<2024> BMS for EV/ESS Technology Status and Outlook
상품코드:1487707
리서치사:SNE Research
발행일:2024년 05월
페이지 정보:영문 또는 국문 - 369 Pages
라이선스 & 가격 (부가세 별도)
한글목차
친환경 에너지에 대한 요구 증대와 고유가로 인한 고연비 이동 수단이 확대되면서 EV, PHEV, HEV, E-Bike, E-Scooter 등이 인기를 더해 가면서 기존의 납축전지, Ni-MH에서 고성능, 고출력, 경중량 및 장수명 특성을 갖고 있는 Li ion 배터리로 전환된 가운데, 비정상적인 상황에서 발화 및 폭발의 위험성이 점점 더 사회문제로 되고 있습니다. 이러한 안전성과 셀 밸런스를 위해서 필수적인 시스템으로 BMS가 등장하게 되었습니다.
최근 전기차 chasm현상으로 글로벌 전기차 판매가 주춤하고 있지만, 전동화 추세는 계속해서 이어질 것으로 전망됩니다. 2015년부터 2024년까지 전세계 EV 판매량은 지속적으로 상승하고 있으며, SNE Research에 따르면 2023년 1327만대에서 2024년 현재 1587만대로 20% 이상 증가하였고, 2030년 전기차의 점유율이 전세계 차량의 49%를 차지하며, 신차 판매의 60%이상을 차지할 것으로 예상하고 있습니다. 이에 따른 BMS 시장은 25년 68억 USD에서 35년 220억 USD로 성장하여 22% 이상의 연평균 성장률을 기록할 것으로 전망됩니다.
EV, PHEV 및 HEV 더 나아가 ESS의 심장부에는 복잡한 배터리 관리 시스템(BMS: Battery Management System)이 자리하고 있습니다. BMS는 구동 시스템에 필요한 전력을 공급하는 2차전지의 안전성과 신뢰성을 보증하여 주는 두뇌 역할을 합니다. 배터리 팩에서 BMS가 차지하는 코스트 비율은 4-5%밖에 되지 않지만, 배터리 팩 성능의 과반 이상을 차지한다고 해도 과언이 아닙니다.
BMS의 중요성은 배터리 화재 및 폭발 사고가 증가함에 따라 더욱 필요성이 대두되고 있으며, 하드웨어와 소프트웨어로 구성되어 시스템의 안정성을 확보합니다. 상태 추정 기술, 고장 진단 기술, 셀 밸런싱 기술, 시스템의 전압, 전류 및 온도를 모니터링하여 최적의 상태로 유지관리하며, 시스템의 안전운영을 위한 경보 및 사전 안전예방 조치를 제공합니다.
즉, 배터리의 충방전시 과충전 및 과방전을 막아주며 셀(cell)간의 전압을 균일하게 함으로써 에너지 효율 및 배터리의 수명을 높여주며, 데이터의 보전 및 시스템을 진단하여 경보 관련 이력상태의 저장 및 외부 진단시스템 혹은 모니터링 을 통한 진단이 가능합니다. 등이 집약되며 국내 BMS 시장은 2024년에서 2029년 동안 16% 이상의 연평균 성장률을 기록할 것으로 전망됩니다.
BMS는 전기자동차의 배터리 제어의 최적화를 통하여 주행거리 향상 및 안전성을 확보하여 주는 역할을 합니다. BMS 기술은 열에 약한 배터리를 균등 냉각하여 동일한 성능 구현이 가능하도록 하는 열관리 제어와 배터리의 각 상태를 판단하여 최적 효율점에서 작동하도록 하는 배터리 충전상태(SOC)제어로 크게 나눌 수 있습니다.
BMS는 시스템의 전압, 전류 및 온도를 모니터링하여 최적의 상태로 유지관리하며, 시스템의 안전운영을 위한 경보 및 사전 안전예방 조치를 제공합니다. 즉, 배터리의 충방전시 과충전 및 과방전을 막아주며 셀(cell)간의 전압을 균일하게 함으로써 에너지 효율 및 배터리의 수명을 높여주며, 데이터의 보전 및 시스템을 진단하여 경보 관련 이력상태의 저장 및 외부 진단시스템 혹은 모니터링을 통한 진단이 가능합니다.
최근의 Hi-Ni Li-ion 배터리의 단일 셀의 정격전압은 3.7V, 충전전압은 4.5V입니다. 이를 직렬로 접속하여 600V가 넘는 전압을 발생시켜줍니다. 여러 개의 셀을 직렬로 접속하는 경우 그 중 한 개의 셀이라도 고장이 나거나 열화 되면 배터리 팩 전체가 영향을 받습니다. 그래서 최신의 EV나 PHEV, HEV에 적용되는 BMS는 개개의 셀에 대한 과충전, 과방전, 과열을 막고 이들의 수명을 최적화시켜주는 기능을 하고 있습니다.
BMS는 모든 셀을 항상 균등한 충전상태로 유지시켜주는 셀 밸런스에 의해 이를 실현하고 있습니다. 더욱이 BMS는 각종 변화 요소들을 종합 분석하여 남은 주행 가능 거리를 예측하고 그 정보를 상위의 차량 ECU(Electronic Control Unit)에 제공합니다. 차량 내 통신으로는 일반적으로 CAN(Controller Area Network의 약자로 차량 내 ECU들 간의 데이터 공유를 위해 Bosch에 의해 개발된 통신 시스템)을 활용하고 있습니다. BMS의 하드웨어적인 구성에는 VITM(Voltage, Current, Temperature Measure) 모듈 셀 밸런싱(Cell Balancing)모듈, 마이크로프로세서(Micro Processor) 등으로 구성되어 있습니다.
BMS의 소프트웨어는 배터리의 Sox 상태 제어 및 관리를 토대로 사용자에게 고도화된 정보를 제공합니다. 배터리의 전기적 등가회로모델(Equivalent Circuit Model)을 기반으로 상태를 추정하는 다양한 방법들이 제시되고 있으나, 어플리케이션의 주행 중 빅데이터 수집의 중요성이 강조되면서 데이터 분석에 기반한 AI 알고리즘 또한 다양하게 개발되고 있습니다.
BMS 보정 및 성능 향상을 위해 기계 학습(Machine learning)의 한계점인 특징 추출을 사람이 수행해 컴퓨터에 입력하는 행위를 보완하여 딥러닝(Deep learning) 모델이 도입되었습니다. 배터리의 시계열 데이터 예측을 위해 Recurrent neural network(RNN), Long short-term memory(LSTM) 알고리즘이 사용되고, 배터리 이상(고장) 탐지를 위해 Convolution neural network(CNN)이 활용됩니다. 이러한 딥러닝 알고리즘 적용을 위해 다양한 전처리 프로세스가 필요합니다.
데이터 전처리와 잔여 수명 간의 상관 분석을 통해 최종 HI를 선정하고 학습 모델을 기반으로 배터리 수명을 예측합니다. 그리고 운행 이력 데이터의 특징과 패턴을 학습하여 배터리 시스템의 이상 동작을 감지하고, 다수의 고장 데이터를 확보하기 어려운 상황에서는 비지도 학습을 통해 정상 데이터를 학습한 모델과 이상치 점수를 활용하여 고장을 검출합니다. 또한, EV 주행 환경을 고려하여 Urban Dynamometer Driving Schedule (UDDS)를 기반으로 인자를 선정하고 Embedded board에 SOH 추정 알고리즘 탑재합니다. 이러한 방식으로 개발된 기술은 BMS의 성능을 향상시키고 배터리 시스템의 안정성을 높일 수 있습니다.
무선 BMS의 도입으로 기존의 유선 시스템과는 다른 방식으로 실시간 데이터를 수집하여 사용자에게 배터리 상태 정보를 제공할 수 있습니다. 이는 기존 BMS가 하는 기능을 가상 공간(Cloud)에서 실시간으로 수행하게 됩니다. 배터리 상태 추정 알고리즘이 실행되고 결과가 시각화되어 사용자에게 전송됩니다. 하지만 Cloud에서 데이터 수집 시에는 여러 한계가 있습니다. 데이터 양이 증가하면서 전송 지연이 발생하고 이를 해결하기 위해 차량 탑재 BMS와 연결되어 즉각적인 제어가 가능한 Edge 컴퓨팅 개념이 도입되고 있습니다.
또한 보안 문제로 암호화 기술 및 블록체인 기반의 데이터 위/변조 방지 기술이 도입되었습니다. 배터리 수명 관리 및 시스템 향상을 위한 배터리 데이터 정보는 Public blockchain으로 공개되어야 하며 개인정보(경로, ID 등)는 Private blockchain으로 비공개되어야한다. 이렇게 위조 및 변조 방지에 탁월한 성능을 가진 신뢰할 수 있는 데이터 이력 관리 시스템이 구축되면 무선 BMS 시장은 더욱 성장하며 다양한 차량 플랫폼으로 확장될 것으로 예상됩니다.
마지막으로, 배터리 종류별 환경 온도에 따른 상이한 특성이 존재하기에 배터리에 따른 적절한 열관리시스템이 필요합니다. 배터리 기반 어플리케이션에는 다수의 배터리 셀로 직렬-병렬 조합되는 배터리 팩이 존재하며 배터리 팩 내부의 온도 분포 불균형이 배터리 팩의 성능/수명 영향을 끼칩니다. 배터리의 표면 온도는 비가역 열(Irreversible heat), 가역 열(Reversible heat), 열 손실(Heat loss)의 3가지 열전달 현상에 의해 결정됩니다. 등가회로 모델, 전열모델(Electro-thermal model) 및 인공지능 모델을 통해 배터리 발열 추정할 수 있습니다. 배터리 팩을 구성하는 셀의 형상 및 내부 구조 특성에 따라 냉각 방법 및 배치 상이하기에 이를 반영하여 충분한 방열이 가능하도록 열관리시스템을 설계해야 합니다.
본 리포트는 배터리 팩 및 모듈에서 아주 중요한 컴포넌트인 BMS를 둘러싼 기본 기술은 물론, 최근의 deep learning, AI 연계형 차세대 기술, 무선 BMS 등의 기술동향을 상세하게 소개하여 더 안전하고, 장수명의 팩 및 모듈개발에 활용하는데 도움을 줄 것으로 기대하고 있습니다.
본 보고서의 Strong Point는 다음과 같습니다.
① 리튬이온 배터리 기반 다양한 어플리케이션 성장 및 차세대 배터리의 발전과 BMS의 중요성 증대
② 배터리 안전 문제 급증에 따른 BMS 중요성 및 국내 BMS 시장 현황
③ BMS 하드웨어 및 소프트웨어 및 AI 알고리즘 필요성 증대
④ 딥러닝 모델 기반 배터리 수명 예측과 이상 감지
⑤ Cloud BMS, 블록체인 기술을 활용한 BMS 신뢰성 및 확장성 향상
⑥ 배터리 종류 및 환경 온도에 따른 적절한 열관리시스템 설계 필요성
목차
1. 리튬이온전지 응용, 차세대전지
1.1 리튬이온전지 기본 개요
1.1.1 리튬이온전지 기본 용어
1.1.1.1 전압(Voltage)
1.1.1.2 전하량(Coulomb) 및 전류(Current)
1.1.1.3 용량(Capacity)
1.1.1.4 출력(Power) 및 에너지(Energy)
1.1.1.5 방전율(C-rate)
1.1.1.6 OCV, 배터리 상한 및 하한 종지 전압
1.1.1.7 전지의 직렬-병렬 연결
1.1.2 리튬이온전지 구성 및 동작 원리
1.1.2.1 전지구조
1.1.2.2 전지종류
1.1.2.3 동작원리
1.1.3 배터리 팩 구조
1.2 리튬이온전지 적용 어플리케이션 동향
1.2.1 에너지저장장치(ESS)
1.2.1.1 ESS 개요
1.2.1.2 ESS 국내/외 동향
1.2.2 전기자동차(EV)
1.2.2.1 EV 개요
1.2.2.2 EV 국내/외 동향
1.2.3 전기선박(Electric ship)
1.2.3.1 전기선박 개요
1.2.3.2 전기선박 국내/외 동향
1.2.4 도심항공교통(UAM)
1.2.4.1 UAM 개요
1.2.4.2 UAM 국내/외 동향
1.3 차세대 배터리
1.3.1 차세대 배터리 기술개발
1.3.1.1 기술개발 필요성
1.3.2 차세대 배터리 기술개발 동향
1.3.2.1 리튬황 전지
1.3.2.2 전고체 전지
1.3.2.3 바나듐 흐름전지
1.3.2.4 리튬공기 전지
1.3.2.5 나트륨이온 전지
1.3.2.6 리튬메탈 전지
1.3.2.7 나트륨황 전지
1.3.2.8 브롬화수소 흐름전지
1.3.2.9 철 흐름전지
1.3.3 차세대 배터리 어플리케이션 개발동향
1.3.3.1 ESS 동향
1.3.3.2 EV 동향
1.3.3.3 무인기 동향
2. 배터리 관리시스템(BMS) 소개
2.1 액체 전해질의 구성
2.1.1 배터리 시장 증대에 따른 BMS 필요성
2.1.1.1 전기자동차(EV) 시장 확대
2.1.1.2 에너지저장장치(ESS) 시장 확대
2.1.2 배터리 화재에 따른 BMS 필요성
2.1.2.1 EV 어플리케이션 화재 사고
2.1.2.2 ESS 어플리케이션 화재 사고
2.1.2.3 화재사고 원인
2.1.3 배터리관리시스템(BMS) 아키텍처 및 기능
2.1.3.1 배터리관리시스템(BMS) 아키텍처
2.1.2.2 BMS의 기능에 따른 분류 ? S/W
2.1.3.3 BMS의 기능에 따른 분류 ? H/W
2.1.3.4 어플리케이션에 따른 BMS 기능 - EV
2.1.3.5 어플리케이션에 따른 BMS 기능 ? ESS
2.2 배터리관리시스템(BMS) 기술 동향
2.2.1 국내/외 BMS 기술 동향
2.2.1.1 BMS 기술 경향 변화
2.2.1.2 ESS 국내/외 동향
2.2.2 국내외 BMS 기술
2.2.2.1 상태 추정 기술(State estimation)
2.2.2.2 고장 진단 기술(Fault diagnosis)
2.2.2.3 밸런싱 기술(Balancing)
2.2.2.4 스크리닝(Screening)
2.2.2.5 재사용 배터리(Retired battery)
2.3 배터리관리시스템(BMS) 시장 동향
2.3.1 국내 BMS 시장 동향
2.3.2 해외 BMS 시장 동향
2.3.2.1 글로벌 BMS 시장 동향
2.3.2.2 미국 BMS 시장 동향
2.4 BMS H/W 구성 및 설계 프로세스
2.4.1 BMS H/W 구성 및 기능
2.4.1.1 BMS H/W 개요
2.4.1.2 BMS H/W 기능 ? 보호(Protection)
2.4.1.3 BMS H/W 기능 ? 측정(Measurement)
2.4.1.4 BMS H/W 기능 ? 통신(Communication)
2.4.1.5 BMS H/W 기능 ? 제어(Control)
2.4.2 BMS H/W 설계 프로세스
2.4.2.1 응용 사양에 맞춘 배터리 결합 구조 결정
2.4.2.2 요구 사양에 따른 BMS H/W 토폴로지 선정
2.4.2.3 BMS H/W 설계 ? 측정부
2.4.2.4 BMS H/W 설계 ? 보호부
2.4.2.5 BMS H/W 설계 ? 제어부
2.4.2.6 BMS H/W 설계 ? 통신부
2.4.2.7 BMS H/W 동작 확인 및 검증
2.4.3 BMS F/W(Firmware) 구성 및 기능
2.4.3.1 BMS F/W 구조
2.4.3.2 BMS F/W 드라이버(Driver)
2.4.3.3 BMS F/W 모듈(Module)
2.4.3.4 BMS F/W 엔진(Engine)
3. 배터리관리시스템(BMS) 상태 추정 기술동향
3.1 배터리관리시스템 S/W 정의 및 기능
3.1.1 BMS S/W 상태 추정(SOx) 주요 기능
3.1.1.1 BMS S/W 필요성
3.1.1.2 BMS S/W 상태 지표 소개
3.1.2 배터리 모델 기반 상태 추정 기술
3.1.2.1 전기적 등가회로 모델 필요성
3.1.2.2 전기적 등가회로 모델링 소개
3.1.2.3 전기적 등가회로 모델 종류
3.1.3 전기적 등가회로 모델링 기술 동향
3.1.3.1 배터리 누적 전류량을 고려한 등가회로 모델
3.1.3.2 배터리 가용 용량을 고려한 등가회로 모델
3.2 SOC 추정 알고리즘 기술 동향
3.2.1 배터리 SOC 추정 알고리즘 소개
3.2.1.1 배터리 SOC 추정 필요성
3.2.1.2 배터리 SOC 추정 방법
3.2.1.3 전류적산법 기반 SOC 추정
3.2.1.4 적응제어 기반 SOC 추정
3.2.1.5 데이터 기반 SOC 추정
3.2.1.6 SOC 추정 방법별 장/단점 비교 및 분석
3.2.2 적응제어 모델 기반 SOC 추정 알고리즘
3.2.2.1 확장 칼만 필터 기반 SOC 추정 알고리즘
3.2.2.2 Offline 파라미터 및 확장 칼만 필터 기반 배터리 SOC 추정
3.2.2.3 Online 파라미터 및 확장 칼만 필터 기반 배터리 SOC 추정
3.2.2.4 이중 확장 칼만 필터 기반 배터리 SOC 추정
3.2.3 SOC 추정 알고리즘 기술 동향
3.2.3.1 가변조건(온도/노화)에 따른 SOC 추정 알고리즘
3.3 SOH 추정 알고리즘 기술 동향
3.3.1 가속 수명시험 및 배터리 열화 메커니즘
3.3.1.1 배터리 열화 정의
3.3.1.2 배터리 열화 메커니즘
3.3.1.3 가속 수명시험
3.3.2 Arrhenius 모델 기반 배터리 열화모델 소개
3.3.2.1 Arrhenius 기반 배터리 열화모델 설계 방안
3.3.2.2 Arrhenius 기반 배터리 열화모델 인자 도출 방안
3.3.3 저항 정보 기반 SOH 추정 알고리즘
3.3.3.1 EIS 임피던스 기반 SOH 추정 알고리즘
3.3.4 적응제어 기반 SOH 추정 알고리즘
3.3.4.1 모델 기반 배터리 열화 해석 방안
3.3.5 SOH 추정 알고리즘 기술 동향
3.3.5.1 Stress factor 기반 열화 모델
4. AI 연계형 배터리관리시스템(BMS)
4.1 BMS 내 Big data 기반 AI 도입 필요성
4.1.1 클라우드 서버 기반 Big data 수집 인프라 확대
4.1.1.1 Cloud server 기반 차량 데이터 수집 현황
4.1.2 Big data platform 구축에 따른 AI 기반 차세대 BMS 필요성
4.1.2.1 어플리케이션의 다양화에 따른 배터리의 비선형적 특성 추정 및 예측 필요
4.1.2.2 Big-data 수집 및 분석에 따른 통합 솔루션 제공 및 BMS 내 솔루션 제공
4.1.2.3 BMS와 인공지능 기술의 연계 필요성
4.2 배터리 관리시스템을 위한 AI 도입
4.2.1 인공지능 모델 소개
4.2.1.1 초기 인공신경망(Artificial neural network; ANN) 모델 ? 퍼셉트론(Perceptron)
4.2.1.2 통계 기반 2차 인공지능 모델 ? 기계 학습(Machine learning)
4.2.1.3 현재 인공지능(Artificial intelligence; AI) 모델 ? 딥러닝(Deep learning)
4.2.1.4 순환 신경망(Recurrent neural network; RNN)
4.2.1.5 장단기 메모리(Long-short-term memory; LSTM)
4.2.1.6 합성곱 신경망(Convolution neural network; CNN)
4.2.2 AI 알고리즘 적용을 위한 데이터 전처리 프로세스
4.2.2.1 데이터 프로세싱(Data processing)
4.2.2.2 데이터 클리닝(Data cleaning)
4.2.2.3 데이터 변환(Data transformation) 및 상관 분석
4.2.2.4 데이터 라벨링(Data labeling)
4.2.2.5 데이터 압축(Data compression)
4.2.3 배터리 열화데이터 분석 및 건전성 지표 추출 연구
4.2.3.1 배터리 열화 데이터 분석
4.2.3.2 배터리 건전성 지표(Health indicator; HI) 추출
4.2.3.3 배터리 건전성 지표(Health indicator; HI) 선정
4.2.4 신호 해석을 통한 실험 데이터 분해 및 압축 연구
4.2.4.1 Wavelet transform(WT)의 개념
4.2.4.2 Discrete wavelet transform(DWT)
4.2.5 학습 데이터 셋 구축을 위한 특징 추출 및 상관 분석
4.2.5.1 특징 추출(Feature extraction)의 중요성
4.2.5.2 특징 추출(Feature extraction)의 종류
4.2.5.3 Principal component analysis(PCA)
4.2.6 AI 기반 BMS 알고리즘
4.2.6.1 AI 기반 배터리 수명 예측 알고리즘
4.2.6.2 AI 기반 배터리 고장 진단 알고리즘
4.3 AI 기반 BMS 고도화 알고리즘
4.3.1 랜덤 포레스트 기반 데이터 결측치 보완 및 방전 용량 예측 연구
4.3.1.1 배터리 용량 예측을 위한 Random forest 기반 데이터 셋 보완
4.3.1.2 Random forest 기반 중요 인자 선정 프로세스
4.3.1.3 중요 인자 별 Case 분류 및 Case 별 용량 예측 결과
4.3.2 EIS 이미지 입력을 통한 CNN 기반 외부 환경 분류 연구
4.3.2.1 외부 환경 진단에 따른 배터리 열화 데이터(EIS) 수집
4.3.2.2 CNN 학습 데이터 셋 구성을 위한 EIS 이미지 패턴 변화 분석
4.3.2.3 CNN 학습 데이터 셋 구성을 위한 EIS 이미지 변환
4.3.2.4 CNN 모델 학습 및 EIS 이미지 입력에 따른 외부 환경 분류
4.3.3 배터리 고장 진단을 위한 데이터 패턴화 연구
4.3.3.1 시계열 데이터 특성에 특화된 이상 탐지 및 데이터 패턴화 연구 필요성
4.3.3.2 오토인코더(Autoencoder) 기반 시계열 데이터 압축
4.3.3.3 분류 모델의 입력 데이터 셋 구성
4.3.3.4 각 이상 유형의 시계열 데이터를 하나의 신호로 압축
4.3.3.5 압축된 이상 유형별 신호를 통한 패턴 분류 모델 학습 및 배터리 이상 사전진단
4.3.4 EV 주행환경을 고려한 실시간 SOH 추정 연구
4.3.4.1 Dynamic profile 내 SOH 추정 성능 향상을 위한 Indicator 선정
4.3.4.2 시계열 데이터 예측을 위한 Long-short term memory network 구축
4.3.4.3 Embedded Linux 기반 실시간 SOH 추정 알고리즘 탑재
4.3.4.4 실험 평가 환경 구축 및 실시간 SOH 추정 알고리즘 성능 검증
5. 배터리 관리시스템(BMS)의 미래
5.1 클라우드 BMS
5.1.1 IoT 기반 BMS
5.1.1.1 Internet of things(IoT) 개념
5.1.1.2 IoT 기반 실시간 데이터 수집
5.1.1.3 IoT 기반 데이터 전송 - OBD-II to Cloud
5.1.1.4 IoT 기반 BMS를 활용한 통합 배터리 관리 서비스
5.1.2 배터리 최적 운용을 위한 Cloud BMS 구축
5.1.2.1 수집 데이터 기반 배터리 상태 진단 플랫폼(Cloud BMS) 정의
5.1.2.2 Cloud BMS 구조
5.1.2.3 Cloud server 구축을 통한 BMS 운용
5.1.2.4 Cloud BMS 기반 실시간 배터리 모니터링 - 데이터 분석 및 결과 시각화
5.1.2.5 Cloud BMS를 활용한 On-board BMS 성능 향상
5.1.3 IoT 기반 Cloud BMS 한계 및 보완 기법
5.1.3.1 데이터 수집 및 서버 저장 시 한계(1)
5.1.3.2 Edge 컴퓨팅 기술
5.1.3.3 데이터 수집 및 서버 저장 시 한계(2)
5.1.3.4 데이터 보안을 위한 암호화 기술 도입
5.1.4 무선 BMS(Wireless BMS)
5.1.4.1 무선 BMS의 정의 및 필요성
5.1.4.2 무선 BMS 구조
5.1.4.3 무선 BMS 시장 동향
5.1.5 블록체인(Blockchain)
5.1.5.1 블록체인 개념
5.1.5.2 블록체인 구분
5.1.5.3 블록체인 기술의 필요성
5.1.5.4 블록체인 기반 사이버 보안 해결
5.1.5.5 블록체인 기반 개인정보 보호
5.1.5.6 블록체인 기반 전주기 관리 시스템
5.2 Digital-twin model
5.2.1 디지털 트윈(Digital twin)
5.2.1.1 디지털 트윈 개념 및 기대 효과
5.2.1.2 디지털 트윈의 구성 요소
5.2.1.3 디지털 트윈 구현 및 활용
5.2.1.4 디지털 트윈의 구현을 위한 주요 기술
5.2.1.5 디지털 트윈 최적화
5.2.2 Digital twin model 및 Cloud BMS 기반 배터리 상태 추정 동향
5.2.2.1 Digital twin model과 Cloud BMS 결합
5.2.2.2 Digital twin 및 Cloud BMS 활용 방안: Virtual battery model
