전기차 파워트레인 통합 모델링을 위한 데이터 기반 모듈형 프레임워크

초록

본 논문은 배터리·인버터·전동기를 표준 인터페이스로 연결하는 모듈형 프레임워크를 제시한다. 물리‑기반 모델과 데이터‑드리븐 서러게이트를 혼합·매칭하여 시스템 수준 시뮬레이션을 구현하고, V‑모델 기반 개발·검증 절차와 Python‑Simulink 연동 방식을 제안한다. 모듈성, 확장성, 데이터 의존성 문제 등을 논의하며 향후 실차 검증 및 다목적 최적화 방향을 제시한다.

상세 분석

이 연구는 전기차 파워트레인 설계·검증에 필요한 ‘통합 시뮬레이션 환경’ 구축을 목표로 한다. 가장 큰 특징은 배터리, 인버터, 전동기라는 핵심 서브시스템을 각각 독립적인 모델(물리‑기반, 행동‑기반, 데이터‑드리븐 등)로 개발하고, 표준화된 입·출력 인터페이스를 통해 연결한다는 점이다. 이를 위해 저자는 V‑모델을 차용해 상위 요구사항을 하위 컴포넌트로 단계적 분해(top‑down)하고, 각 컴포넌트 모델을 완성한 뒤 하위에서 상위로 통합(bottom‑up)하는 체계적인 개발 흐름을 제시한다.

데이터‑드리븐 모델은 Python 환경에서 AI 라이브러리를 활용해 학습·검증되며, 학습된 서러게이트는 Simulink 혹은 FMU 형태로 내보내 시스템 레벨에 삽입된다. 이렇게 하면 고정밀 물리‑기반 모델이 필요 없는 부품(예: 표준 인버터)에서는 경량화된 머신러닝 모델을 사용해 시뮬레이션 속도를 크게 향상시킬 수 있다. 반대로 새로운 배터리 화학이나 고열 스트레스 상황처럼 정확도가 중요한 경우에는 고충실도 물리‑기반 모델을 그대로 활용한다.

핵심 아키텍처는 ‘규칙 기반 컨트롤러 + 데이터‑드리븐 플랜트’ 구조로, 컨트롤러는 전통적인 제어 로직을 유지하면서 플랜트 모델은 학습된 서러게이트가 담당한다. 전동기의 토크·속도 맵, 인버터의 효율 지도, 배터리의 OCV·내부 저항 모델 등을 각각 독립적으로 학습하고, 전력 흐름(전동기 AC 전력 → 인버터 효율 → DC 전력 → 배터리 전류)과 피드백 경로를 명시적으로 연결해 물리적 일관성을 확보한다.

하지만 데이터‑드리븐 모델은 학습 데이터의 범위와 품질에 크게 좌우된다. 논문은 표준 주행 사이클에만 기반한 모델이 급격한 가속·극한 온도 등 비정형 상황에서 오차가 커질 수 있음을 지적한다. 따라서 다양한 운전 조건·환경 데이터를 확보하고, 모델 일반화 능력을 검증하는 절차가 필수적이다. 또한, 하이브리드 구조는 모델 간 인터페이스 정의와 시간 동기화 문제를 야기할 수 있어, 표준화된 FMU 규격 활용이 권장된다.

향후 연구 방향으로는 실제 차량 데이터와의 정량적 검증, 다목적 최적화(정확도·계산 비용·메모리 사용량 트레이드오프) 및 HIL 테스트를 통한 실시간 적용 가능성 평가가 제시된다. 이러한 단계적 검증과 최적화는 궁극적으로 전기차 파워트레인 설계 주기를 단축하고, 소프트웨어 정의 차량 개발 패러다임에 부합하는 빠른 프로토타이핑을 가능하게 할 것이다.