WO2025150992A1 - 주어진 연료공급 프로토콜을 개선하기 위한 모델 기반 수소 연료공급 방법 및 그 방법을 이용하는 제어 장치 - Google Patents

주어진 연료공급 프로토콜을 개선하기 위한 모델 기반 수소 연료공급 방법 및 그 방법을 이용하는 제어 장치

Info

Publication number
WO2025150992A1
WO2025150992A1 PCT/KR2025/000655 KR2025000655W WO2025150992A1 WO 2025150992 A1 WO2025150992 A1 WO 2025150992A1 KR 2025000655 W KR2025000655 W KR 2025000655W WO 2025150992 A1 WO2025150992 A1 WO 2025150992A1
Authority
WO
WIPO (PCT)
Prior art keywords
hydrogen
mobility
fuel supply
control
fueling
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
PCT/KR2025/000655
Other languages
English (en)
French (fr)
Inventor
김헌창
정용호
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hyundai Motor Co
Hoseo University Academic Cooperation Foundation
Kia Corp
Original Assignee
Hyundai Motor Co
Hoseo University Academic Cooperation Foundation
Kia Corp
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 Hyundai Motor Co, Hoseo University Academic Cooperation Foundation, Kia Corp filed Critical Hyundai Motor Co
Publication of WO2025150992A1 publication Critical patent/WO2025150992A1/ko
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • F17C5/06—Methods or apparatus for filling containers with liquefied, solidified, or compressed gases under pressures for filling with compressed gases
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • F17C2250/00—Accessories; Control means; Indicating, measuring or monitoring of parameters
    • F17C2250/03—Control means
    • 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 refuelling 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/40—Application of hydrogen technology to transportation, e.g. using fuel cells

Definitions

  • Another object of the present invention is to improve the speed and real-time performance of the hydrogen fueling process and to improve the accuracy of the control and prediction process of the hydrogen fueling process by utilizing additional means such as an artificial neural network model and/or model predictive control.
  • the step of performing the second hydrogen fuel supply process can perform the second hydrogen fuel supply process by operating the first fuel supply protocol and the control model in parallel.
  • a method for supplying hydrogen to a hydrogen-fueled mobility may further include a step of verifying a control model.
  • control model may be a model that has learned a model prediction control (MPC) function.
  • MPC model prediction control
  • control model may be an artificial neural network (ANN) model that has learned a control function of a hydrogen fueling process.
  • ANN artificial neural network
  • the speed and real-time performance of the hydrogen fueling process can be improved, and the accuracy of the control and prediction process of the hydrogen fueling process can be improved by utilizing additional means such as an artificial neural network model and/or model predictive control.
  • FIG. 8 is a flowchart illustrating the training and inference process of an artificial neural network when an artificial neural network is used for model prediction control in a hydrogen fuel supply process according to one embodiment of the present invention.
  • Figure 11 is a conceptual diagram illustrating the training and application process of an artificial neural network model for implementing the embodiment of Figure 10.
  • hydrogen fueled mobility refers to mobility that uses hydrogen as a fuel
  • mobility can include automobiles in the conventional sense, automobiles, and hybrid vehicles that can use both manpower and fuel.
  • a hydrogen fueling protocol and/or a communication protocol for hydrogen fueling may be applied in hydrogen fuel mobility.
  • a Pressure Relief Device is a device placed in the CHSS that can isolate the stored hydrogen from the rest of the fuel system and environment, or, conversely, release the hydrogen to the outside.
  • Hydrogen charging basically means the process of supplying high-pressure hydrogen from a dispenser at a hydrogen charging station and compressing and storing it in a tank of a vehicle.
  • Hydrogen charging can be briefly used with the same meaning as fueling in terms of supplying hydrogen fuel to a hydrogen electric vehicle. That is, in this specification, "fueling” can be used to mean fuel supply or hydrogen charging or charging, and charging can mean charging hydrogen fuel.
  • a fueling protocol can be referred to as a charging protocol
  • a fueling session can be referred to as a charging session
  • a fueling method can be referred to as a hydrogen charging method or a charging (fueling) method.
  • Average Pressure Ramp Rate refers to the average pressure ramp rate from the start to the end of hydrogen fueling.
  • a dispenser is a component that delivers pre-cooled hydrogen to the CHSS.
  • the dispenser is placed at a hydrogen charging station and can perform hydrogen charging operations between the hydrogen storage tank of the hydrogen charging station and the CHSS of the vehicle.
  • the nozzle is a device that is connected to the dispenser and engages with the receptacle of a hydrogen electric vehicle to allow the delivery of hydrogen fuel.
  • Interoperability can refer to the state in which the components of a system relative to each other can work together to perform the intended operation of the entire system.
  • Information interoperability can refer to the ability of two or more networks, systems, devices, applications, or components to share information safely and effectively and easily with little or no inconvenience to users.
  • Hydrogen fueled mobility refers to mobility that uses hydrogen as an energy source or generates electric energy using hydrogen as fuel and uses the same to drive an electric motor.
  • hydrogen fueled mobility may include aerial mobility as well as industrial trucks, trains, ships, and aircraft that generate electric energy using hydrogen as fuel and use the same to drive devices.
  • the two-way communication process for hydrogen fuel supply of the present invention can be partially applied not only to hydrogen fuel mobility but also to buildings or facilities that use hydrogen as an energy source.
  • some or all of the processes of the communication method, the communication protocol negotiation method, the hydrogen charging (fueling) protocol negotiation method, and the hydrogen charging (fueling) parameter negotiation method performed in hydrogen fuel mobility may be performed by an electronic control unit (ECU), a communication device, or a communication control device in hydrogen fuel mobility.
  • ECU electronice control unit
  • some or all of the processes of the communication method, the communication protocol negotiation method, the hydrogen charging (fueling) protocol negotiation method, the hydrogen charging (fueling) parameter negotiation method, the hydrogen charging (fueling) method, and the hydrogen charging (fueling) control method performed in the dispenser may be performed by a controller, an electronic control unit, a communication device, or a communication control device of the dispenser.
  • some processes of the above methods may be performed by a controller, an electronic control unit, a communication device, or a communication control device of a charging station associated with the dispenser.
  • hydrogen storage systems attached to vehicles can be largely divided into high-pressure hydrogen tanks, pressure control devices, high-pressure pipes, and external frames.
  • High-pressure hydrogen tanks have been developed and commercialized with capacities of tens to hundreds of liters, and for vehicles, small and lightweight storage tanks are connected in parallel to achieve high capacities.
  • a real-time hydrogen charging control technique 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 the prediction results can be improved by reflecting real-time measurement values on an artificial neural network model utilizing actual fuel supply data together with theoretical simulation results.
  • thermodynamic modeling For the minimum requirements for safety, simulations are performed through thermodynamic modeling for various situations, and the parameters derived from this are utilized in the Table-based single injection method and the MC-formula-based partial real-time correction method.
  • Simulations can be performed through thermodynamic modeling using boundary conditions including Best to Worst Case.
  • the injection speed is determined in advance by assuming the worst expected boundary condition (excessive boundary condition).
  • the injection speed is simply determined by the average pressure ramp rate/average pressure ramp rate (APRR), which can be a factor that hinders active response according to the situation.
  • APRR average pressure ramp rate/average pressure ramp rate
  • Thermodynamic models take a lot of time to derive mathematical calculation results, so they are limited in application when there are no pre-calculated variables because they indirectly utilize variables derived from the model, and there is a lack of flexibility in the detailed adjustments to the method itself.
  • FIG. 2 is a conceptual diagram illustrating an example of state changes that occur during a hydrogen fuel supply process for hydrogen fuel mobility (300) to which one embodiment of the present invention is applied.
  • the storage tank (310) is configured to have low heat transfer efficiency of the carbon fiber covering the dome and body of the tank (310) in order to block heat exchange between the external atmosphere and the hydrogen gas stored inside during driving.
  • the artificial neural network model (120) can receive data from a charging station (200) and/or mobility (300) using real-time communication, and use the data to transmit information for controlling hydrogen fuel supply to the hydrogen fuel supply controller (110) for optimal hydrogen fuel supply.
  • Static data may include, for example, the volume of the tank of the mobility (300) or the charging station (200), the pressure rating, the maximum pressure allowed, the type of the tank, the number of tanks, the size of the tank, the serial number of the tank, the manufacturer of the tank, the usage data of the tank, the allowable temperature range of the hydrogen fluid in the tank, etc.
  • Dynamic data may include, for example, fueling commands (e.g., start, stop, pause, abandon, increase flow, decrease flow, tank change commands), control parameters for fueling (e.g., average pressure ramp rate (APRR), pressure ramp rate (PRR), etc.), real-time measurements of pressure and/or temperature within the tank, including fluctuations in temperature and/or pressure within the tank (which may indicate a leak and/or impending failure), state of charge (SOC) of the tank at the charging station or mobility side, ambient temperature outside the tank, and/or real-time measurements of the flow rate of hydrogen fluid into the tank.
  • fueling commands e.g., start, stop, pause, abandon, increase flow, decrease flow, tank change commands
  • control parameters for fueling e.g., average pressure ramp rate (APRR), pressure ramp rate (PRR), etc.
  • APRR average pressure ramp rate
  • PRR pressure ramp rate
  • real-time measurements of pressure and/or temperature within the tank including fluctuations in temperature and/or pressure within the tank (which may indicate a
  • an exception and problem situation handling module (400) can be added.
  • the ANN-MPC model basically assumes real-time two-way communication, and can exhibit optimal performance under conditions where real-time two-way communication is possible.
  • FIG. 4 is a conceptual diagram illustrating a model prediction control (MPC) process according to one embodiment of the present invention.
  • MPC model prediction control
  • the control method illustrated in Fig. 4 is ANN-MPC, which uses an artificial neural network model (120) as a prediction model and a feedback control loop including a hydrogen fuel supply controller (110) as a control method.
  • the temperature, pressure, and outside temperature of the mobility (300) and the charging station (200) are used as inputs, and the temperature and pressure of the storage tank (310) of the mobility (300) are set as outputs.
  • the output can be predicted by an artificial neural network model (120) that learns the correlation between input and output using simulation data by a theoretical model and data measured in an actual field.
  • the pressure ramp rate (PRR) which is the charging speed for achieving the target value
  • PRR_pd the pressure ramp rate
  • the artificial neural network model (120) can predict SOC_pd.
  • SOC_pd is input to the controller (110) as a replacement for the initial target SOC_sp.
  • the SOC_m of the mobility (300) side where PRR_c is actually applied and hydrogen fuel supply is performed is transmitted to the artificial neural network model (120) so that the artificial neural network model (120) can be trained to improve the prediction accuracy of SOC_pd as an objective function or loss function.
  • Real-time temperature, pressure, and abnormal signals of the mobility (300) can be transmitted to the artificial neural network model (120).
  • real-time temperature, pressure, and abnormal signals of the mobility (300) can also be transmitted to the hydrogen fuel supply controller (110).
  • the hydrogen fuel supply controller (110) generates an actual control command, and hydrogen fuel supply of the dispenser (100) is performed based on the control command, and part of the control command, for example, a temperature down command, may also be transmitted to the mobility (300) side.
  • a hydrogen fuel supply control request based on a hydrogen fuel supply protocol may include a control command for a pressure ramp rate (PRR) for charging hydrogen in a vehicle tank (310).
  • PRR pressure ramp rate
  • Changes in the state of hydrogen in the vehicle tank (310) may include at least one of temperature, pressure, and state of charge (SOC).
  • Learning in artificial neural networks does not necessarily have to be deep learning; it can 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 fueling process.
  • One embodiment of the present invention can predict the next state by an artificial neural network-based model predictive control (MPC) technique.
  • MPC model predictive control
  • the artificial neural network model (120) can be learned using theoretical results, on-site data, or both.
  • the artificial neural network model (120) may be a model trained to receive information related to hydrogen fuel supply control and information on the status of hydrogen in a vehicle tank (310) related to the result of executing a hydrogen fuel supply control request, and to predict changes in the status of hydrogen in the vehicle tank (310).
  • the artificial neural network model (120) may be a model trained to receive information related to hydrogen fuel supply control, the current state of hydrogen in the vehicle tank (310), the state of hydrogen supplied from the dispenser (100) to the mobility (300), and the ambient temperature, and to predict changes in the state of hydrogen in the vehicle tank (310) in the future.
  • the artificial neural network model (120) may be a model trained with the function of predicting changes in the state of hydrogen in the vehicle tank (310) according to each target state of the state of hydrogen in the vehicle tank (310) and each hydrogen fuel supply protocol, which are information related to hydrogen fuel supply control.
  • the artificial neural network model (120) receives information related to hydrogen fuel supply control and information on the state of hydrogen in the vehicle tank (310), and trains a function to predict changes in the state of hydrogen in the vehicle tank (310) by using field data on changes in the state of hydrogen in the vehicle tank as ground truth data, thereby updating parameters in the model (120).
  • the artificial neural network model (120) may be a model trained to predict changes in the state of hydrogen in a vehicle tank (310) using a model prediction control technique.
  • the control of the hydrogen fuel supply can be performed by reflecting these factors.
  • One embodiment of the present invention can improve the reliability of a hydrogen fuel supply process by collecting and processing on-site hydrogen fuel supply data.
  • the field data of the change in the state of hydrogen in the vehicle tank (310) can be first acquired on the mobility (300) side. That is, the field data of the change in the state of hydrogen in the vehicle tank (310) can be acquired on the mobility (300) side regardless of whether the control request is transmitted to the hydrogen vehicle.
  • the control request can include a field data request, and the mobility (300) side can acquire the field data in response to the control request/field data request.
  • Field data may include data obtained from a test environment or an execution device that may be equipped with a test environment or a response (feedback) capable device on the hydrogen vehicle side, a test environment or a response (feedback) capable device on the charging station hydrogen storage cylinder and dispenser side, and/or a module A on the dispensing control system side.
  • a device capable of responding may mean a device that includes a database built based on actual field data and can respond according to a case requested by module A.
  • a learning model based on field data between the dispenser (100) and the charging station (200) can function as a reference for the interaction process between the dispenser part (100a) and the charging station part (200a).
  • an embodiment centered on an artificial neural network model (120) is illustrated in the present application specification, other embodiments of the present invention need not 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, and the hydrogen fueling control-related information and/or feedback control may be updated or the next hydrogen fueling control-related information and/or feedback control may be generated based on the real-time field data.
  • a hydrogen fueling protocol that does not rely on model predictive control or an artificial neural network model (120), and a test method and a test platform for testing a hydrogen fueling system may also be proposed.
  • An integrated management system controlling the simulation of Fig. 5 can obtain the difference between the simulation result of the change in the state of hydrogen in the vehicle tank corresponding to the hydrogen charging control related information and the field data of the change in the state of hydrogen in the vehicle tank.
  • An integrated management system controlling the simulation of Fig. 5 can update a model (120) for a hydrogen fueling process for a hydrogen vehicle corresponding to hydrogen charging control-related information based on differences between simulation results and field data.
  • An integrated management system controlling the simulation of Fig. 5 can obtain simulation results for changes in the state of hydrogen in a vehicle tank in response to a hydrogen charging control request by inputting a future predicted hydrogen charging control request into a model for a hydrogen fueling process, using a model prediction control (MPC) technique.
  • MPC model prediction control
  • An integrated management system controlling the simulation of FIG. 5 can, after updating the model (120), replace the hydrogen fuel mobility (300) side with the model (120) to obtain at least one of simulation data and field data of a change in the state of hydrogen supplied to the dispenser (100) from the station (200) corresponding to a second control request between the dispenser (100) supplying hydrogen to the hydrogen fuel mobility (300) and the station (200) supplying hydrogen to the dispenser (100).
  • the integrated management system controlling the simulation of Fig. 5 can obtain at least one of simulation data and field data of a change in the state of hydrogen in a vehicle tank of a hydrogen fuel mobility (300) that supplies hydrogen from a dispenser (100) and a third control request between the dispenser (100) and the hydrogen fuel mobility (300) by replacing the station (200) side with the model (120) after updating the model (120).
  • the discrepancy between simulation results and actual field data can be easily affected by the characteristics of the device and the diversity of the environment, which are difficult to sufficiently consider in theoretical simulations. Even when the same hydrogen charging protocol is used, the final field data may differ depending on the initial value or final target value. Conversely, even when the same final target value or initial value is assumed, the final field data may differ depending on different hydrogen charging protocols.
  • one embodiment of the present invention may adopt utilization of real-time field data, bidirectional communication between each device, predictive control techniques, integrated control of the entire system including stations and vehicles, and utilization and standardization of hydrogen fueling data based on user needs.
  • the supervisory system (130) or controller can transmit hydrogen charging control related information to the hydrogen fuel mobility (300) via the communication interface (140, 160) by executing an existing hydrogen charging protocol, and can obtain field data on changes in the state of hydrogen in the vehicle tank via the communication interface (140, 160).
  • the supervisory system (130) or controller can obtain a hydrogen charging control sequence by a model (120) for a hydrogen fueling process (if using the ANN-MPC technique, future time series control sequence inputs can be predicted), and an existing hydrogen charging protocol can be enhanced based on the hydrogen charging control sequence by the model (120) for the hydrogen fueling process.
  • One embodiment of the present invention can perform predictive analysis under specific conditions in addition to the conditions assumed in the hydrogen charging protocol.
  • FIG. 6 is a conceptual diagram illustrating a concept of modeling, predicting, or controlling a hydrogen fuel supply process using an artificial neural network (ANN) in a hydrogen fuel supply process according to one embodiment of the present invention.
  • ANN artificial neural network
  • the ambient temperature Tamb ambient temperature
  • the pre-cooled temperature Tpre pre-cooled gas temperature
  • the pre-cooled pressure Tpre pre-cooled gas pressure
  • the learning process of the artificial neural network used in the embodiment 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 suits the purpose of the present invention among known neural networks.
  • the accuracy is gradually improved through updates, and even if a new fuel supply process using a new storage tank (310) configuration or a change in flow rate is introduced, the function can be updated in the model by adding actual data and training, so that it can be widely applied to various mobility fields.
  • model prediction control may be used.
  • FIG. 7 is a conceptual diagram illustrating a concept of controlling a hydrogen fuel supply process to reach a target output using model predictive control in a hydrogen fuel supply process according to one embodiment of the present invention.
  • model predictive control is a control method that uses a model that simulates a process to predict output according to future inputs, and then optimizes the output to use the derived control input.
  • the process response In the process of controlling a process, the process response must exist within a set range in order to comply with various boundary conditions, and MPC can effectively derive the process response within a set range compared to other control methods.
  • MPC plans the input for the prediction horizon time to obtain a process response that approaches the target output, obtains the corresponding response through a prediction model, and uses only the control input as the control input.
  • the same process as before is repeated based on it.
  • an MPC-based control is used to calculate a future output value based on a current measurement value and a model's predicted value, and an operation parameter/variable can be adjusted so that the predicted future response moves to a setpoint (or target) in an optimal manner.
  • Each model-based prediction i.e., prediction horizon
  • n control commands/control actions required to make n model predictions can form a control horizon.
  • the first control action i+1 among the n model prediction and control actions derived at the current time i can be transmitted to the system.
  • new n model prediction and control actions are derived again at the current time i+1, which form new Prediction Horizon and Control Horizon, respectively.
  • FIG. 8 is a flowchart illustrating the training and inference process of an artificial neural network when an artificial neural network is used for model prediction control in a hydrogen fuel supply process according to one embodiment of the present invention.
  • ANN-MPC artificial neural network-model predictive control
  • Fig. 8 we assume an artificial neural network that has learned the function of obtaining an MPC-based Prediction Horizon and a Control Horizon, and in particular, an artificial neural network that has learned the function of obtaining n future predictions and corresponding control commands so that the process of a future response reaching a set point is optimized by MPC.
  • a control system can be configured based on an ANN model (120), and a test platform system for real-time control based on model predictive control can be configured by ensuring the accuracy of the ANN model (120).
  • the test platform system for real-time control 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. By separately setting restrictions, control time intervals, and sensitivity within the system logic, control can be made within the optimal value.
  • the vehicle storage tank (310) configures a system for self-cooling to increase the overall charging speed and improve the safety of hydrogen fuel mobility (300), and may include control logic for self-driving of the system and linkage with a protocol.
  • T40 where the precooling temperature of the pre-cooler (210) is set to -40°C, if the precooling temperature has achieved the target value but the outside temperature is higher than the set value and the temperature rise on the storage tank (310) side is greater than expected, a control signal or information on the current status can be transmitted to the hydrogen fuel mobility (300)/storage tank (310) side so that the self-cooling system of the storage tank (310) can be driven.
  • the target value of the precooling temperature can be adjusted (for example, -35°C).
  • control information or control commands can be transmitted from the dispenser (100) to both the hydrogen fuel mobility (300) and the charging station (200).
  • the self-cooling system of the hydrogen fuel mobility (300) and the charging station (200) may be controlled independently or may be controlled by transmitting a signal from the dispenser (100).
  • a test method and a test platform capable of precisely modeling a hydrogen charging/supplying process based on real-time on-site dynamic data can be implemented.
  • a test method and a test platform can be implemented that provide a model capable of precisely controlling a hydrogen charging/supplying 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.
  • a test technique for control with improved accuracy in predicting hydrogen charging results based on an artificial neural network (ANN) model can be implemented.
  • the hydrogen fueling framework is composed of use case (UC)-specific function blocks, including a discovery and pairing function block (hereinafter, simply referred to as 'UC1' or 'UC-1'), a communication security function block (UC2 or UC-2), a communication protocol negotiation function block (UC3 or UC-3), a fueling protocol negotiation function block (UC4 or UC-4), a fueling parameter negotiation function block (UC5 or UC-5), a safety check-in function block (UC6 or UC-6), a monitoring and control function block (UC7 or UC-7), a safety check-out function block (UC8 or UC-8), a termination function block (UC9 or UC-9), an error handling function block (UC10 or UC-10), and an emergency handling function.
  • Blocks (UC11 or UC-11) can be equipped.
  • Each of the UC1 to UC11 function blocks may correspond to time-series steps (S401 to S411) as illustrated in Fig. 9.
  • Fig. 9 may also be understood as an operational flowchart including time-series steps (S401 to S411).
  • UC10 and UC11 may be individually connected to UC3 to UC8 and configured to perform error handling and/or emergency handling in each use case.
  • the vehicle and the dispenser can perform fuel supply communication by implementing each use case in the order shown in Fig. 9.
  • the vehicle and the dispenser can omit specific use cases if necessary according to predefined requirements.
  • Each of the use cases described above can be implemented through communication between a dispenser control system of a dispenser that supplies hydrogen as fuel to a hydrogen fuel vehicle according to a fueling protocol for a hydrogen fuel vehicle and the hydrogen fuel vehicle.
  • the hydrogen fuel vehicle (hereinafter also referred to simply as “vehicle”) and the dispenser implementing the aforementioned use case can exchange data for vehicle identification in UC-1.
  • the vehicle can be equipped with sensors, an electric control unit (ECU), a transmitter, and a receiver.
  • the receiver can be integrally coupled with the transmitter in case of two-way communication.
  • the dispenser can be configured to receive specific data from the vehicle.
  • the dispenser can store data of data logging or store data specified in the charging station PLC (programmable logic controller) for use in the fueling protocol.
  • Data logging can refer to a process of collecting data for a certain period of time to analyze a specific operating state of a hydrogen fueling system or to record data-based events/operations of a system or network environment, or data collected by this process.
  • the charging station is equipped with a sensor specified by the fueling protocol, and the charging station PLC or electronic control unit can obtain measurements from the sensors and send the measurements to the vehicle.
  • the aforementioned vehicle or charging station can use existing communication protocol standards for communication, such as infrared, Wi-Fi, or Bluetooth.
  • the vehicle and the dispenser can establish a communication channel between the vehicle and the dispenser that is physically connected at the vehicle-to-dispenser interface.
  • the pairing process that establishes this communication channel can be performed using wired, optical, or wireless technologies.
  • the discovery and pairing procedure or pairing process may have pre-conditions that the dispenser nozzle is inserted into and firmly connected to a vehicle fueling receptacle.
  • the vehicle fueling receptacle may be simply referred to as a vehicle receptacle or receptacle.
  • the vehicle and the dispenser know by default which communication protocol to follow. Therefore, subsequent communication after UC-1 can only rely on the communication protocol agreed upon in the current use case, either as a discovery and pairing procedure or as a post-condition of the pairing process. If a communication protocol outside the agreed upon scope is selected by the vehicle or the dispenser, the selected communication will not be performed. That is, even if the pairing process is completed successfully, authorization for fuel or authorization for fuel delivery may not be granted.
  • Any method used to pair the vehicle and dispenser shall be configured so as not to increase the risk of ignition or explosion beyond an acceptable level.
  • any wired pairing method shall be configured to mitigate or prevent the risk of sparking due to electrostatic discharge.
  • any method used to pair the vehicle and the dispenser may be integrated into the vehicle-to-dispenser interface or installed so as to have proximity between the fueling receptacle of the vehicle and the nozzle and hose assembly of the dispenser.
  • the interface may refer to something physically integrated into the nozzle and receptacle interface.
  • the proximity may be defined by hardware associated with the pairing method.
  • the physical geometry used for infrared communication may be specified, including the allowed distance between the transmitter and receiver.
  • the physical geometry of the hydrogen fueling hardware may be pre-specified, wherein the proximity does not include a relatively long-range wireless communication technology such as Bluetooth, such as a pairing method that risks pairing a vehicle and dispenser that are not physically connected.
  • the infrared communication may be referred to as infrared data association (IrDA) communication, and may include bidirectional infrared (bi-IrDA) communication.
  • step S401 communication protocols, fueling protocols, and fueling parameters may be negotiated in S403, S404, and/or S405.
  • the levels of communication supported between the mobility and the dispenser can be represented by Tables 1 and 2 below.
  • Non-communication Level 0 If the vehicle or charging station does not have communication equipment or communication is not possible due to a malfunction communication Level 1 Communication is possible, but is not used for safety functions and may be used for data collection. If risk mitigation measures are provided for data failures, it may be used to improve fuel supply process control. Level 2 Communication is possible, static data is reliable and can be used directly for safety functions, and dynamic data is the same as level 1. communication (ANN model Basic method) Level 3 Communication is possible, and both static and dynamic data are reliable, so they can be used directly for safety and control functions related to fuel supply.
  • Table 1 is an example of defining the reliability level of communication from 0 to 3 based on various situations that may occur, such as communication failure, failure, and lack of safety/reliability of data.
  • the communication levels in Table 1 can refer to the communication levels included in ISO 19885-1, which is currently under development.
  • Level 2 Static data for vehicles and charging stations are applied individually and directly, but dynamic data is applied according to conservative criteria.
  • the received dynamic data is used for reference (for confirmation in case of abnormal signals) and the temperature and pressure of the vehicle are conservatively predicted based on the temperature and pressure of the breakaway.
  • Level 3 Basic simulation using individual static and dynamic data of vehicles and charging stations Real-time control operation optimized for the situation based on real-time communication data Relearn all based on recorded fuel supply data
  • a method for supplying hydrogen to a hydrogen-fueled vehicle, performed in a dispenser that supplies hydrogen as fuel may include a step of obtaining first fuel supply data obtained in a first hydrogen fuel supply process performed based on a first fuel supply protocol (S1200); a step of training a control model to learn a control function of the hydrogen fuel supply process based on the first fuel supply data (S1400); and a step of performing a second hydrogen fuel supply process based on at least one of the first fuel supply protocol and the control model (S1600).
  • the first hydrogen fuel supply process is a process performed according to an existing fuel supply protocol, and as a result of the process, first fuel supply data can be generated (S1200).
  • All data on the state change process such as temperature, pressure, and charging rate (SoC) on the dispenser, mobility, and charging station side from the start to the end of the first hydrogen fuel supply process, can be generated as first fuel supply data.
  • SoC temperature, pressure, and charging rate
  • the first fuel supply data is provided for learning and training the control model, and the hydrogen fuel supply process performed after the training of the control model may be referred to as the second hydrogen fuel supply process for convenience of explanation.
  • Steps S1100 and S1600 can be performed by the controller (110) of the dispenser (100).
  • the first fuel supply data may be generated from the controller (110), the controller of another part of the dispenser (100), the mobility (300), and the hydrogen charging station (200), and may be acquired by a control model disclosed in one embodiment of the present invention.
  • the control model may be placed in the dispenser (100) and may operate stand-alone, but may also be connected to an external server (including a cloud) through a network and operate in cooperation.
  • the control model may be an artificial neural network model (120) as shown in FIG. 3 and/or FIG. 5, but the spirit of the present invention is not limited thereto.
  • the second hydrogen fuel supply process can be performed by operating the first fuel supply protocol and the control model in parallel.
  • the second hydrogen fuel supply process can be performed by replacing at least a part of the functions of the first fuel supply protocol using a control model.
  • a method for supplying hydrogen to a hydrogen-fueled mobility may further include a step of verifying a control model.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Fuel Cell (AREA)

Abstract

본 발명의 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는 (fueling) 방법은, 제1 연료공급 프로토콜에 기반하여 수행되는 제1 수소 연료공급 과정에서 얻어지는 제1 연료공급 데이터를 획득하는 단계; 제1 연료공급 데이터에 기반하여 수소 연료공급 과정의 제어 기능을 학습하도록 제어 모델을 훈련하는 단계; 및 제1 연료공급 프로토콜 및 제어 모델 중 적어도 하나 이상에 기반하여, 제2 수소 연료공급 과정을 수행하는 단계를 포함한다.

Description

주어진 연료공급 프로토콜을 개선하기 위한 모델 기반 수소 연료공급 방법 및 그 방법을 이용하는 제어 장치
본 발명은 수소 연료 모빌리티의 수소 연료공급(Fueling)을 위한 제어 기술에 관한 것으로, 더욱 상세하게는 수소 연료공급의 효율을 높이고 연료공급의 편의성, 속도 및 실시간성을 높이는 수소 연료공급 프로세스, 그 프로세스를 위한 플랫폼과 관련된, 주어진 연료공급 프로토콜을 개선하기 위한 모델 기반 수소 연료공급 방법 및 그 방법을 이용하는 제어 장치 {MODEL-BASED HYDROGEN FUELING METHOD TO IMPROVE GIVEN FUELING PROTOCOL AND CONTROLLER USING THE METHOD}에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래 기술을 구성하는 것은 아니다.
수소차 또는 수소전기차는 차량에 저장된 고압 수소와 대기 중 공기가 만나 생성된 전기에너지로 움직이는 무공해 자동차를 의미한다. 수소전기차는 연료전지차(FCEV, Fuel Cell Electric Vehicle)이라고 불리기도 한다. 수소전기차 대부분은 수소를 에너지원으로 활용해 연료전지 시스템을 이용하여 전기를 생산해 움직인다. 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.
수소 연료 모빌리티(hydrogen fueled mobility)는 수소를 에너지원으로 하거나 수소를 연료로 하여 전기 에너지를 생성하고 이를 이용하여 전동기를 구동하는 방식의 모빌리티를 의미한다. 수소 연료 모빌리티는 앞서 설명한 수소전기차 외에 공중 모빌리티(aerial mobility)는 물론, 산업용 트럭, 열차, 선박, 항공기를 포함하고, 수소를 연료로 하여 전기에너지를 생성하고 이를 이용하여 구동하는 장치를 포함할 수 있다.
수소전기차 대부분은 수소연료저장탱크에 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 배출구를 통해 순수한 물(pure water)만을 배출하는 장점을 가진다.
한편, 수소전기차가 아닌 수소연료차(Hydrogen Fueled Car)의 개념 또한 수소를 연료로 사용하는 차량인데, 수소연료차는 수소를 엔진 (ICE, Internal Combustion Engine)에서 직접 연소하여 발생하는 열로 전동기를 구동하는 방식이다. 수소연료차를 위해서 수소를 연료공급하는 방식은 수소전기차를 위한 수소 연료공급 방식과 크게 다르지 않다.
수소를 연료로 활용하는 차량에 수소를 공급하기 위한 제어 기법에서는, 최종적으로 연료전지 측의 압축수소저장시스템(CHSS, Compressed Hydrogen Storage System)의 온도와 압력을 수소 연료공급의 안전을 위한 한계 온도 및 한계 압력 조건 하에서 동작하도록 제어하는 것을 목표로 한다.
종래의 수소전기차의 수소 연료공급 프로세스, 제어 기법, 및 이를 위한 프로토콜은 과거 유무선 통신 기술이나 제어를 위한 컴퓨팅 기법이 성숙하지 않았을 때 규정된 것이어서 최근 도달한 정보통신기술(ICT)의 성과를 제대로 반영하지 못하고 있다. 따라서 종래의 수소전기차의 수소 연료공급 기술은 비효율적이고 느리며 대용량 수소 연료공급에 적합하지 않다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 수소 연료 모빌리티(hydrogen fueled mobility)의 수소 연료공급(hydrogen fueling) 프로세스, 그 프로세스를 위한 통신 프로토콜 및 연료공급 프로토콜에서 기존의 단방향 통신의 한계 및 취약점들을 극복하고 수소 연료공급의 안전성, 호환성, 효율 및 신뢰성을 향상시킬 수 있는 수소 연료공급 프로세스를 제안하는 것이다.
본 발명의 다른 목적은 수소 연료공급 프로세스의 속도 및 실시간성을 개선하고, 인공신경망 모델 및/또는 모델 예측 제어와 같은 부가적인 수단을 활용하여 수소 연료공급 프로세스의 제어 및 예측 과정의 정확성을 향상시키는 것이다.
본 발명의 다른 목적은 수소 연료 모빌리티와 디스펜서가 수소 연료공급 목표(fueling goal)를 효과적으로 달성하기 위해 종래의 통신 매체 또는 어드밴스드(advanced) 통신 매체를 활용할 수 있는 최적화된 통신 프로토콜 및 연료공급 프로토콜을 적용하는 프로세스를 제안하는 것이다.
본 발명의 다른 목적은 수소 연료공급 시 주변 상황과 여건에 따른 최적화된 연료공급 프로세스를 제안하는 것이다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는(fueling) 디스펜서에서 수행되는, 수소를 연료공급하는 방법은, 제1 연료공급 프로토콜에 기반하여 수행되는 제1 수소 연료공급 과정에서 얻어지는 제1 연료공급 데이터를 획득하는 단계; 제1 연료공급 데이터에 기반하여 수소 연료공급 과정의 제어 기능을 학습하도록 제어 모델을 훈련하는 단계; 및 제1 연료공급 프로토콜 및 제어 모델 중 적어도 하나 이상에 기반하여, 제2 수소 연료공급 과정을 수행하는 단계를 포함할 수 있다.
제2 수소 연료공급 과정을 수행하는 단계는, 제1 연료공급 프로토콜과 제어 모델을 병행하여 운영함으로써, 제2 수소 연료공급 과정을 수행할 수 있다.
제2 수소 연료공급 과정을 수행하는 단계는, 제어 모델을 이용하여 제1 연료공급 프로토콜의 적어도 일부의 기능을 대체함으로써 제2 수소 연료공급 과정을 수행할 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는 방법은, 제어 모델을 검증하는 단계를 더 포함할 수 있다.
이때 제2 수소 연료공급 과정을 수행하는 단계는, 검증된 제어 모델을 이용하여 제1 연료공급 프로토콜의 적어도 일부의 기능을 대체함으로써 제2 수소 연료공급 과정을 수행할 수 있다.
제2 수소 연료공급 과정을 수행하는 단계는, 제어 모델을 이용하여 제1 연료공급 프로토콜의 적어도 일부의 기능을 보조함으로써 제2 수소 연료공급 과정을 수행할 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는(fueling) 방법에서, 제어 모델은, 모델 예측 제어(MPC, Model Prediction Control) 기능을 학습한 모델일 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는(fueling) 방법에서, 제어 모델은, 수소 연료공급 과정의 제어 기능을 학습한 인공신경망(ANN, Artificial Neural Network) 모델일 수 있다.
본 발명의 일 실시예에 따른, 수소 연료 모빌리티에 수소를 연료공급하는 방법은, 제1 연료공급 프로토콜이 모델 예측 제어(MPC, Model Prediction Control) 에 의하여 제어 정보를 생성하는 과정을 지원하는 지 여부를 판정하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른, 수소 연료 모빌리티에 수소를 연료공급하는 방법은, 제1 연료공급 프로토콜과 연관되는 통신 프로토콜이, 모빌리티와 모빌리티에 수소를 연료공급하는 디스펜서 간 양방향 통신을 지원하는 지 여부를 판정하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른, 수소 연료 모빌리티에 수소를 연료공급하는 방법은, 모빌리티와, 모빌리티에 수소를 연료공급하는 디스펜서가, 모빌리티와 디스펜서 간 양방향 통신을 지원하는 지 여부를 판정하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는 (fueling) 과정을 제어하는 장치는, 적어도 하나 이상의 명령을 저장하는 메모리; 및 적어도 하나 이상의 명령을 실행하는 프로세서를 포함하고, 프로세서는, 적어도 하나 이상의 명령에 의하여, 제1 연료공급 프로토콜에 기반하여 수행되는 제1 수소 연료공급 과정에서 얻어지는 제1 연료공급 데이터를 획득할 수 있고, 제1 연료공급 데이터에 기반하여 수소 연료공급 과정의 제어 기능을 학습하도록 제어 모델을 훈련할 수 있고, 제1 연료공급 프로토콜 및 제어 모델 중 적어도 하나 이상에 기반하여, 제2 수소 연료공급 과정을 수행할 수 있다.
프로세서는, 제1 연료공급 프로토콜과 제어 모델을 병행하여 운영함으로써, 제2 수소 연료공급 과정을 수행할 수 있다.
프로세서는, 제어 모델을 이용하여 제1 연료공급 프로토콜의 적어도 일부의 기능을 대체함으로써 제2 수소 연료공급 과정을 수행할 수 있다.
이때 프로세서는, 제어 모델을 검증할 수 있고, 검증된 제어 모델을 이용하여 제1 연료공급 프로토콜의 적어도 일부의 기능을 대체함으로써 제2 수소 연료공급 과정을 수행할 수 있다.
프로세서는, 제어 모델을 이용하여 제1 연료공급 프로토콜의 적어도 일부의 기능을 보조함으로써 제2 수소 연료공급 과정을 수행할 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는 과정을 제어하는 장치에서, 제어 모델은, 모델 예측 제어(MPC, Model Prediction Control) 기능을 학습한 모델일 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는 과정을 제어하는 장치에서, 제어 모델은, 수소 연료공급 과정의 제어 기능을 학습한 인공신경망(ANN, Artificial Neural Network) 모델일 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는 과정을 제어하는 장치에서, 프로세서는, 제1 연료공급 프로토콜이 모델 예측 제어(MPC, Model Prediction Control)에 의하여 제어 정보를 생성하는 과정을 지원하는 지 여부를 판정할 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는 과정을 제어하는 장치에서, 프로세서는, 제1 연료공급 프로토콜과 연관되는 통신 프로토콜이, 모빌리티와 모빌리티에 수소를 연료공급하는 디스펜서 간 양방향 통신을 지원하는 지 여부를 판정할 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는 과정을 제어하는 장치에서, 프로세서는, 모빌리티와, 모빌리티에 수소를 연료공급하는 디스펜서가, 모빌리티와 디스펜서 간 양방향 통신을 지원하는 지 여부를 판정할 수 있다.
본 발명의 일 실시예에 따르면, 수소 연료 모빌리티(hydrogen fueled mobility)의 수소 연료공급(hydrogen fueling) 프로세스, 그 프로세스를 위한 통신 프로토콜 및 연료공급 프로토콜에서 기존의 단방향 통신의 한계 및 취약점들을 극복하고 수소 연료공급의 안전성, 호환성, 효율 및 신뢰성을 향상시킬 수 있다.
본 발명의 일 실시예에 따르면, 수소 연료공급 프로세스의 속도 및 실시간성을 개선할 수 있고, 인공신경망 모델 및/또는 모델 예측 제어와 같은 부가적인 수단을 활용하여 수소 연료공급 프로세스의 제어 및 예측 과정의 정확성을 향상시킬 수 있다.
본 발명의 일 실시예에 따르면, 수소 연료공급 시 주변 상황과 여건에 따른 최적화된 연료공급 프로세스를 구현할 수 있다.
도 1은 본 발명의 일 실시예가 적용되는 수소 모빌리티(Hydrogen fueled mobility)를 위한 수소 연료공급 및 그 제어 과정을 도시하는 개념도이다.
도 2는 본 발명의 일 실시예가 적용되는 수소차/수소 모빌리티를 위한 수소 연료공급 과정에서 나타나는 상태 변화의 일 예를 도시하는 개념도이다.
도 3은 본 발명의 일 실시예에 따른 수소 연료공급 과정이 적용되는 플랫폼 또는 테스트 플랫폼을 도시하는 개념도이다.
도 4는 본 발명의 일 실시예에 따른 모델 예측 제어 (MPC, Model Prediction Control) 과정을 도시하는 개념도이다.
도 5는 본 발명의 일 실시예에 따른 수소 연료공급 과정에서 이용되는 시뮬레이션을 위한 플랫폼 또는 테스트 플랫폼을 도시하는 개념도이다.
도 6은 본 발명의 일 실시예에 따른 수소 연료공급 과정에서 인공 신경망(ANN, Artificial Neural Network)을 이용하여 수소 연료공급 과정을 모델링, 예측, 또는 제어하는 개념을 도시하는 개념도이다.
도 7은 본 발명의 일 실시예에 따른 수소 연료공급 과정에서 모델 예측 제어를 이용하여 타겟 출력에 도달하도록 수소 연료공급 과정을 제어하는 개념을 도시하는 개념도이다.
도 8은 본 발명의 일 실시예에 따른 수소 연료공급 과정에서 모델 예측 제어를 위하여 인공 신경망을 이용하는 경우, 인공 신경망의 훈련 및 추론 과정을 도시하는 동작 흐름도이다.
도 9는 본 발명의 일 실시예에 따른 수소 연료공급 통신 양방향 프로세스를 채용할 수 있는 일련의 수소 연료공급 절차를 수행하는 기능 블록들에 대한 프레임워크이다.
도 10은 본 발명의 일 실시예에 따른 수소 연료공급 방법을 도시하는 동작 흐름도이다.
도 11은 도 10의 실시예를 구현하기 위한 인공신경망 모델의 훈련 및 적용 과정을 도시하는 개념도이다.
도 12는 도 1 내지 도 11의 과정의 적어도 일부를 수행할 수 있는 일반화된 수소 연료공급 제어 장치, 수소 연료공급 제어 시스템, 수소 연료공급 시뮬레이션 장치, 수소 연료공급 시뮬레이션 시스템, 수소 연료공급 테스트 플랫폼, 수소 연료공급 테스트 시스템 또는 컴퓨팅 시스템의 예시를 도시하는 개념도이다.
상기 목적 외에 본 발명의 다른 목적 및 특징들은 첨부 도면을 참조한 실시예에 대한 설명을 통하여 명백히 드러나게 될 것이다.
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.
수소차 (hydrogen fueled vehicle)는 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.
또한 수소 연료 모빌리티 (hydrogen fueled mobility)는 수소를 연료로 하는 모빌리티를 지칭하며, 모빌리티에는 통상적인 의미의 자동차, 오토모빌, 인력과 연료를 함께 활용할 수 있는 하이브리드 이동수단 등이 포함될 수 있다.
이하의 실시예에서 수소 연료 모빌리티에서는 수소 연료공급 (fueling) 프로토콜 및/또는 수소 연료공급을 위한 통신 프로토콜이 적용될 수 있다.
수소 유체 연료는 기체 수소 연료 또는 액체 수소 연료를 포함할 수 있다.
압축수소 저장시스템(CHSS, Compressed Hydrogen Storage System)은 차량/모빌리티 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 충전은 기본적으로 수소 충전소(Hydrogen Station)의 디스펜서로부터 고압 수소를 공급받아 차량의 탱크에 압축 저장하는 과정을 의미한다. 수소 충전은 수소전기차에 수소 연료 공급하는 측면에서 간략히 연료공급(fueling)과 동일한 의미로 사용될 수 있다. 즉, 본 명세서에서 "fueling"은 연료공급이나 수소 충전 또는 충전의 의미로 사용될 수 있고, 충전은 수소 연료의 충전을 의미할 수 있다. 예를 들어, 연료공급 프로토콜은 충전 프로토콜로 지칭될 수 있고, 연료공급 세션은 충전 세션으로 지칭될 수 있고, 연료공급 방법은 수소충전 방법 또는 충전(fueling) 방법으로 지칭될 수 있다.
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. 디스펜서는 수소 충전소에 배치되고 수소 충전소의 수소 저장 탱크와 차량의 CHSS 사이에서 수소 충전 동작을 수행할 수 있다.
노즐(nozzle)은 디스펜서에 연결되며 수소전기차의 리셉터클(receptacle)에 결합하고 수소 연료의 전달을 허용하는 장치를 의미한다.
충전 세션(fueling session)은 수소 충전(hydrogen fueling)을 위한 유즈케이스(use cases) 전체에 걸쳐 이루어지는 통신 세션들을 포함하는 의미로 사용될 수 있다.
상호운용성(Interoperabilty)은 서로 상대적인 시스템의 성분들이 전체 시스템의 목적하는 동작을 수행하기 위해 함께 작동할 수 있는 상태를 지칭할 수 있다. 정보 상호운용성(Information interoperability)은 두 개 이상의 네트워크들, 시스템들, 디바이스들, 애플리케이션들 또는 성분들이 사용자가 거의 또는 전혀 불편함 없이 안전하고 효과적으로 정보를 공유하고 쉽게 사용할 수 있는 능력을 지칭할 수 있다.
연관(Correlation/Association)은 두 피어(peer) 통신 실체들 사이의 관계 성립 절차를 포함할 수 있다.
명령 및 제어 통신(Command and control communication)은 수소 연료 공급 프로세스의 시작, 제어 및 종료에 필요한 정보를 교환하는 전기차 수소연료 공급장치와 수소전기차 사이의 통신을 지칭할 수 있다.
한편, 이하의 상세한 설명에서는 설명의 편의를 위하여 수소전기차 또는 연료전지전기차(fuel cell electric vehicle, FCEV)와 관련된 실시예가 도시될 수 있지만 본 발명의 사상은 다양한 종류의 수소 연료 모빌리티(hydrogen fueled mobility)에 적용될 수 있는 것임은 당업자에게 자명하다. 수소 연료 모빌리티는 수소를 에너지원으로 하거나 수소를 연료로 하여 전기 에너지를 생성하고 이를 이용하여 전동기를 구동하는 방식의 모빌리티를 의미한다. 수소 연료 모빌리티에는 수소전기차 외에 공중 모빌리티(Aerial Mobility)는 물론, 산업용 트럭, 열차, 선박, 항공기 또한 수소를 연료로 하여 전기에너지를 생산하고 이를 이용하여 구동하는 장치가 포함될 수 있다.
또한, 본 발명의 수소 연료공급을 위한 양방향 통신 프로세스는 수소 연료 모빌리티 뿐만 아니라 수소를 에너지원으로 하는 건축물, 또는 시설물에도 부분적으로 적용될 수 있다.
또한, 이하의 설명에서, 수소 연료는 가스 상태의 수소 및 액체 상태의 수소 중 적어도 하나를 포함할 수 있고, 기본적으로 압축된 수소를 의미할 수 있으나 이에 한정되지는 아니한다.
아울러 수소 연료공급 통신 양방향 프로세스를 이용하는 차량은 설명의 편의상 수소전기차(FCEV)를 중심으로 설명하지만, 이러한 구성으로 한정되지 않고, 수소를 연료로 사용하는 하이브리드 형태의 EV(electric vehicle) 차량, ICE(internal combustion engine) 차량 등도 포함할 수 있다.
이하의 명세서에서 수소 연료 모빌리티에서 수행되는 통신 방법, 통신 프로토콜 협상 방법, 수소 충전(연료 공급, fueling) 프로토콜 협상 방법, 및 수소 충전(연료 공급, fueling) 파라미터 협상 방법의 일부 또는 전부 과정은 수소 연료 모빌리티 내의 전자제어장치(ECU), 통신 장치, 또는 통신 제어 장치에 의하여 수행될 수 있다.
이하의 명세서에서 디스펜서에서 수행되는 통신 방법, 통신 프로토콜 협상 방법, 수소 충전(연료 공급, fueling) 프로토콜 협상 방법, 수소 충전(연료 공급, fueling) 파라미터 협상 방법, 수소 충전(연료 공급, fueling) 방법, 및 수소 충전(연료 공급, fueling) 제어 방법의 일부 또는 전부 과정은 디스펜서의 컨트롤러, 전자제어장치, 통신 장치, 또는 통신 제어 장치에 의하여 수행될 수 있다. 또한 디스펜서와 연관되는 충전 스테이션의 컨트롤러, 전자제어장치, 통신 장치, 또는 통신 제어 장치에 의하여 상기 방법의 일부 과정이 수행될 수도 있다.
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 수소 모빌리티(Hydrogen fueled mobility)를 위한 수소 연료공급 및 그 제어 과정을 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 연료공급 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 의미하며, 설명의 편의를 위하여 "탱크" 및 CHSS(310)의 표현이 혼용될 수 있다.
전형적인 수소저장시스템에서는 저장탱크(310)로 수소가스가 출입할 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 수소 연료 모빌리티(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 수소 연료 모빌리티(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 연료공급이 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 수소 연료공급 제어기 (110)가 능동적으로 수소 연료 모빌리티(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 수소전기차의 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 수소 연료 모빌리티(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 연료공급 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 수소연료공급 프로세스는 수소 연료 모빌리티(300)과 수소충전소(200) 간의 제어를 디스펜서(100)가 담당하고 있으며, 디스펜서(100)에는 정해진 규약에 따라서 수소를 수소 연료 모빌리티(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 예냉(Pre-Cooling)이 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, 수소 연료 모빌리티(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 수소 연료 모빌리티(300)를 위한 수소 연료공급 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 연료공급 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.
연료공급 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, 수소 연료 모빌리티(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 연료공급 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 연료공급 과정이 적용되는 플랫폼 또는 테스트 플랫폼을 도시하는 개념도이다.
도 3을 참조하면, 디스펜서 (100) 내에 수소 연료공급 제어기 (110) 외에 인공신경망 모델 (120)이 배치되는 실시예가 도시된다.
인공신경망 모델 (120)이 모델 예측 제어 (MPC, Model Prediction Control) 과정을 수행하여 다음 상태 값을 예측하는 경우, ANN-MPC 방법에 의한 수소 연료공급 제어가 구현될 수 있다. 도 3에서 ANN-MPC 기반 수소 연료공급 제어가 허용된 연료공급 프로토콜이 사용된다고 가정하면, ANN-MPC 기반 수소 연료공급 프로토콜은 충전소 (200)와 모빌리티 (300) 사이의 디스펜서 (100)에 구현되는 것이 일반적이다. 본 발명의 대안적 실시예에서는 ANN-MPC 기반 수소 연료공급 프로토콜은 수소 연료공급 제어기 (110), 또는 인공신경망 모델 (120) 내에 구현될 수 있다. 또한 본 발명의 대안적 실시예에서는 ANN-MPC 기반 수소 연료공급 프로토콜, 수소 연료공급 제어기 (110), 또는 인공신경망 모델 (120)은 디스펜서 (100) 내에 배치되지 않더라도 디스펜서 (100)와 전자적으로 통신 가능하며 디스펜서 (100) 내의 수소 연료공급 과정에 영향을 미칠 수 있는 컨트롤러의 일부로서 구현될 수 있다.
다시 도 3을 참조하면, 인공신경망 모델 (120)은 실시간 통신을 이용하여 충전소 (200) 및/또는 모빌리티 (300)로부터 데이터를 제공받고, 이를 활용하여 최적의 수소 연료공급을 위하여 수소 연료공급을 제어하는 정보를 수소 연료공급 제어기 (110)에 전달할 수 있다.
이때 실시간 통신 데이터는 정적 및 동적 데이터로 구성되어 있으며, 정적 데이터는 시간에 따라 변하지 않는 저장탱크의 용량, 구성, 또는 설비의 종류 등으로 구성되며, 동적 데이터는 연료공급 과정 중에서 변할 수 있는 온도나 압력 등의 데이터를 지칭할 수 있다.
정적 데이터 (static data)는 예를 들어, 모빌리티 (300) 또는 충전소 (200)의 탱크의 부피, 압력 등급, 허용하는 최대 압력, 탱크의 유형, 탱크들의 개수, 탱크의 크기, 탱크의 일련번호, 탱크의 제조사, 탱크의 이용 데이터, 탱크 내 수소 유체의 온도 허용 범위 등을 포함할 수 있다.
동적 데이터 (dynamic data)는 예를 들어, 연료공급 커맨드들(예컨대, 시작, 정지, 일시정지, 포기, 유량 증가, 유량 감소, 탱크 변경 커맨드들 등), 연료공급을 위한 제어 파라미터 (예컨대, 평균 압력 증가율 (APRR, Average Pressure Ramp Rate), 압력 증가율 (Pressure Ramp Rate) 등), (누설 및/또는 임박한 고장을 표시할 수 있는,) 탱크 내의 온도 및/또는 압력의 등락(fluctuation)들을 포함하는 탱크 내의 압력 및/또는 온도의 실시간 측정값들, 충전소 또는 모빌리티 측의 탱크의 잔존 충전율 (SOC, State of Charge), 탱크 외부의 주변 온도, 및/또는 탱크로 유입되는 수소 유체의 유량의 실시간 측정 등을 포함할 수 있다.
다시 도 3을 참조하면, ANN-MPC 기반 연료공급 프로토콜에 기반하는 수소 연료공급 제어 방법은, 수소 연료공급 시작 전 정적 데이터를 이용하여 수소 연료공급에 필요한 기본 조건을 설정할 수 있고, 수소 연료공급 과정 중에서는 동적 데이터에 기반하여 실시간 제어를 수행할 수 있다.
도 3을 참조하면 예외상황 및 문제상황 처리 모듈 (400)이 추가될 수 있다. ANN-MPC 모델은 기본적으로 실시간 양방향 통신을 전제로 하며, 실시간 양방향 통신이 가능한 조건에서 최적의 성능을 발휘할 수 있다.
하지만 수소 연료공급을 시작하기 전의 확인 과정이나, 실제 수소 연료공급 도중 실시간 통신 조건에서 벗어나는 다양한 상황이 아래와 같이 발생할 수 있다.
(1) 무통신 (No communication) 상황: 모빌리티 (300) 또는 충전소 (200)에 통신 기능이 구비되어 있지 않거나, 통신 기능이 고장이거나, 연료공급 도중 통신 기능이 고장나 통신이 불가능한 경우
(2) 통신 오류: 모빌리티 (300) 또는 충전소 (200)와 통신이 가능하지만, 부품, 센서, 설비가 비정상적으로 동작하여 데이터의 일부가 누락되거나 오류가 발생하는 경우
(3) 설비, 부품, 차량의 미인증: 모빌리티 (300) 또는 충전소 (200)와 통신이 가능하고 데이터가 정상적으로 수집되지만 모빌리티 (300) 또는 설비에서 전달되는 데이터의 신뢰성이 낮아 검증이 요구되거나 제한적인 사용이 요구되는 경우
④ 통신 규약 미인증: 모빌리티 (300) 또는 충전소 (200)와 통신이 가능하지만 통신 방법이 표준에 규정되지 않거나 해당 국가에서 인증되지 않아 안전성, 신뢰성, 안정성을 확보하지 못한 경우
ANN-MPC의 실시간 통신 기반의 제어가 기능적인 측면에서 최적의 성능을 가질 수 있지만, 실제 현장에 적용하기 위해서는, 다양한 형태로 발생할 수 있는 통신상의 문제에 대해 효과적, 단계적, 차등적으로 대응할 수 있는 방안이 요구되며, 후술할 실시예에서 이러한 문제를 해결할 수 있는 수단이 제안된다.
도 4는 본 발명의 일 실시예에 따른 모델 예측 제어 (MPC, Model Prediction Control) 과정을 도시하는 개념도이다.
MPC를 통한 제어 방법에서는 예측 모델의 정확도가 증가할수록 제어의 정확도가 증가한다. 도 4에 도시된 제어 방법은 ANN-MPC 로서, 예측 모델로서 인공신경망 모델 (120)을 사용하고, 제어 방식으로 수소 연료공급 제어기 (110)를 포함하는 피드백 제어 루프를 이용한다.
도 4를 참조하면, 모빌리티 (300)와 충전소 (200)의 온도, 압력, 외기 온도가 입력으로 이용되고, 모빌리티 (300)의 저장탱크 (310)의 온도와 압력이 출력으로 설정된다.
도 4에서는 수소 모빌리티 (300)의 온도와 압력을 출력으로 예측하는 실시예가 도시되지만, 본 발명의 대안적 실시예에서는 충전소 (200)의 저장탱크의 온도와 압력을 출력으로 예측하는 실시예가 구현될 수 있다.
이론 모델에 의한 시뮬레이션 데이터와 실제 현장에서 측정된 데이터를 이용하여 입력과 출력 사이의 상관관계를 학습한 인공 신경망 모델 (120)에 의하여 새로운 입력이 주어지면 출력을 예측할 수 있다.
제어기 (110)에 specified된 SOC 값 (목표값)이 주어지면 목표값을 달성하기 위한 충전 속도인 압력 증가율 (PRR, Pressure Ramp Rate)을 예측할 수 있다. PRR_pd가 제어 파라미터로 주어질 때 인공신경망 모델 (120)은 SOC_pd를 예측할 수 있다. SOC_pd는 최초 목표인 SOC_sp를 대체하여 제어기 (110)로 입력된다. 이때 PRR_c가 실제로 적용되어 수소 연료공급이 이루어진 모빌리티 (300) 측의 SOC_m이 공신경망 모델 (120)에 전달되어 목적함수 또는 손실함수로서 SOC_pd의 예측 정확도를 향상시킬 수 있도록 인공신경망 모델 (120)이 학습될 수 있다.
도 3 및 도 4를 함께 참조하면, 충전소 (200)의 실시간 온도, 압력, 충전소 (200) 측의 공급속도 (PRR을 의미할 수 있음), 이상 신호가 인공신경망 모델 (120)로 전달될 수 있다. 본 발명의 대안적 실시예에서는 충전소 (200)의 실시간 온도, 압력, 충전소 (200) 측의 공급속도 (PRR을 의미할 수 있음), 이상 신호가 수소 연료공급 제어기 (110)로도 전달될 수 있다.
모빌리티 (300)의 실시간 온도, 압력, 이상 신호가 인공신경망 모델 (120)로 전달될 수 있다. 본 발명의 대안적 실시예에서는 모빌리티 (300)의 실시간 온도, 압력, 이상 신호가 수소 연료공급 제어기 (110)로도 전달될 수 있다.
수소 연료공급 제어기 (110)는 실제 제어 명령을 생성하고, 제어 명령에 기반하여 디스펜서 (100)의 수소 연료공급이 수행되며, 모빌리티 (300) 측에도 제어 명령의 일부, 예를 들면 강온 명령 (Temperature down) 등이 전달될 수 있다.
이때 수소 연료공급의 제어와 관련되는 명령 또는 정보는, 모빌리티 (300)의 탱크(310) 내 수소 연료공급을 위한 압력 증가율(PRR, Pressure Ramp Rate), 압력 증가율에 대한 제어 명령, 및/또는 그 제어 명령이 실행된 결과로서 디스펜서 (100) 측의 상태 정보 등을 포함할 수 있다. 또한 수소 연료공급의 제어와 관련되는 정보는 피드백 제어 과정에서 도출되는 실시간 압력 증가율(PRR) 또는 압축 수소의 질량 유량(mass flow rate of compressed hydrogen, kg/s) [m_dot] 등과 같이 모빌리티 (300)의 차량탱크(310)의 수소의 상태의 변화에 영향을 미칠 수 있는 변수에 대한 정보, 및/또는 그 변수에 의한 제어가 실행된 결과 정보 등을 포함할 수 있다. 이들 수소 연료공급의 제어 관련 정보는 인공 신경망 모델(120)의 숨은 레이어의 가중치 또는 파라미터에도 영향을 미칠 수 있다.
수소 연료공급 프로토콜에 기반한 수소 연료공급 제어 요청은 차량탱크(310) 내 수소 충전을 위한 압력 증가율(PRR, Pressure Ramp Rate)에 대한 제어 명령을 포함할 수 있다.
수소 연료공급 제어 관련 정보는 수소 연료공급 제어 요청의 정보, 및 수소 연료공급 제어 요청의 실행 결과에 따른 상태 정보 중 적어도 하나 이상을 포함할 수 있고, 수소의 상태의 변화를 위한 제어 요청은 차량탱크(310) 내 수소의 온도 및 압력 중 적어도 하나 이상에 대한 제어 요청을 포함할 수 있다.
차량탱크(310) 내 수소의 상태의 변화는, 온도, 압력, 및 충전율(SOC, State of Charge) 중 적어도 하나 이상을 포함할 수 있다.
이론적 시뮬레이션으로서, 예를 들어 H2FillS (Hydrogen Filling Simulation)와 같은 열역학적 모델이 이용될 수 있다. 열역학적 모델은 수소 모빌리티 (hydrogen fueled vehicle/mobility)에 수소를 연료공급할 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 연료공급 프로토콜은 예를 들어 SAE J2601에서 정의되는 수소 충전 프로토콜을 포함할 수 있다.
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 수소 연료공급 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 모델 (120)은 이론적 결과, 현장 데이터(on-site data), 또는 양쪽 모두를 이용하여 학습될 수 있다.
인공신경망 모델 (120)은 수소 연료공급 제어 요청이 실행된 결과와 관련된 수소 연료공급 제어 관련 정보 및 차량탱크(310) 내 수소의 상태 정보를 입력받고 차량탱크(310) 내 수소의 상태의 변화를 예측하는 기능이 훈련된 모델일 수 있다.
인공신경망 모델 (120)은 수소 연료공급 제어 관련 정보, 현재의 차량탱크(310) 내 수소의 상태, 디스펜서(100)에서 모빌리티(300)로 공급되는 수소의 상태, 및 주변 온도를 입력받고 미래의 차량탱크(310) 내 수소의 상태의 변화를 예측하는 기능이 훈련된 모델일 수 있다.
인공신경망 모델 (120)은 수소 연료공급 제어 관련 정보가 목표하는 차량탱크(310) 내 수소의 상태의 목표 상태 각각 및 수소 연료공급 프로토콜 각각에 따른 차량탱크(310) 내 수소의 상태의 변화를 예측하는 기능이 훈련된 모델일 수 있다.
인공신경망 모델 (120)은 수소 연료공급 제어 관련 정보 및 차량탱크(310) 내 수소의 상태 정보를 입력받고 차량탱크 내 수소의 상태의 변화의 현장 데이터를 그라운드 트루쓰 데이터로 이용하여 차량탱크(310) 내 수소의 상태의 변화를 예측하는 기능을 훈련함으로써 모델 (120) 내의 파라미터를 업데이트할 수 있다.
인공신경망 모델 (120)은 모델 예측 제어 (Model Prediction Control) 기법을 이용하여 차량탱크(310) 내 수소의 상태의 변화를 예측하는 기능이 훈련된 모델일 수 있다.
충전소 (200)의 예냉 기능 또는 모빌리티 (300)의 냉각 시스템 (310)이 가용하지 않은 경우에, 수소 연료공급의 제어는 이러한 요소들을 반영하여 수행될 수 있다.
디스펜서 (100)의 종류 및 개별 ID, 충전소 (200)의 종류 및 개별 ID, 모빌리티 (300)의 종류 및 개별 ID, 제어 목표 상태 (온도, 압력, SOC), 초기 상태 (온도, 압력), 수소 연료공급 프로토콜의 종류 각각에 따른 빅데이터가 수집되고, 각각의 경우에 대응하는 현장 데이터의 동적 변화를 이용하여 테스트 플랫폼이 학습됨으로써, 수소 연료공급 프로세스를 최적화하고 정확히 기술할 수 있는 표준화된 항목이 도출될 수 있다.
본 발명의 일 실시예는 현장 (On-site) 수소연료공급 데이터를 수집하고 처리함으로써 수소연료공급 프로세스의 신뢰성을 개선할 수 있다.
차량탱크(310) 내 수소의 상태의 변화의 현장 데이터는, 모빌리티(300) 측에서 먼저 획득될 수 있다. 즉, 제어 요청이 수소차로 전달되는 것과 무관하게 모빌리티(300) 측에서 차량탱크(310) 내 수소의 상태의 변화의 현장 데이터를 획득할 수 있다. 또는 본 발명의 다른 실시예에서는 제어 요청이 현장 데이터 요청을 포함할 수 있고, 모빌리티(300) 측에서 제어 요청/현장 데이터 요청에 응답하여 현장 데이터를 획득할 수도 있다.
현장 데이터의 획득은 모빌리티(300) 외에 충전소 측에서도 수행될 수 있으며, 마찬가지로 제어 요청과 무관하게 충전소 측의 현장 데이터가 수집될 수 있고, 제어 요청이 현장 데이터 요청을 포함하여 충전소 측에서 제어 요청/현장 데이터 요청에 응답하여 충전소에 저장된 수소 및/또는 충전소로부터 디스펜서로 공급되는 수소의 상태에 관한 현장 데이터를 획득할 수도 있다.
현장 데이터(On-site data)는 실제 수소 연료공급/공급 과정에서 충전소(200) 및/또는 모빌리티(300) 측에서 얻어지는 데이터를 의미한다. 이때 현장 데이터는 실제 충전소와 실제 차량인 경우 외에도 일부 또는 전체가 시험 환경인 경우에 얻어지는 데이터를 포함할 수 있다.
현장 데이터는 수소차 측에 준하는 시험 환경 또는 반응(피드백) 가능한 장치, 충전소 수소 저장 실린더와 디스펜서 측에 준하는 시험 환경 또는 반응(피드백) 가능한 장치, 및/또는 디스펜싱 제어 시스템 측에 준하는 모듈 A가 장착될 수 있는 시험 환경 또는 실행 장치로 구성된 시험 환경에서 얻어지는 데이터를 포함할 수 있다.
이때 현장 데이터는 모든 장치가 상기 세 가지 시험 환경 또는 장치로 구성된 시험 환경이거나, 어느 하나를 포함하는 연료공급 현장 또는 시험 환경에서 얻어지는 데이터를 포함할 수 있다.
예를 들어, 현장 데이터는 도 5에서 도시된 모듈 B(150) 및 모듈 C(160)과 연계된 시뮬레이션 모델들로 구성된 시험 환경 또는 연료공급 현장에서 얻어지는 데이터를 포함할 수 있다.
이때 반응(피드백) 가능한 장치는 실제 현장 데이터에 기반하여 구축된 데이터베이스를 포함하며 모듈 A에서 요청하는 케이스에 맞춰 응답할 수 있는 장치를 의미할 수 있다.
현장 데이터는 정적 데이터와 동적 데이터를 포함할 수 있고, 정적데이터(차량탱크(310)의 타입, 차량탱크(310)의 부피, 차량탱크(310) 모듈/뱅크의 개수 등)와 동적데이터(차량탱크(310) 수소 온도, 압력 등)로 분류될 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 연료공급 과정에서 이용되는 시뮬레이션을 위한 플랫폼 또는 테스트 플랫폼을 도시하는 개념도이다.
도 5를 참조하면 실제의 모빌리티 (300)를 시뮬레이션하기 위한 모빌리티 파트 (300a), 실제의 충전소 (200)를 시뮬레이션하기 위한 충전소 파트 (200a), 및 실제의 디스펜서 (100)를 시뮬레이션하기 위한 디스펜서 파트 (100a)가 도시된다.
도 5에서 모빌리티 파트 (300a), 충전소 파트 (200a), 및 디스펜서 파트 (100a)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.
디스펜서 (100) 및 충전소 (200) 간의 프로세스 상태 변화를 분석하기 위하여, 디스펜서 (100) 및 모빌리티 (300) 간의 현장 데이터에 기반한 학습 모델이 디스펜서 파트 (100a) 및 모빌리티 파트 (300a) 간의 상호작용 프로세스에 대한 레퍼런스로서 기능할 수 있다.
반대로 디스펜서 (100) 및 모빌리티 (300) 간의 프로세스 상태 변화를 분석하기 위하여, 디스펜서 (100) 및 충전소 (200) 간의 현장 데이터에 기반한 학습 모델이 디스펜서 파트 (100a) 및 충전소 파트 (200a) 간의 상호작용 프로세스에 대한 레퍼런스로서 기능할 수 있다.
본 발명의 대안적 실시예에서는 도 5의 시뮬레이션을 제어하는 통합적 관리 시스템은 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, 수소 연료공급 프로토콜에 기반한 수소 연료공급 제어 관련 정보 및/또는 피드백 컨트롤이 전달된 후 그 응답으로서 실시간 현장 데이터가 피드백되고, 실시간 현장 데이터에 기반하여 수소 연료공급 제어 관련 정보 및/또는 피드백 컨트롤이 업데이트되거나, 또는 다음 수소 연료공급 제어 관련 정보 및/또는 피드백 컨트롤이 생성될 수 있다. 본 발명의 다른 일 실시예에 따르면, 모델 예측 제어 또는 인공신경망 모델 (120)에 의존하지 않는 수소 연료공급 프로토콜, 및 수소 연료공급 시스템을 테스트하는 테스트 방법 및 테스트 플랫폼도 제안될 수 있다.
충전소 파트 (200a)가 시뮬레이션 모델로서 기능할 때, 모빌리티 파트 (300a)는 CHSS (310)의 온도에 대한 모듈레이션 및 최적화 수단으로서 기능할 수 있다.
모빌리티 파트 (300a)가 시뮬레이션 모델로서 기능할 때, 충전소 파트 (200a)는 예냉 온도의 안정화 및 제어 수단으로서 기능할 수 있다.
도 5의 시뮬레이션을 제어하는 통합적 관리 시스템은 수소 충전 제어 관련 정보에 대응하는 차량 탱크 내 수소의 상태의 변화에 대한 시뮬레이션 결과 및 차량 탱크 내 수소의 상태의 변화의 현장 데이터 간의 차이를 획득할 수 있다.
도 5의 시뮬레이션을 제어하는 통합적 관리 시스템은 시뮬레이션 결과 및 현장 데이터 간의 차이에 기반하여 수소 충전 제어 관련 정보에 대응하는 수소차를 위한 수소 연료공급 프로세스에 대한 모델(120)을 업데이트할 수 있다.
도 5의 시뮬레이션을 제어하는 통합적 관리 시스템은 차량 탱크 내 수소의 온도, 압력, 및 매스 플로우 중 적어도 하나 이상의 과도 변화를 추적하는 열역학적 모델을 이용하여, 제어 요청에 대응하는 차량 탱크 내 수소의 상태의 변화에 대한 시뮬레이션 결과를 획득할 수 있다.
도 5의 시뮬레이션을 제어하는 통합적 관리 시스템은 수소 연료공급 프로세스에 대한 모델에 미래의 예측된 수소 충전 제어 요청을 입력함으로써 모델 예측 제어 (MPC, Model Prediction Control) 기법에 의하여 수소 충전 제어 요청에 대응하는 차량 탱크 내 수소의 상태의 변화에 대한 시뮬레이션 결과를 획득할 수 있다.
도 5의 시뮬레이션을 제어하는 통합적 관리 시스템은 모델(120)을 업데이트한 이후에, 모델(120)로 수소 연료 모빌리티(300) 측을 대체하여, 수소 연료 모빌리티(300)에 수소를 공급하는 디스펜서(100) 및 디스펜서(100)에 수소를 공급하는 스테이션(200) 간의 제2 제어 요청에 대응하는 스테이션(200)으로부터 디스펜서(100)로 공급되는 수소의 상태의 변화의 시뮬레이션 데이터 및 현장 데이터 중 적어도 하나 이상을 획득할 수 있다.
도 5의 시뮬레이션을 제어하는 통합적 관리 시스템은 모델(120)을 업데이트한 이후에, 모델(120)로 스테이션 (200) 측을 대체하여, 디스펜서(100)로부터 수소를 공급받는 수소 연료 모빌리티(300) 및 디스펜서(100) 간의 제3 제어 요청에 대응하는 수소 연료 모빌리티(300)의 차량 탱크 내 수소의 상태의 변화의 시뮬레이션 데이터 및 현장 데이터 중 적어도 하나 이상을 획득할 수 있다.
종래 기술의 수소 연료공급 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 연료공급 데이터의 활용 및 표준화를 채택할 수 있다.
또한 본 발명의 일 실시예는, 기존에 존재하는 수소 충전 프로토콜 (Existing Fueling Protocol)의 강화(Enhancement), 현장 수소 연료공급 데이터 포맷의 표준화(Standardization of On-site Fueling Data Format), 및 동적 필드 데이터의 컴필레이션 및 진단 (Compilation and Diagnosis of Dynamic Field Data)을 가능하게 할 수 있다.
기존에 존재하는 수소 충전 프로토콜의 강화와 관련하여, 본 발명의 일 실시예는 다음의 사항을 포함할 수 있다.
기존에 존재하는 수소 충전 프로토콜이 테스트 대상으로 선택될 수 있다.
본 발명의 일 실시예는 인공신경망 기반 모델 예측 제어(ANN-MPC)를 실행하고 동일한 충전 조건에서 기존 수소 충전 프로토콜을 실행하여, ANN-MPC로 충전 제어한 결과와 기존 수소 충전 프로토콜로 충전 제어한 결과를 비교하여 기존 수소 충전 프로토콜을 강화하거나 개선할 수 있다.
Supervisory 시스템 (130)은 테스트 대상인 프로토콜(131)을 내재할 수 있고 내재된 프로토콜에 기반하여 충전을 제어 요청할 수 있고, 제어 값을 ANN-MPC로부터 입력된 '예측된 출력'과 비교할 수 있다.
Supervisory 시스템 (130) 또는 컨트롤러는, 기 존재하는 수소 충전 프로토콜(Existing Fueling Protocol)을 실행함으로써 수소 충전 제어 관련 정보를 통신 인터페이스(140, 160)를 경유하여 수소 연료 모빌리티(300)로 전달할 수 있고, 차량 탱크 내 수소의 상태의 변화의 현장 데이터를 통신 인터페이스(140, 160)를 경유하여 획득할 수 있다.
Supervisory 시스템 (130)또는 컨트롤러는, 수소 연료공급 프로세스에 대한 모델(120)에 의한 수소 충전 제어 시퀀스를 획득할 수 있고(ANN-MPC 기법을 이용하는 경우 미래의 시계열 제어 시퀀스 입력을 예측할 수 있음), 수소 연료공급 프로세스에 대한 모델(120)에 의한 수소 충전 제어 시퀀스에 기반하여, 기 존재하는 수소 충전 프로토콜을 강화할 수 있다.
Supervisory 시스템 (130)또는 컨트롤러는, 수소 연료공급 프로세스에 대한 모델에 의한 수소 충전 제어 시퀀스의 실행에 의한 결과 데이터를 획득할 수 있고, 수소 충전 제어 시퀀스의 실행에 의한 결과 데이터 및 기 존재하는 수소 충전 프로토콜에 의한 현장 데이터 간의 비교 결과에 기반하여, 수소 충전 제어 시퀀스를 이용하여 기 존재하는 수소 충전 프로토콜의 일부를 강화할 수 있다.
이때 인공신경망 모델(120)을 이용한 충전 제어 결과는 모델(120)을 동작시킴으로써 얻어질 수도 있고, 기 구축된 데이터베이스로부터 얻어질 수도 있다. 테스트 대상 충전 프로토콜 (131)에서 사용되는 기본적 규격은 변경되지 않고 상세한 사항, 즉, 충전 테이블 또는 로직은 인공신경망 모델(120)의 충전 제어 값들을 참조하여 강화/개선될 수 있다. 이때 인공신경망 모델(120)을 이용한 충전 제어 결과와 테스트 대상 충전 프로토콜 (131)의 실행 결과로 얻어진 현장 데이터를 비교하여 인공신경망 모델(120)을 이용한 충전 제어 결과의 성능이 우수한 경우에 테스트 대상 충전 프로토콜 (131)의 상세한 사항이 부분적으로 개선될 수 있다. 충전 제어 결과와 테스트 대상 충전 프로토콜 (131)의 실행 결과 간의 비교 또한 수소 연료공급 과정의 전체 또는 일부에 대하여 이루어질 수 있다.
본 발명의 일 실시예에서 Dispenser-Vehicle Interaction 을 위한 인공 신경망을 위한 Lumped Thermodynamic Model이 다음의 특징들을 고려하여 이용될 수 있다.
- 0차원 불안정 상태 질량 및 에너지 균형 (0-Dimensional Unsteady State Mass & Energy Balance)
- 차량 탱크 벽을 통한 1차원 열 전달 (1차원 1-Dimensional Heat Transfer for Vehicle Tank Wall)
- 수소 성질의 평가를 위한 CoolProp (CoolProp for Evaluation of Hydrogen Properties)
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.
도 6은 본 발명의 일 실시예에 따른 수소 연료공급 과정에서 인공 신경망(ANN, Artificial Neural Network)을 이용하여 수소 연료공급 과정을 모델링, 예측, 또는 제어하는 개념을 도시하는 개념도이다.
도 6을 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 TCHSS, 수소 가스 압력 PCHSS는 수소 연료 모빌리티(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 연료공급 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_dot]은 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 연료공급 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 연료공급 프로세스가 도입되더라도 실제 데이터를 추가하여 훈련함으로써 그 기능을 모델에 업데이트할 수 있어, 다양한 모빌리티 분야에 폭넓게 적용할 수 있다.
본 발명의 일 실시예에 따른 수소 연료 모빌리티(300)를 위한 수소 충전 테스트의 수소 충전 제어 기법으로는, 모델 예측 제어(MPC, Model Prediction Control)가 이용될 수도 있다.
도 7은 본 발명의 일 실시예에 따른 수소 연료공급 과정에서 모델 예측 제어를 이용하여 타겟 출력에 도달하도록 수소 연료공급 과정을 제어하는 개념을 도시하는 개념도이다.
도 7을 참조하면, 모델 예측 제어(MPC)는 공정을 모사한 모델을 이용해 미래 입력에 따른 출력을 예측한 뒤, 이를 최적화하여 도출된 제어 입력을 사용하는 제어방식이다. 공정을 제어하는 과정에서 여러 경계조건을 준수하기 위해서 정해진 범위 안에 공정 응답이 존재해야 하며, MPC는 다른 제어방식 대비 효과적으로 공정 응답을 일정 범위 안에서 도출되게 할 수 있다.
MPC는 목표(Target output)에 가까워지는 공정 응답을 얻기 위해 입력을 Prediction horizon 시간만큼 계획하고, 그에 따른 응답을 예측 모델을 통해 얻고, Control input만 제어 입력으로 사용한다. Plant에서 출력을 얻으면 그것을 토대로 다시 전과 같은 과정을 반복한다.
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 TCHSS 또는 수소 가스의 압력 PCHSS 와 같은 특정 변수가 제약 조건(constraints)을 위반하지 않으면서 최적의 충전 목표에 도달하도록 압력 증가속도/증가율(PRR)을 실시간으로 제어할 수 있다.
도 7을 참조하면, 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 8은 본 발명의 일 실시예에 따른 수소 연료공급 과정에서 모델 예측 제어를 위하여 인공 신경망을 이용하는 경우, 인공 신경망의 훈련 및 추론 과정을 도시하는 동작 흐름도이다.
도 8을 참조하면, 본 발명의 일 실시예에 따른 인공 신경망-모델 예측 제어(ANN-MPC) 기법을 고려한 인공 신경망의 훈련 과정이 도시된다.
도 8에서는 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.
도 6 내지 도 8을 함께 참조하면, 본 발명의 실시예에서는 ANN 모델(120)을 기반으로 제어시스템을 구성할 수 있으며 해당 ANN 모델(120)의 정확도를 담보하여 모델 예측 제어(Model Predictive Control) 기반의 실시간 제어를 위한 테스트 플랫폼 시스템을 구성할 수 있다.
실시간 제어를 위한 테스트 플랫폼 시스템은 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 수소 연료 모빌리티(300)의 실시간 데이터를 토대로 최적 제어를 진행하나 해당 시스템 운영에서 특정 이벤트 상황이 발생할 경우, 프리쿨러(210)의 예냉온도와 수소 연료 모빌리티(300)의 냉각시스템을 직접 제어할 수 있는 기능을 부여하여, 수소연료공급 프로세스의 전체적인 효율성을 증가시킬 수 있다.
도 8을 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 TCHSS(t), 및 PCHSS(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 TCHSS(t), 및 PCHSS(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 8의 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 8의 단계 S740은 최종 제어 목표인 SOCsp에 도달하였는 지를 나타내는 비용 함수를 최소화하는 n개의 예측의 집합을 탐색하는 과정으로 이해될 수 있다.
수소 연료 모빌리티(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.
인공 신경망 모델(120)은 예측된 출력(predicted output)을 수소 수소 연료공급 제어기 (110)에 전달하고, Supervisory System(130)은 모듈 A(140)을 경유하여 시뮬레이션 또는 모델 기반 예측으로 얻어지는 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 수소 연료 모빌리티(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 수소 연료 모빌리티(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.
수소 연료 모빌리티(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 수소 연료 모빌리티(300)의 저장탱크(310)에 온도관리 기능이 부여될 수 있다.
본 발명의 일 실시예에서는 차량 저장탱크(310)는 전체 충전속도 증대와 수소 연료 모빌리티(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 수소 연료 모빌리티(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 수소 연료 모빌리티(300)과 충전소(200) 양쪽에 제어 정보 또는 제어 명령이 전달될 수 있다.
본 발명의 실시예에 따르면, 수소 연료 모빌리티(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.
사용자가 직접 설정한 충전량(예: SOC)을 입력받아, 도 6 내지 도 8와 같은 시퀀스를 이용하여 실시간 통신 및 계산에 기반한 제어 로직을 통해 목표량에 도달할 때까지 수소가 충전/공급될 수 있다.
충전량 설정을 위하여 SOC, 타겟 압력, 시간, 온도 등 다양한 변수들이 사용될 수 있으며, 효율성 증대를 위하여 충전 속도가 제어될 수 있다.
도 9는 본 발명의 일 실시예에 따른 수소 연료공급 통신 양방향 프로세스를 채용할 수 있는 일련의 수소 연료공급 절차를 수행하는 기능 블록들에 대한 프레임워크(이하 '수소 연료공급 프레임워크'라고 한다)이다.
도 9를 참조하면, 수소 연료공급 프레임워크는, 유즈케이스(use case, UC)별 기능 블록들로서, 발견 및 페어링(discovery and pairing) 기능 블록(이하 간략히 'UC1' 또는 'UC-1'), 통신 보안(communication security) 기능 블록(UC2 또는 UC-2), 통신 프로토콜 협상(communication protocol negotiation) 기능 블록(UC3 또는 UC-3), 연료공급 프로토콜 협상(fueling protocol negotiation) 기능 블록(UC4 또는 UC-4), 연료공급 파라미터 협상(fueling parameter negotiation) 기능 블록(UC5 또는 UC-5), 안전 체크인(safety check-in) 기능 블록(UC6 또는 UC-6), 모니터링 및 제어(monitoring and control) 기능 블록(UC7 또는 UC-7), 안전 체크아웃(safety check-out) 기능 블록(UC8 또는 UC-8), 종료(termination) 기능 블록(UC9 또는 UC-9), 오류 처리(error handling) 기능 블록(UC10 또는 UC-10), 긴급 처리(emergency handling) 기능 블록(UC11 또는 UC-11)을 구비할 수 있다.
UC1 내지 UC11 기능 블록 각각은 도 9에 도시된 것처럼 시계열적인 단계들(S401 내지 S411)에 대응할 수 있다. 이때 도 9는 시계열적인 단계들(S401 내지 S411)을 포함하는 동작 흐름도로 이해될 수도 있다.
UC10 및 UC11은 UC3 내지 UC8에 각각 개별적으로 연결되어 각 유즈케이스에서의 오류 처리 및/또는 긴급 처리를 수행하도록 구성될 수 있다.
전술한 유즈케이스는 안전 및 보안의 연료공급(fueling) 통신을 위해 수소 연료공급 시스템의 전체 수소 연료공급 절차(fueling procedures)를 일관된 방식으로 집합적으로 제공하는 기능 블록이다. 차량과 디스펜서는 수소 연료공급 목표를 달성하기 위해 특정 순서로 각 유즈케이스를 차례대로 수행할 수 있다.
또한, 디스펜서 노즐이 차량 리셉터클에 연결된 후, 해당 차량과 디스펜서는 도 9에 표시된 순서대로 각 유즈케이스를 구현하여 연료공급 통신을 수행할 수 있다. 다만, 차량과 디스펜서는 미리 정의된 요구사항에 따라 필요한 경우 특정 유즈케이스를 생략할 수 있다.
전술한 각 유즈케이스는 수소 연료 차량을 위한 연료공급 프로토콜에 따라 수소 연료 차량에 수소를 연료로 공급하는 디스펜서의 디스펜서 제어 시스템과 수소 연료 차량과의 통신을 통해 구현될 수 있다.
한편, 전술한 유즈케이스를 구현하는 수소 연료 차량(이하 간략히 '차량'이라고도 한다)과 디스펜서는 UC-1에서 차량 식별을 위한 데이터 교환을 수행할 수 있다. 이를 위해 차량은 센서(sensors), 전자제어장치(electric control unit, ECU), 송신기(transmitter) 및 수신기(receiver)를 구비할 수 있다. 수신기는 양방향 통신을 하는 경우, 송신기와 일체로 결합될 수 있다.
그리고, 디스펜서는 차량으로부터 특정 데이터를 받을 수 있도록 구성될 수 있다. 디스펜서는 데이터 로깅(data logging)의 데이터를 저장하거나 연료공급 프로토콜에 사용하기 위해 충전소 PLC(programmable logic controller)에 지정된 데이터를 저장할 수 있다. 데이터 로깅은, 수소 연료공급 시스템의 특정 동작 상태를 분석하거나 시스템 또는 네트워크 환경의 데이터 기반 이벤트/동작을 기록하기 위해 일정 기간 동안 데이터를 수집하는 프로세스 또는 이 프로세스에 의해 수집된 데이터를 지칭할 수 있다. 양방향 통신의 경우, 충전소(station)에는 연료공급 프로토콜에 의해 지정된 센서가 구비되고, 충전소 PLC 또는 전자제어장치는 센서로부터 측정값을 획득하고 이 측정값을 차량으로 보낼 수 있다. 전술한 차량이나 충전소는 적외선, 와이파이, 블루투스 등의 통신을 위해 기존의 통신 프로토콜 표준을 사용할 수 있다.
또한, 차량과 디스펜서는 차량-디스펜서 인터페이스에서 물리적으로 연결된 차량과 디스펜서 사이에 통신 채널을 설정할 수 있다. 이러한 통신 채널을 설정하는 페어링 프로세스는 유선, 광학 또는 무선 기술을 사용하여 수행될 수 있다.
발견 및 페어링 절차나 페어링 프로세서는 디스펜서 노즐이 차량 연료공급 리셉터클(vehicle fueling receptacle)에 삽입되어 견고하고 연결되는 전제 조건(pre-conditions)을 가질 수 있다. 차량 연료공급 리셉터클은 간략히 차량 리셉터클 또는 리셉터클로 지칭될 수 있다.
또한, 차량과 디스펜서는 기본적으로 어떤 통신 프로토콜에 따를지를 알고 있다. 따라서 UC-1 이후에 이어지는 통신은, 발견 및 페어링 절차나 페어링 프로세스의 사후 조건(post-conditions)으로서, 현재의 유즈케이스에서 합의된 통신 프로토콜에만 의존할 수 있다. 차량이나 디스펜서에 의해 합의 범위를 벗어난 통신 프로토콜이 선택되는 경우, 선택된 통신은 수행되지 않는다. 즉, 페어링 프로세스가 성공적으로 완료되더라도, 연료에 대한 승인이나 연료공급에 대한 승인은 부여되지 않을 수 있다.
차량과 디스펜서를 페어링하는 데 사용되는 모든 방법은 허용가능한 수준 이상으로 점화 또는 폭발 위험을 증가시키지 않도록 설정된다. 예를 들어, 모든 유선 페어링 방법은 정전기 방전으로 인한 스파크 위험을 완화하거나 차단하도록 구성된다.
물리적 페어링의 유효성 측면에서, 차량과 디스펜서를 페어링하는 데 사용되는 모든 방법은, 차량-디스펜서 인터페이스에 통합되거나, 차량의 연료공급 리셉터클과 디스펜서의 노즐 및 호스(hose) 어셈블리 간에 근접성(proximity)를 갖도록 설치될 수 있다. 여기서, 인터페이스는 노즐과 리셉터클 인터페이스에 물리적으로 통합된 것을 지칭할 수 있다. 그리고 근접성은 페어링 방법과 관련된 하드웨어에 의해 정의될 수 있다. 예를 들어, 송신기와 수신기 사이의 허용된 거리를 포함하여 적외선 통신에 사용되는 물리적 기하학 구조(geometry)를 지정할 수 있다. 또한, 수소 연료공급 하드웨어의 물리적 형상이 미리 지정될 수 있는데, 이때 근접성은 물리적으로 연결되지 않은 차량과 디스펜서를 페어링할 위험이 있는 페어링 방법 예를 들어 블루투스 등과 같은 상대적으로 장거리 무선 통신 기술을 포함하지 않는다. 적외선 통신은 IrDA(infrared data association) 통신으로 지칭될 수 있고, 양방향 적외선(bi-IrDA) 통신을 포함할 수 있다.
단계 S401, S403, S404, 및/또는 S405에서는 모빌리티와 디스펜서 간 상호운용성(interoperability), 호환성(compatibility)에 대한 정보가 공유되고, 상호 체크될 수 있다.
단계 S401, S403, S404, 및/또는 S405에서는 모빌리티와 디스펜서 각각이 양방향 통신을 지원하는지 여부가 확인될 수 있다.
단계 S401, S403, S404, 및/또는 S405에서는 연료공급 프로토콜과 연계된 통신 프로토콜이 협상될 수 있고, 연료공급 프로토콜에 따른 연료공급 파라미터가 협상될 수 있다. 이때 S401에서 통신 프로토콜, 및/또는 연료공급 프로토콜의 상호운용성, 및 호환성에 대한 정보가 미리 공유될 수 있고, 모빌리티 또는 디스펜서 측의 선호도 또는 우선 순위에 대한 정보가 공유될 수 있다.
단계 S401에서 상호 공유된 상호운용성, 호환성, 선호도 또는 우선 순위에 대한 정보에 기반하여, S403, S404, 및/또는 S405에서 통신 프로토콜, 연료공급 프로토콜, 및 연료공급 파라미터가 협상될 수 있다.
이때 단계 S401에서 공유된 정보와 단계 S403, S404, 및/또는 S405에서 확인되는 정보 간의 차이가 있을 때(예를 들어, 양방향 통신의 지원 가능한 레벨에 변동이 있을 때 등), 단계 S403, S404, 및/또는 S405 각각에서 업데이트된 상호운용성, 호환성, 선호도 또는 우선 순위에 기반하여 통신 프로토콜, 연료공급 프로토콜, 및 연료공급 파라미터가 협상 또는 재협상될 수 있다.
도 1 내지 도 8에서 설명된 인공신경망 모델에 의한 수소 연료공급 과정의 제어, 또는 제어 지원/보조의 허용 여부가 연료공급 프로토콜에 의하여 결정될 수 있으며, 도 9의 단계 S401, S403, S404, 및/또는 S405 중 적어도 하나 이상에서 인공신경망 모델에 의한 수소 연료공급 과정의 제어, 또는 제어 지원/보조의 허용 여부가 판정될 수 있다.
도 1 내지 도 8에서 설명된 모델 예측 제어(MPC, Model Prediction Control) 에 의한 수소 연료공급 과정의 제어, 또는 제어 지원/보조의 허용 여부가 연료공급 프로토콜에 의하여 결정될 수 있으며, 도 9의 단계 S401, S403, S404, 및/또는 S405 중 적어도 하나 이상에서 모델 예측 제어에 의한 수소 연료공급 과정의 제어, 또는 제어 지원/보조의 허용 여부가 판정될 수 있다.
모빌리티와 디스펜서 간에 지원되는 통신의 레벨은 아래 표 1과 표 2에 의하여 나타내어질 수 있다.
구분 수준 설명
비통신 Level 0 차량 또는 충전소에 통신 설비가 없거나, 고장으로 통신이 불가한 경우
통신 Level 1 통신은 가능하나, 안전 기능에는 사용되지 않고 데이터 수집에 사용될 수 있음. 데이터의 결함으로 인한 위험 완화 대책이 제공되는 경우, 연료공급 프로세스 제어 기능 향상에 사용할 수 있다.
Level 2 통신이 가능하며, 정적 데이터를 신뢰할 수 있어 이를 직접 안전 기능에 사용할 수 있으며, 동적 데이터는 level 1과 동일
통신
(ANN 모델
기본 방식) 		Level 3 통신이 가능하며, 정적/동적 데이터를 모두 신뢰할 수 있어, 연료공급 관련 안전 및 제어 기능에 직접적으로 사용 가능
표 1은 발생할 수 있는 다양한 통신불가, 장애, 데이터의 안전성/신뢰성 부족 등의 상황에 따라 통신의 신뢰성 수준을 기준으로 0~3으로 차등해서 정의한 예시이다. 표 1의 통신 레벨은 현재 개발이 진행되고 있는 ISO 19885-1에 수록된 통신 레벨을 참조할 수 있다.
구분 수준 시뮬레이션 기본 정보 충전 조건 재학습 조건
비통신 Level 0 차량 저장탱크의 총 용량 및 스테이션의 기본정보를 토대로, 최악조건 가정 초기 차량 잔압, 전체 용량 확인 후, 최악 조건으로 최저 유속의 일정 속도로 충전 비통신 충전과정에서 실제 발생하는 문제 상황만에 대한 분석 및 선별 반영
통신 Level 1 차량 및 충전소의 정적 데이터를 기반으로 시뮬레이션 기본 조건을 생성하되, 개별 정적 조건들은 보수적 적용, 동적 조건 역시 보수적인 기준 적용 수신되는 동적데이터는 참고(이상 신호 시 확인용)로 활용하고, 브레이크 어웨이의 온도 및 압력을 기준으로 차량의 온도, 압력을 보수적으로 예측 보수적으로 운영된 동적 데이터(브레이크어웨이 기준) 기준 재학습, 수신된 실제 동적 데이터 축적, 주기적 비교 학습을 통한 보정인자 도출
Level 2 차량 및 충전소의 정적 데이터는 개별적으로 직접 적용하나, 동적 데이터는 보수적인 기준 적용 수신되는 동적데이터는 참고(이상 신호 시 확인용)로 활용하고, 브레이크 어웨이의 온도 및 압력을 기준으로 차량의 온도, 압력을 보수적으로 예측 보수적으로 운영된 동적 데이터(브레이크어웨이 기준) 기준 재학습, 수신된 실제 동적 데이터 축적, 주기적 비교 학습을 통한 보정인자 도출
Level 3 차량 및 충전소의 개별적인 정적 및 동적 데이터를 활용한 기본 시뮬레이션 실시간 통신 데이터를 기반으로 상황에 최적화된 실시간 제어 운영 기록된 연료공급 데이터 기준 모두 재학습
표 2는 통신의 신뢰성 수준에 따라서 정적, 동적 변수를 지정하고, 신뢰할 수 없는 데이터에 대한 이용 허용 범위, 및 대체 변수를 지정한 제어 레벨을 도시한다. 통신 레벨이 낮으면 일부 기능은 제한되나, 각각의 통신 레벨에 따라서 연료공급 프로토콜의 동작이 가능하다.
본 발명의 일 실시예에서 제안하는 ANN-MPC 기반의 수소 연료공급 프로토콜은, 표 1과 표 2에서 정의된 Level 3에 대응하는 상황이며, 모빌리티 (300) 및 충전소 (200)와 송수신하는 정적 데이터 및 동적 데이터는 모두 신뢰할 수 있어 직접적으로 활용가능한 상태일 것을 전제로 할 수 있다.
도 10은 본 발명의 일 실시예에 따른 수소 연료공급 방법을 도시하는 동작 흐름도이다.
도 11은 도 10의 실시예를 구현하기 위한 인공신경망 모델의 훈련 및 적용 과정을 도시하는 개념도이다.
도 10 및 도 11을 함께 참조하면, 본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는(fueling) 디스펜서에서 수행되는, 수소를 연료공급하는 방법은, 제1 연료공급 프로토콜에 기반하여 수행되는 제1 수소 연료공급 과정에서 얻어지는 제1 연료공급 데이터를 획득하는 단계(S1200); 제1 연료공급 데이터에 기반하여 수소 연료공급 과정의 제어 기능을 학습하도록 제어 모델을 훈련하는 단계(S1400); 및 제1 연료공급 프로토콜 및 제어 모델 중 적어도 하나 이상에 기반하여, 제2 수소 연료공급 과정을 수행하는 단계(S1600)를 포함할 수 있다.
제어 모델은 훈련 이후에, 제1 연료공급 프로토콜에 의한 수소 연료공급 과정의 제어를 보조하거나, 제1 연료공급 프로토콜과 제어 모델이 병행 운영되거나, 제어 모델이 제1 연료공급 프로토콜의 기능의 일부 또는 전부를 대체하여 동작할 수 있다.
제1 연료공급 프로토콜은 종래 기술에 기반한 기존 연료공급 프로토콜일 수 있으나, 본 발명의 사상은 이에 국한되지 아니한다.
제1 수소 연료공급 과정은 기존 연료공급 프로토콜에 의하여 수행되는 과정이며, 그 과정의 결과로서 제1 연료공급 데이터가 생성될 수 있다(S1200).
제1 수소 연료공급 과정의 시작부터 종료까지 디스펜서, 모빌리티, 충전소 측의 온도, 압력, 충전율(SoC) 등 상태 변화 과정의 모든 데이터가 제1 연료공급 데이터로서 생성될 수 있다.
제1 연료공급 데이터는 제어 모델의 학습 및 훈련을 위하여 제공되며, 제어 모델의 훈련 이후에 수행되는 수소 연료공급 과정을 설명의 편의상 제2 수소 연료공급 과정이라고 지칭할 수 있다.
단계 S1100 및 S1600은 디스펜서(100)의 제어기(110)에 의하여 수행될 수 있다.
단계 S1200에서 제1 연료공급 데이터는 제어기(110), 디스펜서(100)의 다른 파트의 컨트롤러, 모빌리티(300), 수소 충전소(200) 측에서 생성될 수 있고, 본 발명의 일 실시예에서 개시되는 제어 모델에 의하여 획득될 수 있다. 이때 제어 모델은 디스펜서(100) 내에 배치될 수 있고, 스탠드 얼론 (stand-alone)으로 동작할 수도 있으나, 외부의 서버 (클라우드를 포함)와 네트워크를 통하여 연결되어 협력함으로써 동작할 수도 있다.
단계 S1400는 디스펜서(100)의 컴퓨팅 시스템(후술할 도 12의 configuration을 참고)에 의하여 제어 모델이 제어됨으로써 수행될 수 있다.
제어 모델은 도 3 및/또는 도 5에 도시된 인공신경망 모델(120)일 수 있으나, 본 발명의 사상은 이에 국한되지 아니한다.
제2 수소 연료공급 과정을 수행하는 단계(S1600)에서는, 제1 연료공급 프로토콜과 제어 모델을 병행하여 운영함으로써, 제2 수소 연료공급 과정을 수행할 수 있다.
제2 수소 연료공급 과정을 수행하는 단계(S1600)에서는, 제어 모델을 이용하여 제1 연료공급 프로토콜의 적어도 일부의 기능을 대체함으로써 제2 수소 연료공급 과정을 수행할 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는 방법은, 제어 모델을 검증하는 단계를 더 포함할 수 있다.
이때 제2 수소 연료공급 과정을 수행하는 단계는, 검증된 제어 모델을 이용하여 제1 연료공급 프로토콜의 적어도 일부의 기능을 대체함으로써 제2 수소 연료공급 과정을 수행할 수 있다.
제2 수소 연료공급 과정을 수행하는 단계는, 제어 모델을 이용하여 제1 연료공급 프로토콜의 적어도 일부의 기능을 보조함으로써 제2 수소 연료공급 과정을 수행할 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는(fueling) 방법에서, 제어 모델은, 모델 예측 제어(MPC, Model Prediction Control) 기능을 학습한 모델일 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는(fueling) 방법에서, 제어 모델은, 수소 연료공급 과정의 제어 기능을 학습한 인공신경망(ANN, Artificial Neural Network) 모델일 수 있다.
본 발명의 일 실시예에 따른, 수소 연료 모빌리티에 수소를 연료공급하는 방법은, 제1 연료공급 프로토콜이 모델 예측 제어(MPC, Model Prediction Control) 에 의하여 제어 정보를 생성하는 과정을 지원하는 지 여부를 판정하는 단계를 더 포함할 수 있다.
이때의 과정은 도 9에 도시된 S401, S403, S404, S405 중 적어도 하나 이상의 과정의 일부로서 수행될 수 있다.
본 발명의 일 실시예에 따른, 수소 연료 모빌리티에 수소를 연료공급하는 방법은, 제1 연료공급 프로토콜과 연관되는 통신 프로토콜이, 모빌리티와 모빌리티에 수소를 연료공급하는 디스펜서 간 양방향 통신을 지원하는 지 여부를 판정하는 단계를 더 포함할 수 있다.
이때의 과정은 도 9에 도시된 S401, S403, S404, S405 중 적어도 하나 이상의 과정의 일부로서 수행될 수 있다.
본 발명의 일 실시예에 따른, 수소 연료 모빌리티에 수소를 연료공급하는 방법은, 모빌리티와, 모빌리티에 수소를 연료공급하는 디스펜서가, 모빌리티와 디스펜서 간 양방향 통신을 지원하는 지 여부를 판정하는 단계를 더 포함할 수 있다.
이때의 과정은 도 9에 도시된 S401, S403, S404, S405 중 적어도 하나 이상의 과정의 일부로서 수행될 수 있다. 또한 초기에 판정된 양방향 통신 지원 여부가 통신 환경의 변화로 인하여 변경될 때, 예외적인 경우로서 단계 S410, 및/또는 S411의 과정의 일부로서 새로운 통신 환경이 판정되고, 양방향 통신 지원 여부가 새로 판정될 수 있다.
도 11을 참조하면, 수소 충전소, 및/또는 모빌리티 관련 상세 사양 별로 특화된 인공신경망 모델(120)이 제공될 수 있다.
또한 수소 충전소, 모빌리티 관련 상세 사양에 기반하여 디스펜서와 모빌리티 사이에서 지원되는 제1 연료공급 프로토콜이 결정될 수 있다.
제1 연료공급 프로토콜이 제어기(110)에 전달되고, 제어기(110)는 제1 연료공급 프로토콜에 기반하여 제1 수소 연료공급 과정을 수행할 수 있다(S1100).
제1 수소 연료공급 과정에서 얻어지는(S1200) 제1 수소 연료공급 데이터는 특화된 인공신경망 모델(120)에 학습용/훈련용으로 제공될 수 있다.
특화된 인공신경망 모델(120)은 수소 연료공급 과정을 최적화하기 위하여 소정의 조건을 충족할 때까지 제1 수소 연료공급 데이터에 기반하여 훈련될 수 있다(S1400).
일반적으로 이용되는 SAE J-2601을 포함하는 다수의 기존 연료공급 프로토콜은 운영이 예상되는 모빌리티와 수소 충전소의 범위를 미리 지정하고, 해당 범위 내에서 발생할 수 있는 경우의 수를 예측하여 시뮬레이션 및 실증을 통해 제어를 위한 모델을 구현하고 있다.
다양한 조건 및 차량을 모두 포괄하는 범용 프로토콜은 안전성과 범용성을 확보할 수 있는 반면, 범용성을 충족하기 위하여 설정된 경계 조건이 과도할 수 있으며, 이러한 과도한 경계 조건을 완화하기 위해 추가로 다양한 예외 조건을 적용해 최적화하려는 시도가 있다. 예외 조건을 추가하는 시도로 인해 제어 모델은 복잡해지는 문제점이 제기된다.
종래 연료공급 프로토콜에서는 미리 정해진 범위 내에서 다양한 상황을 가정하여 계산된 시뮬레이션 결과를 기반으로 제어 모델이 구현되며, 해당 프로토콜을 사용해 연료공급한 결과인 실측 데이터가 프로토콜의 제어 모델에 반영되지 않는다.
연료공급 프로토콜의 시뮬레이션 결과값과, 실제 운영 결과값과의 차이는 가정된 경계 조건의 수준에 의하여 결정되는데, 경계 조건은 수소 충전소의 운영 효율과 연료공급속도에 영향을 미치는 중요한 인자일 수 있다.
특수 상황에 대한 경계 조건 변경은 범용성을 확보하기 위해서는 고려되기 어려운 경향이 있고, 안전성을 고려할 때 비효율적인 일부 또는 특수 상황까지 고려하기 어려운 한계가 있다.
기존 연료공급 프로토콜에서는 연료공급 결과 데이터를 기반으로 한 문제점 분석 및 자체 개선이 어려운 구조이므로, 개별 차량이나 충전소에 대한 개별 속도 최적화를 위한 방안이 요구된다.
ANN 모델은 프로그램의 전체 아키텍쳐 및 동작 방식은 정형화되는 한편, 학습되는 데이터 및 조건에 따라서 특화된 세부 모델을 자유롭게 생성할 수 있으며, 이러한 세부 모델은 기존 프로토콜과 동일하게, 이론적 시뮬레이션 결과를 기반으로 본 발명의 적용을 위한 초기 모델로서 구성될 수 있다.
초기 모델을 통해 연료공급 프로세스를 수행하고, 생성된 실제 연료공급 데이터를 활용하여 초기 모델을 재학습하여 신뢰도 및 효율성을 점차 상승시킬 수 있으며, 이러한 특성으로 인해 연료공급 데이터 축적에 의해 연료공급 속도 최적화를 상대적으로 용이하게 달성할 수 있다.
ANN 모델은 기존 프로토콜에서 구현되기 어려운, 연료공급 프로세스의 문제점 분석과 이를 통한 자체 개선, 속도 최적화 등의 기능을 구현할 수 있다. 또한 ANN 모델은 입력과 출력 간의 상관관계에 기초한 모델로서 둘 사이의 수학적 또는 이론적인 관계를 활용하지 않으므로, 모델 내부의 변경이나 개선이 없이도 기존의 다른 프로토콜로 진행한 연료공급 결과 데이터를 그대로 활용할 수 있다.
SAE J2601과 같은 기존 프로토콜이 적용되어 운영중인 충전소의 경우, 연료공급 과정에 대한 비효율성에 대한 인지 및 분석은 가능하나, 프로토콜 자체의 개선은 구조적으로 어려울 수 있다. 본 발명의 실시예에 따르면 이처럼 기존 프로토콜을 이용하여 운영되는 충전소에서도 ANN 모델을 통해 모빌리티 종류 별로 특화된 연료공급 속도 최적화를 진행할 수 있으며, 이렇게 최적화된 ANN 모델은 연료공급 속도 측면에서 기존 프로토콜보다 확실한 우위를 가질 수 있다.
SAE J2601을 비롯한 종래의 수소 연료공급 프로토콜을 이용하여 운영되고 있는 충전소에서 생성된 연료공급 데이터를 활용해, 해당 충전소를 이용하는 모빌리티 종류 별 연료공급 프로파일을 결정할 수 있다. 이때 결정된 연료공급 프로파일에 기반하여 특화 ANN 기본모델을 획득하는 방법은 다음의 두 개의 실시예로 분류할 수 있다.
① ANN 기본 모델의 외부 입수: 모빌리티에 저장되어 있는 경우는 직접 통신으로 수신하여 입수할 수 있으며, 기본적으로 모빌리티 제조사로부터 습득할 수 있다. 기본 모델의 관리자가 디스펜서 또는 충전소 운영사, 기타 제 3의 기관인 경우 해당 기관으로부터 기본모델을 입수할 수 있다.
② 자체적인 ANN 모델 구성: 디스펜서 제조사는 ANN 모델 개발 도구를 활용하여 자체적으로 기본모델을 구성할 수 있다. 먼저 모빌리티 종류 별 연료공급 프로파일과, 충전소 사양, 환경조건 등을 기반으로 개발 도구 내의 시뮬레이션 모듈로 이론적인 데이터를 도출하고, 이를 ANN학습 모듈을 활용해 기본 모델을 구성할 수 있다.
이상의 과정은 ANN 모델 개발도구 프레임워크를 이용하여 수행될 수 있다.
ANN 모델 개발도구 프레임워크는, 모빌리티 종류 별 연료공급 프로파일 및 충전소의 규격에 따른 특화 ANN 기본 모델을 생성하고, 연료공급 프로세스를 통해 생성된 실측 데이터를 기반으로 재학습을 진행하는 도구일 수 있다.
해당 프레임워크의 내부는 이론적인 데이터를 생성하는 시뮬레이션 모듈과 ANN 모델의 학습을 담당하는 ANN 학습 모듈로 구성될 수 있다.
프레임워크는 기본적인 사항을 입력할 경우 자동/반자동으로 특화된 ANN 기본모델을 생성시킬 수 있는 소프트웨어 패키지를 지칭할 수 있으며, 초기 모델 구성에 있어 데이터의 양과 신뢰성 정도를 사용자가 선정할 수 있으며, 재학습 과정에 대한 수준도 사용자가 선택할 수 있다.
본 발명의 일 실시예에 따르면, 기존 수소 연료공급 프로토콜에 기반하여 운영되는 충전소에서 인공신경망 모델을 활용하여 기존 프로토콜을 대체해 나가는 과정이 구현될 수 있다.
기존 연료공급 프로토콜에 기반하여 연료공급된 모빌리티의 연료공급 데이터는, 해당 모빌리티 종류에 따른 특화 ANN 기본 모델에 적용되어 재학습 및 최적화될 수 있다.
충전소에 축적된 데이터를 통한 재학습을 거친 특화 ANN 모델은 해당 모빌리티 종류의 연료공급에 시범적으로 적용하여 안정성과 속도 최적화를 평가할 수 있다. ANN 모델에 기반하여 수행된 연료공급 과정에서 얻어진 연료공급 데이터를 활용한 재학습을 통해 신뢰도와 안정성을 향상시킨다.
ANN 모델 적용 초기에는, 범용적이나 속도 최적화가 부족한 기존 프로토콜과, 속도 최적화는 가능하나 범용성이 떨어지는 ANN 모델을 동시에 상호보완적으로 운영하여 충전소의 운영 효율성을 향상시킬 수 있으며, 최적화가 진행된 ANN 모델은 단독으로 활용하여 기존 프로토콜을 완전 대체할 수 있다.
장기적으로 ANN 모델을 전 모빌리티 종류에 대해 확대하여 운영하는 것이 충전소 운영 효율 측면에서 유리할 수 있으나, 해당 충전소에서 해당 차량에 대한 연료공급 수요가 없거나, 고객의 연료공급 속도에 대한 개선요구가 없는 경우의 경우 확대 적용에 대한 검토가 요구될 수 있다.
따라서, ANN 모델의 기존 프로토콜 대체는 아래와 같은 조건에 따라 수행될 수 있다.
① 현재 SAE J2601 등을 통해 운영되고 있는 수소 충전소의 연료공급 데이터 통계를 통해 해당 충전소에서 주로 연료공급하는 주요 모빌리티 종류 및 주력 모빌리티 종류를 먼저 파악하고, 연료공급속도 최적화와 관련된 사용자의 불만 또는 수요 중심으로 대상 모빌리티 종류를 검토 및 선별할 수 있다.
② ANN 모델 적용을 위한 우선순위 검토: ANN 모델은 제어 과정에서 모빌리티와 충전소의 실시간 데이터를 활용함으로써 기능을 극대화할 수 있으므로, 실시간 통신이 지원되는 모빌리티 종류에 우선적으로 적용되어야 하며, 시뮬레이션을 위한 정적 데이터인 모빌리티 종류 별 연료공급 프로파일이 제공되는지, 수요는 충분한 지 등에 기반하여 대상 모빌리티 종류를 검토 및 선별할 수 있다.
③ ANN 모델 개발도구를 통해 특화 ANN 모델을 구현할 수 있으며, 실제 데이터를 통한 학습이 부족한 운영 초기에는 기존 프로토콜을 운영하여 해당 결과물로 재학습할 수 있으며, 이후 병행하여 운영하면서 안정성을 검증하고, 재학습을 통한 충분한 신뢰성이 담보될 경우 모델 자체를 대체할 수 있다.
전술한 본 발명의 실시예의 인공신경망 모델(120)은 시뮬레이션 데이터와 실제 현장 데이터(real on-site data)를 이용하여 수소 연료공급 과정을 제어하는 기능을 학습하거나, 제어하는 기능의 일부 과정을 학습할 수 있다.
학습에 이용되는 실제 현장 데이터는 충전소(200) 측의 저장탱크, 또는 설비의 사양에 따라 달라질 수 있으며, 특정한 모빌리티(300)를 위하여 실제로 연료공급이 이루어지는 경우 학습된 데이터와 실제 적용 시점의 하드웨어 사양이 상이하면 인공신경망 모델(120)의 신뢰성이 저하될 수 있다.
인공신경망 모델(120)의 신뢰성 및 효율성을 개선하고 최적화하기 위하여 충전소(200), 모빌리티(300)의 종류 및 세부 사양 별로 특화된 개별 모델이 학습될 수 있다.
하위 개별 모델을 분류하는 조건은, 충전소(200)의 경우 최대 공급 압력 (maximum supply pressure), 예냉 온도(precooling temperature), 최대 유량(maximum flow rate) 등을 포함할 수 있다.
모빌리티(300)의 경우 차량 모델 이름(vehicle model name), CHSS total volume, largest container volume, allowable maximum flow rate 등을 포함할 수 있으며, vehicle model name은 serial number classified by manufacturer 등을 포함할 수 있다.
이때 모빌리티(300)의 CHSS는 안전을 위하여 여러 종류의 서로 다른 크기의 저장탱크를 포함하여 구현될 수 있고, 모빌리티(300)에서는 CHSS total volume 뿐 아니라 세부적인 저장탱크의 사양들이 주요하게 고려될 수 있다.
개별적으로 특화되어 학습된 인공신경망 모델(120)은 디스펜서(100)에 배치되어 동작할 수 있고, 실시예에 따라서는 모빌리티(300), 또는 third-party location에 저장되어 네트워크를 경유하여 통신함으로써 동작할 수도 있다.
디스펜서(100)에는 기본 인공신경망 모델이 제공되고, 개별 특화 조건 별로 학습되어 분화된 하위 인공신경망 모델이 디스펜서(100)에 배치되어 관리될 수 있다. 기본 인공신경망 모델은 모빌리티(300)의 제조기업에 의하여 초기화될 수 있다.
실시예에 따라서는 기본 인공신경망 모델이 모빌리티(300) 또는 써드 파티 위치에 저장되는 경우에도 수소 연료공급을 위한 개별 모델은 실제 현장에서 운영 시에는 디스펜서(100) 측에 저장되어 동작할 수 있다.
본 발명의 또 다른 실시예에서는 모빌리티(300)의 제조기업은 저장 탱크의 특성에 따른 데이터를 이용하여 초기화된 기본 인공신경망 모델을 생성하고 배포할 수 있다. 기본 인공신경망 모델은 모빌리티(300) 내의 스토리지에 저장되어 모빌리티(300)가 충전소(100)에 진입한 후 디스펜서(100)로 전송될 수 있다.
특화된 인공신경망 모델의 분화 및 하위 개별 모델의 학습은 디스펜서(100)에 의하여 주로 수행될 수 있다. 디스펜서(100)에서 수행되는 실제 연료공급 데이터에 기반하여 하위 개별 모델은 학습되거나 재학습될 수 있다.
하위 개별 모델의 신뢰성을 확보하기 위하여 실제 현장 데이터가 충분히 축적된 상태에서 인공신경망 모델의 재학습이 수행될 수 있다. 이 과정은 디스펜서(100)에서 주기적 또는 비주기적으로 수행될 수 있다.
하위 개별 모델의 신뢰성을 확보하기 위하여, 모빌리티(300) 제조기업은 충전소(200)에서 수신되는 연료공급 데이터를 수집하고 기본 인공신경망 모델을 재학습할 수 있다. 재학습에 의하여 업데이트된 기본 인공신경망 모델(모빌리티(300) 별로 특화된 모델로 해석할 수 있음)은 다시 디스펜서(100)로 전달되어 업데이트될 수 있다. 기본 인공신경망 모델은 모빌리티(300)가 충전소(200)에 진입할 때 디스펜서(100)로 전달될 수 있다.
하위 개별 모델들의 신뢰성을 확보하고 통합적인 관리를 제공할 수 있는 써드 파티가 운영될 수 있다.
써드 파티는 정부 기관, 협회, 전문적인 관리자 기업 등일 수 있다.
협회는 기술 관련 협회, 표준 관련 협회일 수 있다.
실제 현장에서 생성되는 연료공급 데이터는 클라우드 서버 등을 통하여 수집되고, 인공신경망 모델에 의하여 재학습될 수 있다. 써드 파티는 모빌리티(300) 기업을 대신하여 기본 인공신경망 모델을 생성하고 배포할 수 있다.
또한 하위 개별 모델들을 주기적 또는 비주기적으로 수집하여 통합적으로 업그레이드하고, 업그레이드된 개별 모델들을 다시 개별 주유소(200)에 제공할 수 있다. 이 같은 과정은 일종의 연합 학습(federated learning)으로 구현될 수도 있다.
도 12는 도 1 내지 도 11의 과정의 적어도 일부를 수행할 수 있는 일반화된 수소 연료공급 제어 장치, 수소 연료공급 제어 시스템, 수소 연료공급 시뮬레이션 장치, 수소 연료공급 시뮬레이션 시스템, 수소 연료공급 테스트 플랫폼, 수소 연료공급 테스트 시스템 또는 컴퓨팅 시스템의 예시를 도시하는 개념도이다.
도 12를 참조하면, 본 발명의 일 실시예에 따른 컴퓨팅 시스템(3000)은, 프로세서(3100), 메모리(3200), 통신 인터페이스(3300), 저장 장치(3400), 입력 인터페이스(3500), 출력 인터페이스(3600) 및 버스(bus)(3700)를 포함하여 구성될 수 있다.
전술한 실시예의 인공신경망 모델(120)은 도 12의 인공신경망 모델(3800)과 같이 배치되어 버스(3700)를 경유하여 컴퓨팅 시스템 내의 다른 요소들과 통신할 수 있다.
본 발명의 일 실시예에 따른 컴퓨팅 시스템(3000)은, 적어도 하나의 프로세서(processor)(3100) 및 상기 적어도 하나의 프로세서(3100)가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)(3200)를 포함할 수 있다. 본 발명의 일 실시예에 따른 방법의 적어도 일부의 단계는 상기 적어도 하나의 프로세서(3100)가 상기 메모리(3200)로부터 명령어들을 로드하여 실행함으로써 수행될 수 있다.
프로세서(3100)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(3200) 및 저장 장치(3400) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(3200)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(3000)은, 무선 네트워크를 통해 통신을 수행하는 통신 인터페이스(3300)를 포함할 수 있다.
또한, 컴퓨팅 시스템(3000)은, 저장 장치(3400), 입력 인터페이스(3500), 출력 인터페이스(3600) 등을 더 포함할 수 있다.
또한, 컴퓨팅 시스템(3000)에 포함된 각각의 구성 요소들은 버스(bus)(3700)에 의해 연결되어 서로 통신을 수행할 수 있다.
본 발명의 컴퓨팅 시스템(3000)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 일 실시예에 따른 수소를 연료로 사용하는 모빌리티(300)에 탑재되어 수소를 연료공급하는(fueling) 과정을 제어하는 장치는 적어도 하나 이상의 명령을 저장하는 메모리(3200); 및 적어도 하나 이상의 명령을 실행하는 프로세서(3100)를 포함할 수 있다.
프로세서(3100)는, 적어도 하나 이상의 명령에 의하여, 제1 연료공급 프로토콜에 기반하여 수행되는 제1 수소 연료공급 과정에서 얻어지는 제1 연료공급 데이터를 획득할 수 있고(S1200), 제1 연료공급 데이터에 기반하여 수소 연료공급 과정의 제어 기능을 학습하도록 제어 모델을 훈련할 수 있고(S1400), 제1 연료공급 프로토콜 및 제어 모델 중 적어도 하나 이상에 기반하여, 제2 수소 연료공급 과정을 수행할 수 있다(S1600).
프로세서(3100)는, 제1 연료공급 프로토콜과 제어 모델을 병행하여 운영함으로써, 제2 수소 연료공급 과정을 수행할 수 있다.
프로세서(3100)는, 제어 모델을 이용하여 제1 연료공급 프로토콜의 적어도 일부의 기능을 대체함으로써 제2 수소 연료공급 과정을 수행할 수 있다.
이때 프로세서(3100)는, 제어 모델을 검증할 수 있고, 검증된 제어 모델을 이용하여 제1 연료공급 프로토콜의 적어도 일부의 기능을 대체함으로써 제2 수소 연료공급 과정을 수행할 수 있다.
프로세서(3100)는, 제어 모델을 이용하여 제1 연료공급 프로토콜의 적어도 일부의 기능을 보조함으로써 제2 수소 연료공급 과정을 수행할 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는 과정을 제어하는 장치에서, 제어 모델은, 모델 예측 제어(MPC, Model Prediction Control) 기능을 학습한 모델일 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는 과정을 제어하는 장치에서, 제어 모델은, 수소 연료공급 과정의 제어 기능을 학습한 인공신경망(ANN, Artificial Neural Network) 모델일 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는 과정을 제어하는 장치에서, 프로세서(3100)는, 제1 연료공급 프로토콜이 모델 예측 제어(MPC, Model Prediction Control)에 의하여 제어 정보를 생성하는 과정을 지원하는 지 여부를 판정할 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는 과정을 제어하는 장치에서, 프로세서(3100)는, 제1 연료공급 프로토콜과 연관되는 통신 프로토콜이, 모빌리티와 모빌리티에 수소를 연료공급하는 디스펜서 간 양방향 통신을 지원하는 지 여부를 판정할 수 있다.
본 발명의 일 실시예에 따른, 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는 과정을 제어하는 장치에서, 프로세서(3100)는, 모빌리티와, 모빌리티에 수소를 연료공급하는 디스펜서가, 모빌리티와 디스펜서 간 양방향 통신을 지원하는 지 여부를 판정할 수 있다.
본 발명의 일 실시예에 따른 수소 연료공급 과정의 제어 장치는, 모빌리티에 수소를 연료공급하는 디스펜서에 배치될 수도 있고, 디스펜서 내에 배치되지는 않으나 디스펜서와 전자적으로 통신 가능하며 디스펜서의 fueling에 영향을 미칠 수 있는 컨트롤러로서 구현될 수도 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. 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는(fueling) 디스펜서에서 수행되는, 수소를 연료공급하는 방법에 있어서,
    제1 연료공급 프로토콜에 기반하여 수행되는 제1 수소 연료공급 과정에서 얻어지는 제1 연료공급 데이터를 획득하는 단계;
    상기 제1 연료공급 데이터에 기반하여 수소 연료공급 과정의 제어 기능을 학습하도록 제어 모델을 훈련하는 단계; 및
    상기 제1 연료공급 프로토콜 및 상기 제어 모델 중 적어도 하나 이상에 기반하여, 제2 수소 연료공급 과정을 수행하는 단계;
    를 포함하는,
    수소 연료 모빌리티에 수소를 연료공급하는 방법.
  2. 제1항에 있어서,
    상기 제2 수소 연료공급 과정을 수행하는 단계는,
    상기 제1 연료공급 프로토콜과 상기 제어 모델을 병행하여 운영함으로써, 상기 제2 수소 연료공급 과정을 수행하는,
    수소 연료 모빌리티에 수소를 연료공급하는 방법.
  3. 제1항에 있어서,
    상기 제2 수소 연료공급 과정을 수행하는 단계는,
    상기 제어 모델을 이용하여 상기 제1 연료공급 프로토콜의 적어도 일부의 기능을 대체함으로써 상기 제2 수소 연료공급 과정을 수행하는,
    수소 연료 모빌리티에 수소를 연료공급하는 방법.
  4. 제3항에 있어서,
    상기 제어 모델을 검증하는 단계;
    를 더 포함하고,
    상기 제2 수소 연료공급 과정을 수행하는 단계는,
    상기 검증된 제어 모델을 이용하여 상기 제1 연료공급 프로토콜의 적어도 일부의 기능을 대체함으로써 상기 제2 수소 연료공급 과정을 수행하는,
    수소 연료 모빌리티에 수소를 연료공급하는 방법.
  5. 제1항에 있어서,
    상기 제2 수소 연료공급 과정을 수행하는 단계는,
    상기 제어 모델을 이용하여 상기 제1 연료공급 프로토콜의 적어도 일부의 기능을 보조함으로써 상기 제2 수소 연료공급 과정을 수행하는,
    수소 연료 모빌리티에 수소를 연료공급하는 방법.
  6. 제1항에 있어서,
    상기 제어 모델은, 모델 예측 제어(MPC, Model Prediction Control) 기능을 학습한 모델인,
    수소 연료 모빌리티에 수소를 연료공급하는 방법.
  7. 제1항에 있어서,
    상기 제어 모델은, 수소 연료공급 과정의 제어 기능을 학습한 인공신경망(ANN, Artificial Neural Network) 모델인,
    수소 연료 모빌리티에 수소를 연료공급하는 방법.
  8. 제1항에 있어서,
    상기 제1 연료공급 프로토콜이 모델 예측 제어(MPC, Model Prediction Control)에 의하여 상기 제어 정보를 생성하는 과정을 지원하는 지 여부를 판정하는 단계;
    를 더 포함하는,
    수소 연료 모빌리티에 수소를 연료공급하는 방법.
  9. 제1항에 있어서,
    상기 제1 연료공급 프로토콜과 연관되는 통신 프로토콜이, 상기 모빌리티와 상기 모빌리티에 수소를 연료공급하는 디스펜서 간 양방향 통신을 지원하는 지 여부를 판정하는 단계;
    를 더 포함하는,
    수소 연료 모빌리티에 수소를 연료공급하는 방법.
  10. 제1항에 있어서,
    상기 모빌리티와, 상기 모빌리티에 수소를 연료공급하는 디스펜서가, 상기 모빌리티와 상기 디스펜서 간 양방향 통신을 지원하는 지 여부를 판정하는 단계;
    를 더 포함하는,
    수소 연료 모빌리티에 수소를 연료공급하는 방법.
  11. 수소를 연료로 사용하는 모빌리티에 수소를 연료공급하는 (fueling) 과정을 제어하는 장치로서,
    적어도 하나 이상의 명령을 저장하는 메모리; 및
    상기 적어도 하나 이상의 명령을 실행하는 프로세서;
    를 포함하고,
    상기 프로세서는, 상기 적어도 하나 이상의 명령에 의하여,
    제1 연료공급 프로토콜에 기반하여 수행되는 제1 수소 연료공급 과정에서 얻어지는 제1 연료공급 데이터를 획득하고,
    상기 제1 연료공급 데이터에 기반하여 수소 연료공급 과정의 제어 기능을 학습하도록 제어 모델을 훈련하고,
    상기 제1 연료공급 프로토콜 및 상기 제어 모델 중 적어도 하나 이상에 기반하여, 제2 수소 연료공급 과정을 수행하는,
    수소 연료 모빌리티에 수소를 연료공급하는 과정의 제어 장치.
  12. 제11항에 있어서,
    상기 프로세서는,
    상기 제1 연료공급 프로토콜과 상기 제어 모델을 병행하여 운영함으로써, 상기 제2 수소 연료공급 과정을 수행하는,
    수소 연료 모빌리티에 수소를 연료공급하는 과정의 제어 장치.
  13. 제11항에 있어서,
    상기 프로세서는,
    상기 제어 모델을 이용하여 상기 제1 연료공급 프로토콜의 적어도 일부의 기능을 대체함으로써 상기 제2 수소 연료공급 과정을 수행하는,
    수소 연료 모빌리티에 수소를 연료공급하는 과정의 제어 장치.
  14. 제13항에 있어서,
    상기 프로세서는,
    상기 제어 모델을 검증하고,
    상기 검증된 제어 모델을 이용하여 상기 제1 연료공급 프로토콜의 적어도 일부의 기능을 대체함으로써 상기 제2 수소 연료공급 과정을 수행하는,
    수소 연료 모빌리티에 수소를 연료공급하는 과정의 제어 장치.
  15. 제11항에 있어서,
    상기 프로세서는,
    상기 제어 모델을 이용하여 상기 제1 연료공급 프로토콜의 적어도 일부의 기능을 보조함으로써 상기 제2 수소 연료공급 과정을 수행하는,
    수소 연료 모빌리티에 수소를 연료공급하는 과정의 제어 장치.
  16. 제11항에 있어서,
    상기 제어 모델은, 모델 예측 제어(MPC, Model Prediction Control) 기능을 학습한 모델인,
    수소 연료 모빌리티에 수소를 연료공급하는 과정의 제어 장치.
  17. 제11항에 있어서,
    상기 제어 모델은, 수소 연료공급 과정의 제어 기능을 학습한 인공신경망(ANN, Artificial Neural Network) 모델인,
    수소 연료 모빌리티에 수소를 연료공급하는 과정의 제어 장치.
  18. 제11항에 있어서,
    상기 프로세서는, 상기 제1 연료공급 프로토콜이 모델 예측 제어(MPC, Model Prediction Control)에 의하여 상기 제어 정보를 생성하는 과정을 지원하는 지 여부를 판정하는,
    수소 연료 모빌리티에 수소를 연료공급하는 과정의 제어 장치.
  19. 제11항에 있어서,
    상기 프로세서는, 상기 제1 연료공급 프로토콜과 연관되는 통신 프로토콜이, 상기 모빌리티와 상기 모빌리티에 수소를 연료공급하는 디스펜서 간 양방향 통신을 지원하는 지 여부를 판정하는,
    수소 연료 모빌리티에 수소를 연료공급하는 과정의 제어 장치.
  20. 제11항에 있어서,
    상기 프로세서는, 상기 모빌리티와, 상기 모빌리티에 수소를 연료공급하는 디스펜서가, 상기 모빌리티와 상기 디스펜서 간 양방향 통신을 지원하는 지 여부를 판정하는,
    수소 연료 모빌리티에 수소를 연료공급하는 과정의 제어 장치.
PCT/KR2025/000655 2024-01-12 2025-01-10 주어진 연료공급 프로토콜을 개선하기 위한 모델 기반 수소 연료공급 방법 및 그 방법을 이용하는 제어 장치 Pending WO2025150992A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2024-0005547 2024-01-12
KR20240005548 2024-01-12
KR20240005547 2024-01-12
KR10-2024-0005548 2024-01-12

Publications (1)

Publication Number Publication Date
WO2025150992A1 true WO2025150992A1 (ko) 2025-07-17

Family

ID=96387199

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2025/000655 Pending WO2025150992A1 (ko) 2024-01-12 2025-01-10 주어진 연료공급 프로토콜을 개선하기 위한 모델 기반 수소 연료공급 방법 및 그 방법을 이용하는 제어 장치

Country Status (2)

Country Link
KR (2) KR20250110757A (ko)
WO (1) WO2025150992A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121048139A (zh) * 2025-10-31 2025-12-02 西安热工研究院有限公司 一种火电机组掺氢燃烧的安全与可靠性保障系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011033068A (ja) * 2009-07-30 2011-02-17 Toyota Motor Corp ガス充填システム
KR20210061415A (ko) * 2018-09-21 2021-05-27 내셔널 인스티튜트 오브 클린-앤-로우-카본 에너지 수소 충전 제어 장치 및 방법
KR20210130193A (ko) * 2019-02-18 2021-10-29 니콜라 코퍼레이션 수소 연료보급 및 전기 충전을 위한 통신 시스템들 및 방법들
WO2021223946A1 (de) * 2020-05-04 2021-11-11 Fronius International Gmbh Verfahren und anlage zur betankung eines fahrzeugtanks
KR20230065186A (ko) * 2021-11-03 2023-05-11 현대자동차주식회사 모델 예측 제어 기반 수소 충전 시스템, 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011033068A (ja) * 2009-07-30 2011-02-17 Toyota Motor Corp ガス充填システム
KR20210061415A (ko) * 2018-09-21 2021-05-27 내셔널 인스티튜트 오브 클린-앤-로우-카본 에너지 수소 충전 제어 장치 및 방법
KR20210130193A (ko) * 2019-02-18 2021-10-29 니콜라 코퍼레이션 수소 연료보급 및 전기 충전을 위한 통신 시스템들 및 방법들
WO2021223946A1 (de) * 2020-05-04 2021-11-11 Fronius International Gmbh Verfahren und anlage zur betankung eines fahrzeugtanks
KR20230065186A (ko) * 2021-11-03 2023-05-11 현대자동차주식회사 모델 예측 제어 기반 수소 충전 시스템, 방법 및 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121048139A (zh) * 2025-10-31 2025-12-02 西安热工研究院有限公司 一种火电机组掺氢燃烧的安全与可靠性保障系统及方法

Also Published As

Publication number Publication date
KR20250110757A (ko) 2025-07-21
KR20250110756A (ko) 2025-07-21

Similar Documents

Publication Publication Date Title
WO2025150992A1 (ko) 주어진 연료공급 프로토콜을 개선하기 위한 모델 기반 수소 연료공급 방법 및 그 방법을 이용하는 제어 장치
WO2020138624A1 (en) Apparatus for noise canceling and method for the same
WO2020189915A1 (ko) 배터리 관리 장치
WO2021045463A1 (en) Electronic device and authentication method of electronic device
WO2016195156A1 (ko) 이동 단말기 및 그 제어방법
WO2024072193A1 (ko) 수소 충전을 위한 통신 상의 파라미터 교환 방법 및 이를 이용하는 장치
WO2023080690A1 (ko) 실시간 제어 기반 수소 충전을 위한 통합 제어 시스템, 방법 및 장치
WO2019112295A1 (ko) 외부 장치의 네트워크 셋업을 위한 전자 장치 및 그의 동작 방법
WO2025150993A1 (ko) 통신 환경에 따라 특화된 모델에 기반하는 수소 연료공급 방법 및 그 방법을 이용하는 제어 장치
WO2025150977A1 (ko) 인공신경망 모델의 예측시간 사이클 제어를 이용하여 최적화된 수소 연료공급 방법 및 그 제어 장치
WO2024072011A1 (ko) 차량과 충전소 측 현장 데이터를 이용하는 수소 충전 테스트 방법 및 시스템
WO2024186174A1 (ko) 제어 모델을 이용하는 수소 연료공급 방법 및 장치
WO2025150957A1 (ko) 수소 연료공급을 위한 특화된 인공신경망 모델을 제공하는 장치 및 방법
WO2024019543A1 (ko) 수소 충전 통신 양방향 프로세스 및 이를 이용하는 장치
WO2022124860A1 (ko) 기지국 안테나의 기울기 각도 최적화 방법 및 장치
WO2024123079A1 (ko) 사용자 주도 설정 기반 수소 충전 방법 및 장치
WO2024167286A1 (ko) 수소 충전을 위한 통신 방법 및 장치
WO2024035235A1 (ko) 방열부재를 포함하는 전자 장치
WO2025239632A1 (ko) 수소 연료공급을 위한 통신 방법 및 통신 장치
WO2023080275A1 (ko) 성별 및 나이를 분류하는 딥러닝 프레임워크 응용 데이터베이스 서버 및 그 방법
WO2024186152A1 (ko) 에러 및 이머전시를 핸들링하는 수소 충전을 위한 통신 방법 및 장치
WO2024172634A1 (ko) 수소 충전의 모니터링 및 제어를 위한 통신 방법 및 장치
WO2024181826A1 (ko) 상호운용성에 기반한 수소 충전을 위한 통신 방법 및 장치
WO2026071652A1 (ko) 수소 연료공급을 위한 통신 방법 및 통신 장치
WO2024242512A1 (ko) 수소 연료공급 프로토콜을 부트스트랩핑하는 방법 및 장치

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: 25739152

Country of ref document: EP

Kind code of ref document: A1