실시예에서는 다양한 상황에 대한 훈련 반복을 통해 정확도를 향상시키는 과정을 이용하는 차이가 있다.
이러한 차이로 인하여 본 발명의 실시예에서는 다양한 이론값 및 실증 결과가 추가될수록 업데이트를 통하여 정확도가 점차 향상되며, 새로운 저장탱크(310) 구성이나 유량의 변화 등이 사용되는 신규 충전 프로세스가 도입되더라도 실제 데이터를 추가하여 훈련함으로써 그 기능을 모델에 업데이트할 수 있어, 다양한 모빌리티 분야에 폭넓게 적용할 수 있다.
본 발명의 일 실시예에 따른 수소차(300)를 위한 수소 충전 테스트의 수소 충전 제어 기법으로는, 모델 예측 제어(MPC, Model Prediction Control)가 이용될 수도 있다.
본 발명의 실시예에서는 수소 충전 모델의 정확도가 상당한 수준으로 확보된 상태에서 수소 충전 모델과 현재의 측정값으로부터 미래의 충전 결과를 예측하고, 예측값과 충전 값을 기반으로 CHSS(310)의 수소 가스의 온도 Tgas 또는 수소 가스의 압력 Pgas 와 같은 특정 변수가 제약 조건(constraints)을 위반히지 않으면서 최적의 충전 목표에 도달하도록 압력 증가속도/증가율(PRR)을 실시간으로 제어할 수 있다.
본 발명의 실시예에서 MPC 기반 제어를 이용하여 현재의 측정값과 모델의 예측값을 기반으로 미래의 출력값을 계산하여, 예측된 미래 응답이 최적의 방식으로 설정점(setpoint 또는 target)으로 이동하도록 조작 변수(operation parameter/variable)를 조절할 수 있다.
예를 들면 현재 시간 i에서 n개의 모델 예측을 도출할 수 있다. 이러한 n개의 모델 기반 예측값은 예측 지평(Prediction Horizon)을 형성한다.
각각의 모델 기반 예측값, 즉, 예측 지평은 제어 지평(Control Horizon)과 대응한다. 즉, n개의 모델 예측이 이루어지기 위해서 필요한 n개의 제어 지령/제어 액션이 제어 지평을 형성할 수 있다.
실제로는 현재 시간 i에서 도출된 n개의 모델 예측 및 제어 액션 중 첫번째인 i+1 제어 액션이 시스템에 전달될 수 있다. 시간이 경과하여 현재 시간 i+1에서는 다시 새로운 n개의 모델 예측 및 제어 액션이 도출되고 이는 각각 새로운 Prediction Horizon과 Control Horizon을 형성한다.
이처럼 Horizon을 확장/이동하면서 시스템을 제어하는 기법을 MPC라 하며, 본 발명의 실시예에서는 CHSS(310)의 수소 가스의 온도, 및 압력을 포함하는 상태 정보(상태 값)에 대한 측정값과 예측값을 이용하여 MPC 기반 제어가 실행될 수 있다.
도 12는 본 발명의 일 실시예에 따른 수소 충전 제어를 위한 인공 신경망의 훈련 과정을 도시하는 동작 흐름도이다.
도 12를 참조하면, 본 발명의 일 실시예에 따른 인공 신경망-모델 예측 제어(ANN-MPC) 기법을 고려한 인공 신경망의 훈련 과정이 도시된다.
도 12에서는 MPC 기반 Prediction Horizon, 및 Control Horizon을 획득하는 기능을 학습한 인공 신경망, 특히 MPC에 의하여 미래 응답이 설정점(Set Point)에 도달하는 과정이 최적화되도록 n개의 미래 예측과 그에 대응하는 제어 명령들을 획득하는 기능을 학습한 인공 신경망을 가정한다.
본 발명의 실시예에서는 ANN 모델(120)을 기반으로 제어시스템을 구성할 수 있으며 해당 ANN 모델(120)의 정확도를 담보하여 모델예측제어(Model Predictive Control) 기반의 실시간 제어시스템을 구성할 수 있다.
실시간 제어시스템은 미래의 충전결과를 예측하고 실제 측정값과 비교함으로써 충전 속도/압력 증가율/압력 증가 속도를 제어하는 방식으로, 시스템 로직 안에 제한사항이나 제어시간 간격, 민감도 등을 별도로 설정하여 최적값 이내에서 제어할 수 있다.
1차적으로는 충전소(200)와 차량(300)의 실시간 데이터를 토대로 최적 제어를 진행하나 해당 시스템 운영에서 특정 이벤트 상황이 발상할 경우, 프리쿨러(210)의 예냉온도와 차량(300)의 냉각시스템을 직접 제어할 수 있는 기능을 부여하여, 수소충전 프로세스의 전체적인 효율성을 증가시킬 수 있다
도 12를 참조하면, 고객으로부터 특정된 SOCsp를 입력받아 제어 과정을 시작한다(t=0, S710). 예를 들어 현재 SOC가 50%이고 SOCsp는 85%일 수 있다.
SOC(t)는 Tgas(t), 및 Pgas(t)의 함수로 주어지는데, 이 과정은 일반적인 동역학적 모델에 기반하여 수행될 수 있다.
만일 현재의 SOC(t)가 SOCsp 이상이면(S720) 수소 충전을 중지할 수 있다. 현재의 SOC(t)가 SOCsp보다 작으면(S720) i=t로 설정하고, 인공 신경망을 동반한 Moving Horizon Prediction을 수행한다(S730).
단계 S730은 인공 신경망(120) 등을 이용하여 MPC 예측을 생성함으로써 수행될 수 있다. 단계 S740에서는 얻어진 n개의 예측이 최적화된, 의도된 목적에 부합하는 예측인 지를 판정할 수 있다.
얻어진 n개의 예측이 최적화된 예측이면 n개의 예측 및 제어 명령에 기반하여 제어 지령 PRR(t)가 얻어지고, PRR(t)가 디스펜서(100)-차량 탱크(310)에 적용될 수 있다(S750).
이후 시간 t를 증가시키고 새로운 측정값 Tgas(t), 및 Pgas(t)를 얻어 단계 S720의 입력으로 전달한다.
단계 S730에서 얻어진 n개의 예측이 최적화된 예측이 아니면 단계 S730을 다시 수행하여 새로운 n개의 예측 및 제어 명령을 획득할 수 있다.
도 13은 도 12의 과정의 일부를 상세하게 도시하는 개념도이다.
도 13을 참조하면, 도 12의 단계 S730에서는 모든 임의의 i,k에 대하여 온도 제한, 압력 제한을 충족하는 상태 예측값(T, P)이 생성될 수 있다.
현재 시간 i(=t)를 기준으로 n개의 상태 예측값과, 그에 따르는 제어 지령이 도출될 수 있다.
도 14는 도 12의 과정의 일부를 상세하게 도시하는 개념도이다.
도 14를 참조하면, 도 12의 단계 S740은 최종 제어 목표인 SOCsp에 도달하였는 지를 나타내는 비용 함수를 최소화하는 n개의 예측의 집합을 탐색하는 과정으로 이해될 수 있다.
도 12는 본 발명의 일 실시예에 따른 인공 신경망-모델 예측 제어 기반 수소 충전 제어 과정을 도시하는 개념도이다.
도 12를 참조하면 디스펜서(100)에는 수소 충전 제어(fueling control) 로직(110)과 인공 신경망 모델(120)이 포함될 수 있다.
수소차(300)의 출력으로 CHSS(310)의 온도, 압력을 포함하는 상태 측정값이 인공 신경망 모델(120)에 피드백 입력으로 주어질 수 있다.
수소 충전소(200)의 출력으로 예냉 수소 가스의 온도, 압력을 포함하는 상태 측정값이 인공 신경망 모델(120)에 피드백 입력으로 주어질 수 있다.
도 12 내지 도 14의 과정을 함께 참조하면, 인공 신경망 모델(120)은 예측된 출력(predicted output)을 수소 충전 제어 로직(110)에 전달하고, 수소 충전 제어 로직(110)은 미래 입력을 인공 신경망 모델(120)에 입력할 수 있다.
ANN-MPC 기반 제어 과정은 시뮬레이션과 실제 측정 데이터를 함께 활용하는 제어 기법이고 인공 신경망 모델(120)을 이용하여 적어도 부분적으로 시뮬레이션을 수행하고 그 예측 결과를 제어 과정에 이용하는 제어 기법이다.
본 발명의 실시예는 실시간 데이터 기반의 수소충전 통합제어 프로토콜 구성을 목표하며, 해당 시스템은 다양한 요소기술들이 활용되어 구현된다.
디스펜서(100)에 탑재되는 프로토콜은 충전소(200)에서 제공되는 예냉 수소가스의 데이터와 차량(300)에서 제공되는 저장탱크(310)의 데이터를 실시간 입력값으로 활용하여, 탑재된 모델에 의해 충전속도/압력 증가율/압력 증가속도(PRR 또는 m_dot)를 아웃풋으로 제어할 수 있다.
외부 환경변화 등의 이벤트 상황이 발생할 경우, 충전소(200)의 예냉 온도와 차량(300)의 냉각시스템을 직접 제어하여 충전속도/압력 증가율/압력 증가속도(PRR 또는 m_dot)와 공정 효율성 등을 전반적으로 제어할 수 있다.
제어 프로토콜을 보완하기 위해서, 수소충전소(200)의 예냉시스템/프리-쿨러(210)에는 자체 냉각 안정화 시스템이 독립적으로 설치될 수 있다.
온도 안정화 측면에서 프리-쿨러(210)의 냉각 안정화 시스템은 독자적으로 제어될 수 있고, 제어의 목표값은 디스펜서(100)의 프로토콜에서 통합적으로 변경될 수 있다.
충전소(200)의 경제성 향상 및 통합제어 프로토콜의 기능을 보완하기 위해 프리-쿨러(210)에 온도 안정화와 관련된 추가적인 기능이 부여될 수 있다.
프리-쿨러(210)에 공급되는 수소가스의 초기 온도와 유량에 따라 예냉온도가 편차를 보이게 되고, 이를 보완하기 위해서 온도를 안정화하기 위한 신규 프리-쿨러 구조가 본 발명의 일 실시예로서 제안된다.
본 발명의 일 실시예에 따른 프리-쿨러(210)는 자체적인 온도 제어와 프로토콜과의 연계를 위한 제어로직을 포함할 수 있다.
차량(300)의 저장탱크(310)에는 강제냉각 시스템이 설치될 수 있고, 수소충전 시 발생하는 압축열을 일부 냉각하여 충전 속도를 향상시킬 수 있으며, 저장탱크(310)의 강제냉각 시스템의 가동/제어 역시 프로토콜에서 관여할 수 있다.
본 발명의 일 실시예에서는 수소 충전속도 향상 및 통합제어 프로토콜의 기능을 보완하기 위해서 차량(300)의 저장탱크(310)에 온도관리 기능이 부여될 수 있다.
본 발명의 일 실시예에서는 차량 저장탱크(310)는 전체 충전속도 증대와 차량(300)의 안전성 향상을 위해 자체 냉각을 위한 시스템을 구성하며, 해당 시스템의 자체구동 및 프로토콜과의 연계를 위한 제어로직을 포함할 수 있다.
본 발명의 일 실시예에서는 이러한 통합 제어를 통하여 현재의 충전 효율을 향상시킬 수 있을 뿐 아니라, 다음의 충전을 위한 준비를 원활하게 지원할 수 있다.
프리-쿨러(210)의 예냉온도가 -40°C로 설정되는 T40 경우에, 예냉온도는 목표치를 달성했지만 외기 온도가 설정치 이상으로 높고 저장탱크(310) 측의 온도 상승이 예상보다 큰 경우에 차량(300) / 저장탱크(310) 측으로 제어 신호 또는 현재 상태의 정보를 전송하여 저장탱크(310)의 자체 냉각 시스템이 구동될 수 있도록 할 수 있다.
반대로 프리-쿨러(210)의 예냉온도가 -40°C로 설정되었지만 외부 환경과 실제 데이터를 고려할 때 과도한 냉각으로 판정되는 경우, 예냉온도의 목표값을 조절할 수 있다(예를 들어, -35°C).
예냉 목표 온도 및 저장탱크(310) 측의 온도 제어가 추가로 필요한 경우에는 디스펜서(100)로부터 차량(300)과 충전소(200) 양쪽에 제어 정보 또는 제어 명령이 전달될 수 있다.
본 발명의 실시예에 따르면, 차량(300)과 충전소(200)의 자체 냉각 시스템은 독립적으로 제어될 수도 있고, 디스펜서(100)에서 신호를 전송하여 제어할 수도 있다.
본 발명의 일 실시예에 따른 수소 충전을 위한 통합 제어 방법은, 현재 상태의 측정값이 제약 조건을 충족하는 지 평가하는 단계를 더 포함할 수 있다.
제약 조건은 수소차 측의 압축수소 저장시스템의 온도 및 압력 각각이 한계 온도 및 한계 압력을 초과하지 않는 것일 수 있다.
본 발명의 일 실시예에 따르면, 안전하게 수소 연료를 충전/공급하면서도 수소 충전/공급 과정의 효율을 향상시키고, 수소 충전/공급 과정의 속도 및 실시간성을 개선할 수 있다.
본 발명의 일 실시예에 따르면, 실시간 현장 다이나믹 데이터 (real-time on-site dynamic data)에 기반하여 수소 충전/공급 과정을 정교하게 모델링할 수 있는 테스트 방법 및 테스트 플랫폼을 구현할 수 있다.
본 발명의 일 실시예에 따르면, 이론적 모델(theoretical model)에 의한 모델링 및 시뮬레이션 결과와, 실시간 현장 데이터 간의 차이를 고려하여 또는 모델링 및 시뮬레이션 결과와 실시간 현장 데이터를 모두 고려하여 수소 충전/공급 과정을 정교하게 제어할 수 있는 모델을 제공하는 테스트 방법 및 테스트 플랫폼을 구현할 수 있다.
본 발명의 일 실시예에 따르면, 모델 예측 제어(MPC) 기반의 실시간성이 확보된 수소 충전 제어를 위한 테스트 기법을 구현할 수 있다.
본 발명의 일 실시예에 따르면, 인공 신경망(ANN) 모델 기반의 수소 충전 결과 예측 정확도가 향상된 제어를 위한 테스트 기법을 구현할 수 있다.
도 15는 도 1 내지 도 14의 과정의 적어도 일부를 수행할 수 있는 일반화된 수소 충전 제어 장치, 수소 충전 제어 시스템, 수소 충전 테스트 플랫폼, 수소 충전 테스트 시스템 또는 컴퓨팅 시스템의 예시를 도시하는 개념도이다.
수소 충전 테스트 과정을 제어하는 컨트롤러 또는 Supervisory system (130)는 디스펜서(100) 측에 배치될 수 있다. 수소 충전 테스트 과정을 제어하는 통신 인터페이스 (140, 150, 160)는 디스펜서(100), 수소 충전소(200), 및 수소차(300)에 분산 배치되거나 적어도 일부에 배치되어 디스펜서(100), 수소 충전소(200), 및 수소차(300) 중 적어도 일부의 동작을 제어할 수 있다.
수소 충전 테스트 플랫폼 및/또는 시스템을 구성하는 컨트롤러 또는 통신 인터페이스 (140, 150, 160)는 메모리(1200)와 전자적으로 연결되는 프로세서(1100)를 포함하는, 컴퓨팅 시스템의 형태로 구현될 수 있다.
본 발명의 일 실시예에 따른 수소 충전 테스트 방법의 적어도 일부의 과정은 도 15의 컴퓨팅 시스템(1000)에 의하여 실행될 수 있다.
도 15를 참조하면, 본 발명의 일 실시예에 따른 컴퓨팅 시스템(1000)은, 프로세서(1100), 메모리(1200), 통신 인터페이스(1300), 저장 장치(1400), 입력 인터페이스(1500), 출력 인터페이스(1600) 및 버스(bus)(1700)를 포함하여 구성될 수 있다.
본 발명의 일 실시예에 따른 컴퓨팅 시스템(1000)은, 적어도 하나의 프로세서(processor)(1100) 및 상기 적어도 하나의 프로세서(1100)가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)(1200)를 포함할 수 있다. 본 발명의 일 실시예에 따른 방법의 적어도 일부의 단계는 상기 적어도 하나의 프로세서(1100)가 상기 메모리(1200)로부터 명령어들을 로드하여 실행함으로써 수행될 수 있다.
프로세서(1100)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다.
메모리(1200) 및 저장 장치(1400) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(1200)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중에서 적어도 하나로 구성될 수 있다.
또한, 컴퓨팅 시스템(1000)은, 무선 네트워크를 통해 통신을 수행하는 통신 인터페이스(1300)를 포함할 수 있다.
또한, 컴퓨팅 시스템(1000)은, 저장 장치(1400), 입력 인터페이스(1500), 출력 인터페이스(1600) 등을 더 포함할 수 있다.
또한, 컴퓨팅 시스템(1000)에 포함된 각각의 구성 요소들은 버스(bus)(1700)에 의해 연결되어 서로 통신을 수행할 수 있다.
본 발명의 컴퓨팅 시스템(1000)의 예를 들면, 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등일 수 있다.
본 발명의 실시예에 따른 방법의 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽힐 수 있는 정보가 저장되는 모든 종류의 기록장치를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다.
또한, 컴퓨터가 읽을 수 있는 기록매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
본 발명의 일부 측면들은 장치의 문맥에서 설명되었으나, 그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고, 여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다. 유사하게, 방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다. 방법 단계들의 몇몇 또는 전부는 예를 들어, 마이크로프로세서, 프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여) 수행될 수 있다. 몇몇의 실시 예에서, 가장 중요한 방법 단계들의 적어도 하나 이상은 이와 같은 장치에 의해 수행될 수 있다.
실시예들에서, 프로그램 가능한 로직 장치(예를 들어, 필드 프로그래머블 게이트 어레이)가 여기서 설명된 방법들의 기능의 일부 또는 전부를 수행하기 위해 사용될 수 있다. 실시예들에서, 필드 프로그래머블 게이트 어레이(field-programmable gate array)는 여기서 설명된 방법들 중 하나를 수행하기 위한 마이크로프로세서(microprocessor)와 함께 작동할 수 있다. 일반적으로, 방법들은 어떤 하드웨어 장치에 의해 수행되는 것이 바람직하다.
이상 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (20)

  1. 디스펜서로부터 수소차(Hydrogen Fueled Vehicle)로 수소를 공급하는, 수소차를 위한 수소 충전(hydrogen fueling) 테스트 방법으로서,
    스테이션으로부터 상기 디스펜서로 수소를 공급하는 조건을 포함하는 제어 요청을 상기 스테이션으로 전달하는 단계;
    상기 제어 요청에 대응하는 피드백으로서, 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터(On-site data)를 획득하는 단계; 및
    상기 제어 요청에 대응하는. 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터에 기반하여 상기 제어 요청에 대응하는 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델을 업데이트하는 단계;
    를 포함하는,
    수소 충전 테스트 방법.
  2. 제1항에 있어서,
    상기 제어 요청에 대응하는 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화에 대한 시뮬레이션 결과 및 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터 간의 차이를 획득하는 단계;
    를 더 포함하고,
    상기 모델을 업데이트하는 단계는,
    상기 시뮬레이션 결과 및 현장 데이터 간의 차이에 기반하여 상기 제어 요청에 대응하는 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화에 대한 상기 모델을 업데이트하는,
    수소 충전 테스트 방법.
  3. 제2항에 있어서,
    상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 온도, 압력, 및 매스 플로우 중 적어도 하나 이상의 과도 변화를 추적하는 열역학적 모델을 이용하여, 상기 제어 요청에 대응하는 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화에 대한 상기 시뮬레이션 결과를 획득하는 단계;
    를 더 포함하는,
    수소 충전 테스트 방법.
  4. 제1항에 있어서,
    상기 제어 요청에 대응하는 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델은 상기 제어 요청 및 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태 정보를 입력받고 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델인,
    수소 충전 테스트 방법.
  5. 제4항에 있어서,
    상기 제어 요청에 대응하는 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델은 상기 제어 요청이 목표하는 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 목표 상태 각각 및 수소 충전 프로토콜 각각에 따른 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델인,
    수소 충전 테스트 방법.
  6. 제4항에 있어서,
    상기 모델은 인공 신경망 모델이고,
    상기 모델을 업데이트하는 단계는,
    상기 제어 요청 및 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태 정보를 입력받고 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터를 그라운드 트루쓰 데이터로 이용하여 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능을 훈련함으로써 상기 모델 내의 파라미터를 업데이트하는,
    수소 충전 테스트 방법.
  7. 제4항에 있어서,
    상기 모델은 모델 예측 제어 (Model Prediction Control) 기법을 이용하여 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델인,
    수소 충전 테스트 방법.
  8. 제4항에 있어서,
    상기 모델을 업데이트하는 단계 이후에, 상기 모델이 상기 스테이션 측을 대체하여 상기 디스펜서로부터 수소를 공급받는 상기 수소차 및 상기 디스펜서 간의 제2 제어 요청에 대응하는 상기 수소차의 차량 탱크 내 수소의 상태의 변화의 시뮬레이션 데이터 및 현장 데이터 중 적어도 하나 이상을 획득하는 단계;
    를 더 포함하는,
    수소 충전 테스트 방법.
  9. 제1항에 있어서,
    상기 제어 요청은 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 온도 및 압력 중 적어도 하나 이상에 대한 제어 요청을 포함하는,
    수소 충전 테스트 방법.
  10. 제1항에 있어서,
    상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화는, 온도, 및 압력 중 적어도 하나 이상을 포함하는,
    수소 충전 테스트 방법.
  11. 디스펜서로부터 수소차(Hydrogen Fueled Vehicle)로 수소를 공급하는, 수소차를 위한 수소 충전(hydrogen fueling) 테스트 장치로서,
    스테이션으로부터 상기 디스펜서로 수소를 공급하는 조건을 포함하는 제어 요청을 상기 스테이션으로 전달하고, 상기 제어 요청에 대응하는 피드백으로서, 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터(On-site data)를 수신하는 통신 인터페이스; 및
    상기 제어 요청에 대응하는. 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터에 기반하여 상기 제어 요청에 대응하는 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델을 업데이트하는 컨트롤러;
    를 포함하는,
    수소 충전 테스트 장치.
  12. 제11항에 있어서,
    상기 컨트롤러는 상기 제어 요청에 대응하는 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화에 대한 시뮬레이션 결과 및 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터 간의 차이를 획득하고,
    상기 컨트롤러는 상기 시뮬레이션 결과 및 현장 데이터 간의 차이에 기반하여 상기 제어 요청에 대응하는 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화에 대한 상기 모델을 업데이트하는,
    수소 충전 테스트 장치.
  13. 제12항에 있어서,
    상기 컨트롤러는 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 온도, 압력, 및 매스 플로우 중 적어도 하나 이상의 과도 변화를 추적하는 열역학적 모델을 이용하여, 상기 제어 요청에 대응하는 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화에 대한 상기 시뮬레이션 결과를 획득하는,
    수소 충전 테스트 장치.
  14. 제11항에 있어서,
    상기 제어 요청에 대응하는 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델은, 상기 제어 요청 및 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태 정보를 입력받고 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델인,
    수소 충전 테스트 장치.
  15. 제14항에 있어서,
    상기 제어 요청에 대응하는 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화에 대한 모델은, 상기 제어 요청이 목표하는 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 목표 상태 각각 및 수소 충전 프로토콜 각각에 따른 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델인,
    수소 충전 테스트 장치.
  16. 제14항에 있어서,
    상기 모델은 인공 신경망 모델이고,
    상기 컨트롤러는, 상기 제어 요청 및 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태 정보를 입력받고 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화의 현장 데이터를 그라운드 트루쓰 데이터로 이용하여 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능을 훈련함으로써 상기 모델 내의 파라미터를 업데이트하는,
    수소 충전 테스트 장치.
  17. 제14항에 있어서,
    상기 모델은 모델 예측 제어 (Model Prediction Control) 기법을 이용하여 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화를 예측하는 기능이 훈련된 모델인,
    수소 충전 테스트 장치.
  18. 제14항에 있어서,
    상기 컨트롤러는,
    상기 모델이 업데이트된 이후에, 상기 모델이 상기 스테이션 측을 대체하여 상기 디스펜서로부터 수소를 공급받는 상기 수소차 및 상기 디스펜서 간의 제2 제어 요청에 대응하는 상기 수소차의 차량 탱크 내 수소의 상태의 변화의 시뮬레이션 데이터 및 현장 데이터 중 적어도 하나 이상을 획득하는,
    수소 충전 테스트 장치.
  19. 제11항에 있어서,
    상기 제어 요청은 상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 온도 및 압력 중 적어도 하나 이상에 대한 제어 요청을 포함하는,
    수소 충전 테스트 장치.
  20. 제11항에 있어서,
    상기 스테이션으로부터 상기 디스펜서로 공급되는 수소의 상태의 변화는, 온도, 및 압력 중 적어도 하나 이상을 포함하는,
    수소 충전 테스트 장치.
PCT/KR2023/012507 2022-08-23 2023-08-23 충전소 측 현장 데이터를 이용하는 수소 충전 테스트 방법 및 시스템 WO2024043701A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2022-0105505 2022-08-23
KR20220105505 2022-08-23
KR10-2022-0121479 2022-09-26
KR20220121479 2022-09-26

Publications (1)

Publication Number Publication Date
WO2024043701A1 true WO2024043701A1 (ko) 2024-02-29

Family

ID=90013758

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/KR2023/012507 WO2024043701A1 (ko) 2022-08-23 2023-08-23 충전소 측 현장 데이터를 이용하는 수소 충전 테스트 방법 및 시스템
PCT/KR2023/012511 WO2024043702A1 (ko) 2022-08-23 2023-08-23 차량 측 현장 데이터를 이용하는 수소 충전 테스트 방법 및 시스템

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/012511 WO2024043702A1 (ko) 2022-08-23 2023-08-23 차량 측 현장 데이터를 이용하는 수소 충전 테스트 방법 및 시스템

Country Status (2)

Country Link
KR (2) KR20240028319A (ko)
WO (2) WO2024043701A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210061415A (ko) * 2018-09-21 2021-05-27 내셔널 인스티튜트 오브 클린-앤-로우-카본 에너지 수소 충전 제어 장치 및 방법
KR20210090059A (ko) * 2020-01-09 2021-07-19 주식회사 효성 수소가스 충전장치 및 수소가스 충전방법
KR20210122622A (ko) * 2020-04-01 2021-10-12 (주)미래기준연구소 연료전지용 ｃｈｓｓ의 실시간 통신 정보 기반 수소 안전 충전 시스템 및 충전 방법
KR102374469B1 (ko) * 2020-10-13 2022-03-14 호서대학교 산학협력단 수소충전소 사고의 위험도 산출을 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
CN114811416A (zh) * 2022-04-21 2022-07-29 西安交通大学 一种加氢站氢气充注过程的动态仿真方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210061415A (ko) * 2018-09-21 2021-05-27 내셔널 인스티튜트 오브 클린-앤-로우-카본 에너지 수소 충전 제어 장치 및 방법
KR20210090059A (ko) * 2020-01-09 2021-07-19 주식회사 효성 수소가스 충전장치 및 수소가스 충전방법
KR20210122622A (ko) * 2020-04-01 2021-10-12 (주)미래기준연구소 연료전지용 ｃｈｓｓ의 실시간 통신 정보 기반 수소 안전 충전 시스템 및 충전 방법
KR102374469B1 (ko) * 2020-10-13 2022-03-14 호서대학교 산학협력단 수소충전소 사고의 위험도 산출을 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
CN114811416A (zh) * 2022-04-21 2022-07-29 西安交通大学 一种加氢站氢气充注过程的动态仿真方法

Also Published As

Publication number Publication date
KR20240028319A (ko) 2024-03-05
WO2024043702A1 (ko) 2024-02-29
KR20240027567A (ko) 2024-03-04

Similar Documents

Publication Publication Date Title
WO2020204584A1 (ko) 배터리 관리 장치 및 방법
WO2013015511A1 (ko) 차량 에너지 관리 시스템, 이를 위한 방법 및 장치
WO2020060325A1 (ko) 전자 장치, 시스템 및 음성 인식 서비스 이용 방법
WO2018052163A1 (ko) Pcs 효율을 고려한 마이크로그리드 운영장치 및 운영방법
WO2022085889A1 (ko) Ess를 이용한 전기차 충전소의 전력 관리 방법 및 장치
CN107000849A (zh) 无人机及其空中补给方法、以及浮空平台及其控制方法
WO2018090823A1 (zh) 一种系统分区关键数据的保护方法及系统、终端
WO2015056964A1 (ko) 하이브리드 이차 전지의 상태 추정 장치 및 그 방법
WO2024043701A1 (ko) 충전소 측 현장 데이터를 이용하는 수소 충전 테스트 방법 및 시스템
WO2016182115A1 (ko) 선박 및 그 전력 운용 방법
WO2020116853A1 (ko) 이차 전지의 충전 장치 및 방법
WO2019017715A1 (en) ELECTRONIC DEVICE AND SYSTEM FOR DETERMINING SPEECH INPUT RECEIVING TIME BASED ON CONTEXTUAL INFORMATION
WO2024072011A1 (ko) 차량과 충전소 측 현장 데이터를 이용하는 수소 충전 테스트 방법 및 시스템
WO2015174766A1 (ko) 배터리 냉각 시스템 시뮬레이션 장치 및 방법
WO2019107806A1 (ko) 계층형 전력 제어 시스템
WO2021230593A1 (ko) 신재생 열병합발전소를 활용한 가상발전소 시스템 및 이를 이용한 가상발전소 운영 방법
WO2022010157A1 (ko) 인공지능 가상 비서 서비스에서의 화면 제공 방법 및 이를 지원하는 사용자 단말 장치 및 서버
WO2023080689A1 (ko) 모델 예측 제어 기반 수소 충전 시스템, 방법 및 장치
WO2024123079A1 (ko) 사용자 주도 설정 기반 수소 충전 방법 및 장치
WO2022019517A1 (ko) 연료전지의 전력 제어 시스템 및 방법
WO2023075209A1 (ko) 표면 발열을 제어하기 위한 방법, 이를 위한 전자 장치 및 저장 매체
WO2019156385A1 (ko) 배터리의 전력 한계를 평탄화하는 방법 및 배터리 관리 시스템
WO2020101271A1 (ko) 전지의 정상 및 단락 상태에 대한 온도 변화 예측 방법
WO2017164471A1 (ko) 연료 전지 시스템 및 그 구동 방법
WO2024019531A1 (ko) 수소전기차 충전을 위한 상호운용성을 가지는 통신 장치 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23857733

Country of ref document: EP

Kind code of ref document: A1