선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 전기 자동차의 성능 평가를 위한 도심 주행 모드 개발 방법을 제시하기 위하여 다음과 같은 연구를 수행하였다.
제안 방법
- 9) 또한, 교통 신호를 지키고, 편도 1차로에서는 60km/h, 편도 2차로 이상에서는 80km/h 이내의 제한 속도를 준수하는 등 교통 법규를 준수하면서 주행 시험을 수행하였다.10) 각 시험 차량은 앞선 차량을 따라다니지 않고, 순찰차 코스를 따라 자율적으로 주행하였다.
- 11) 본 연구에서는 속도와 가속도의 구간 분류를 통한 주행 경향을 분석하는 속도-가속도 연계 분석 방법을 이용하여 데이터를 분석하였다. 주행 데이터 분석 과정은 전기 자동차와 가솔린 자동차에 동일하게 적용하였다.
- 2) 주행 시험을 통해 얻어진 속도, GPS 정보 등의 데이터를 분류/분석하여 하나의 속도 프로파일로 합성하고, 도로의 경사도가 적용된 도심 주행 모드 GUDC-EV를 개발하였다. 또한, 내연기관 자동차와의 특성을 비교하기 위하여 가솔린 자동차용 주행모드인 GUDC-CV도 함께 개발하였다.
- 9) 또한, 교통 신호를 지키고, 편도 1차로에서는 60km/h, 편도 2차로 이상에서는 80km/h 이내의 제한 속도를 준수하는 등 교통 법규를 준수하면서 주행 시험을 수행하였다.10) 각 시험 차량은 앞선 차량을 따라다니지 않고, 순찰차 코스를 따라 자율적으로 주행하였다.
- Chronological table를 바탕으로 class의 빈도수, 연결 흐름을 고려하고 거리를 맞추어 13개의 class를 선택하여 합성하였다. 최종적으로 합성한 class의 순서는 Table 7, Table 8과 같다.
- 다음으로 Chronological table을 통해 도출한 class의 순서로 대푯값들을 합성하였다. 각 class 별로 선정한 대푯값들 중에서 이전 구간의 끝 속도와 다음 구간의 처음 속도의 차이가 가장 작은 대푯값을 선택하고, 각 구간 사이를 연결하여 최종 속도 프로파일을 도출하였다.
- 그리고 수집한 데이터의 속도 및 가속도 특성을 구간 별로 분석하여 모든 데이터를 대표할 수 있는 하나의 속도 프로파일로 합성하고, 경사 부하를 반영하기 위해 경사도가 적용된 전기자동차용 도심 주행 모드와 내연기관 자동차용 도심 주행 모드를 개발하였다. 그리고 도심 주행 모드 개발방법에 대한 신뢰성을 검증하여 전기자동차용 도심주행 모드 개발방법을제시하였다.
- 또한, 내연기관 자동차와 전기자동차의 주행특성을 비교하기 위해 내연기관 자동차의 주행 시험도 함께 수행하였다. 그리고 수집한 데이터의 속도 및 가속도 특성을 구간 별로 분석하여 모든 데이터를 대표할 수 있는 하나의 속도 프로파일로 합성하고, 경사 부하를 반영하기 위해 경사도가 적용된 전기자동차용 도심 주행 모드와 내연기관 자동차용 도심 주행 모드를 개발하였다. 그리고 도심 주행 모드 개발방법에 대한 신뢰성을 검증하여 전기자동차용 도심주행 모드 개발방법을제시하였다.
- 보통의 경우 주행 데이터 분류 시 합성의 용이성을 위해 정지구간을 기준으로 구간을 나눈다. 기존의 방식과 달리 본 연구에서는 시험 차량이 일정한 순찰 코스를 주행하기 때문에 일정한 거리 간격으로 구간을 나누는 방식을 선택하였다. 또한, 보다 자연스러운 합성을 위해 처음과 끝 구간을 따로 분리를 하였다.
- 다음으로 Part II 논문에서는 Part I에서 개발한 도심 주행 모드를 검증하기 위해 기존 도심 주행 모드와 시뮬레이션 결과 비교를 하였고, 전기 자동차 성능 평가를 위한 도심 주행 모드 개발의 당위성 검증에 대해 기술하였다.8)
- 그 다음으로 congested urban의 경우 정지시간을 기준으로 high stop duration 및 urban dense, low steady speeds의 3종류로 분류를 하였다. 또한, Freeflow urban의 경우 평균 가속도를 이용하여 freeflowing, free-flowing unsteady 2종류로 분류를 하였다.
- 또한, 각 시험 차량에 GPS 정보 및 속도 등 차량 정보의 계측이 가능한 블랙박스 폰터스 HDR1300를 설치하여 주행 시험을 수행하였다. 이 장비는 속도는 100Hz, GPS정보는 1Hz까지 데이터 계측이 가능하기 때문에 정밀한 주행데이터를 얻을 수 있다.
- 전기 자동차의 주행 데이터를 수집하기 위하여 기아자동차(주)의 전기 자동차 레이 EV(Ray EV)를 시험 차량으로 선정하였다. 또한, 내연 기관 자동차의 주행 데이터와 전기 자동차의 주행 데이터 사이에 차이가 있는지 비교하기 위해 출력 및 무게 등을 고려하여 가솔린 차량의 주행 시험도 함께 수행하였다. 시험차량은 출력 및 무게 등을 고려하여 한국 GM(주)의 New 마티즈(New Matiz)로 선정하였다.
- 8) Part I에서는 전기자동차용 도심 주행 모드의 개발방법을 제안 위해 시험 주행 코스를 선정하고, 전기자동차를 이용한 주행 시험을 통해 주행 데이터를 수집하였다. 또한, 내연기관 자동차와 전기자동차의 주행특성을 비교하기 위해 내연기관 자동차의 주행 시험도 함께 수행하였다. 그리고 수집한 데이터의 속도 및 가속도 특성을 구간 별로 분석하여 모든 데이터를 대표할 수 있는 하나의 속도 프로파일로 합성하고, 경사 부하를 반영하기 위해 경사도가 적용된 전기자동차용 도심 주행 모드와 내연기관 자동차용 도심 주행 모드를 개발하였다.
- 2) 주행 시험을 통해 얻어진 속도, GPS 정보 등의 데이터를 분류/분석하여 하나의 속도 프로파일로 합성하고, 도로의 경사도가 적용된 도심 주행 모드 GUDC-EV를 개발하였다. 또한, 내연기관 자동차와의 특성을 비교하기 위하여 가솔린 자동차용 주행모드인 GUDC-CV도 함께 개발하였다.
- 본 연구에서는 블랙박스를 통해 측정한 GPS 정보와 Google Earth를 이용하여 과천 순찰차 코스의 경사도를 도출하였다. 도출된 경사도 데이터는 거리에 따른 경사도이므로 이를 GUDC-EV에 적용시키기 위해서는 시간에 따른 경사도 데이터로 변환시켜야 한다.
- 본 장에서는 3장에서 분석한 데이터의 합리적인 조합 순서를 정하기 위해 Chronological table을 작성하고 분류한 5종류의 class를 대표하는 구간을 선정하여 합성하였다.12)
- 본 절에서는 GUDC-EV 및 GUDC-CV의 합성 방법에 대한 신뢰성검증을 위하여 성균관대학교에서 개발한 가상주행 시뮬레이터 S/W e-Vsim을 이용해 시뮬레이션을 수행하였다.13) 먼저, Fig.
- 블랙박스에서 얻은 시간 별 속도 데이터의 분류를 위해 데이터를 미분/적분하여 가속도 및 거리를 계산하였다. 보통의 경우 주행 데이터 분류 시 합성의 용이성을 위해 정지구간을 기준으로 구간을 나눈다.
- 첨두 시간과 비첨두 시간의 교통 상황을 모두 반영하기 위하여 오전 5회, 오후 6회, 저녁 7회의 주행을 실시하였다. 오전 주행은 7시~9시 사이에 수행하였으며, 오후 주행은 14~16시, 저녁 주행은 17시 30분~ 20시 사이에 실시하였다. 오후 시간대는 모두 비첨두 시간이고, 오전과 저녁은 첨두 시간과 비첨두 시간이 섞여 있으므로 각각 다른 횟수로 주행하여 첨두 시간과 비첨두 시간의 데이터의 균형을 맞추었다.
- 전기 자동차와 가솔린 자동차 주행 데이터 class의 분포를 정리하였다. 우선 5종류의 class가 어느 비율로 존재하는지 파악하였다. 동일한 주행환경의 코스를 주행을 하였기에 class별 비율은 전기 자동차와 가솔린 자동차 서로 비슷하게 나왔다.
- 각 class의 대푯값은 주행 속도와 평균 가속도를 이용하여 선정하였다. 우선 분류한 class 별로 주행속도와 평균 가속도의 평균값을 계산하고, 각 class의 구간의 값과 평균값의 차이를 계산하여 평균값에 가장 가까운 값 3가지를 선택하였다. 각 구간을 연결할 때 불연속적인 속도 변화를 최소화하기 위해 복수의 대푯값을 선정하였다.
- 도출된 경사도 데이터는 거리에 따른 경사도이므로 이를 GUDC-EV에 적용시키기 위해서는 시간에 따른 경사도 데이터로 변환시켜야 한다. 이를 위해 속도 프로파일을 적분하여 시간에 따른 거리 데이터를 구하고, 거리에 맞게 경사도를 입력하여 시간에 따른 경사도를 도출하였다. 경사도 프로파일은 Fig.
- 차량 주행 데이터는 운전자의 운전 습관에 따라 각기 다른 특성을 보이므로 운전 습관을 배제하기 위해 공격적인 운전자와 방어적인 운전자 2인이 교대로 시험 차량을 운전하였다. 승차 인원은 운전자 포함 2인이고, 주행 시험 중 전기 자동차의 배터리 충전은 Fig.
- 주행 시험을 통한 주행 데이터 수집은 11월과 12월 2회에 걸쳐 실시하였다. 첨두 시간과 비첨두 시간의 교통 상황을 모두 반영하기 위하여 오전 5회, 오후 6회, 저녁 7회의 주행을 실시하였다. 오전 주행은 7시~9시 사이에 수행하였으며, 오후 주행은 14~16시, 저녁 주행은 17시 30분~ 20시 사이에 실시하였다.
- 또한, 보다 자연스러운 합성을 위해 처음과 끝 구간을 따로 분리를 하였다. 총 36개의 주행 데이터를 각각 처음과 끝구간만 100m로 나누고, 나머지는 500m로 구간을 나누어 분류하였다. 각각의 주행 데이터는 13개의 구간으로 구성되어 있다.
- 주행데이터의 특성을 분석하기위해 계산되어야 하는 파라미터 값들은 평균 속도, 정지 시간, 주행 속도, 평균 가속도, 처음 속도 및 끝 속도이다. 총 6종류의 파라미터 값들을 각 구간 별로 계산하고, 계산된 파라미터 값들을 바탕으로 각 구간을 5가지의 class로 분류하였다. 1차적으로, 평균 속도를 이용하여 congested urban과 free-flow urban으로 분류를 하였다.
대상 데이터
- 1) 국내의 대표 도심지 중 하나인 과천 시내를 시험 코스로 선정하고, 순찰차 코스를 따라 실차 주행 시험을 수행하였다.
- 8) Part I에서는 전기자동차용 도심 주행 모드의 개발방법을 제안 위해 시험 주행 코스를 선정하고, 전기자동차를 이용한 주행 시험을 통해 주행 데이터를 수집하였다. 또한, 내연기관 자동차와 전기자동차의 주행특성을 비교하기 위해 내연기관 자동차의 주행 시험도 함께 수행하였다.
- 2) 시험 주행 코스는 첨두 시간(Peak time)과 비첨두 시간(Non-peak time)의 통행량을 적절히 반영해야 한다. 본 연구에서 선정한 시험 주행 코스는 경기도 과천 시내이며, 과천 시내를 실제 전기자동차와 가솔린 자동차를 이용하여 주행하면서 주행패턴을 조사하고, 데이터를 수집하였다.
- 본 연구에서는 국내 대표 도심지 중의 하나인 경기도 과천시를 시험 주행 코스로 선정하였다. 국내 대표 위성 도시 중 하나인 과천시는 서울로 출퇴근하는 인원이 많고, 시내 안에 정부 청사와 여러 대기업 사옥들이 상주해 있기 때문에 출퇴근 시간대의 혼잡한 교통 상황(Traffic jam)과 오후 시간대의 한적한 교통 상황을 모두 반영할 수 있어 국내의 교통적 특성이 반영된 도심 주행 모드를 개발하기에 적합한 도로이다.
- 차량 주행 데이터는 운전자의 운전 습관에 따라 각기 다른 특성을 보이므로 운전 습관을 배제하기 위해 공격적인 운전자와 방어적인 운전자 2인이 교대로 시험 차량을 운전하였다. 승차 인원은 운전자 포함 2인이고, 주행 시험 중 전기 자동차의 배터리 충전은 Fig. 3과 같이 과천 시청내의 충전 인프라를 이용하였다.
- 또한, 내연 기관 자동차의 주행 데이터와 전기 자동차의 주행 데이터 사이에 차이가 있는지 비교하기 위해 출력 및 무게 등을 고려하여 가솔린 차량의 주행 시험도 함께 수행하였다. 시험차량은 출력 및 무게 등을 고려하여 한국 GM(주)의 New 마티즈(New Matiz)로 선정하였다. 각 시험 차량은 Fig.
- 전기 자동차의 주행 데이터를 수집하기 위하여 기아자동차(주)의 전기 자동차 레이 EV(Ray EV)를 시험 차량으로 선정하였다. 또한, 내연 기관 자동차의 주행 데이터와 전기 자동차의 주행 데이터 사이에 차이가 있는지 비교하기 위해 출력 및 무게 등을 고려하여 가솔린 차량의 주행 시험도 함께 수행하였다.
- 주행 시험을 수행할 때는 과천시 경찰의 순찰 코스 중 하나를 선택하여 주행하였다. 순찰차는 도심과 도시 외곽 지역을 모두 순찰하므로 특정지역으로 편중되지 않은 교통 상황을 효과적으로 반영할 수 있다.
- 주행 시험을 통한 주행 데이터 수집은 11월과 12월 2회에 걸쳐 실시하였다. 첨두 시간과 비첨두 시간의 교통 상황을 모두 반영하기 위하여 오전 5회, 오후 6회, 저녁 7회의 주행을 실시하였다.
데이터처리
- 3) 개발한 주행 모드를 전기 자동차 가상주행플랫폼에 삽입하여 시뮬레이션을 수행하고, 실 주행 데이터에서의 시뮬레이션 결과와 비교하였다. 결과 비교를 통해, 본 연구의 주행 모드 개발 방법의 타당성을 검증할 수 있었다.
- 각 class의 대푯값은 주행 속도와 평균 가속도를 이용하여 선정하였다. 우선 분류한 class 별로 주행속도와 평균 가속도의 평균값을 계산하고, 각 class의 구간의 값과 평균값의 차이를 계산하여 평균값에 가장 가까운 값 3가지를 선택하였다.
- 각 차량의 제원은 Table 12와 Table 13과 같다. 다음으로 개발한 GUDC를 플랫폼에 삽입하여 시뮬레이션을 수행하고, 이를 18개의 실 주행 데이터에서의 연비(Electricity Performace, EP) 결과와 비교하였다. 각 주행 모드의 시뮬레이션결과는 Table 14 ~ Table 17과 같다.
성능/효과
- 2) 시험 주행 코스는 첨두 시간(Peak time)과 비첨두 시간(Non-peak time)의 통행량을 적절히 반영해야 한다. 본 연구에서 선정한 시험 주행 코스는 경기도 과천 시내이며, 과천 시내를 실제 전기자동차와 가솔린 자동차를 이용하여 주행하면서 주행패턴을 조사하고, 데이터를 수집하였다.
- 4) 경사도 유무에 따른 연비 비교결과, 경사도의 변화폭이 크지 않고, 평균 경사도가 낮은 값을 보여 과천 순찰차 코스에서는 경사도가 연비에 미치는 영향이 작음을 알 수 있었다.
- GUDC-EV와 실 주행 데이터의 EP 비교 결과, EV#1은 0.5%, EV#2는 0.3%의 오차를 보였고, GUDC-CV의 경우에는 각각 0.12%와 0.16%의 오차를 보여 주행모드 개발방법을 충분히 신뢰할 수 있음을 알 수 있었다.
- 3) 개발한 주행 모드를 전기 자동차 가상주행플랫폼에 삽입하여 시뮬레이션을 수행하고, 실 주행 데이터에서의 시뮬레이션 결과와 비교하였다. 결과 비교를 통해, 본 연구의 주행 모드 개발 방법의 타당성을 검증할 수 있었다.
- 두 시험 차량 모두 같은 코스를 주행했기 때문에 주행 시간, 주행 거리, 평균 속도 등의 파라미터는 거의 비슷한 값이 나왔다. 그러나 가속 시의 평균 가속도 분석 결과, GUDC-EV가 GUDCCV보다 월등히 큰 값이 나와 저속에서의 가속 성능이 더 높은 전기 자동차의 차량의 특성이 반영된 것을 알 수 있었다.
- 최종 속도 프로파일 도출 후 전기 자동차용으로 개발된 주행 모드를 GUDC-EV(Gwacheon Urban Driving cycle for Electric Vehicles), 내연기관 자동차용 주행 모드는 GUDC-CV(Gwacheon Urban Driving cycle for Conventional Vehicles)라고 명명하였다. 각 주행모드의속도 프로파일은 Fig.
후속연구
- 5) 전기자동차 주행 모드 개발에 대한 방법을 제시하였다. 차후 연구에는 더 많은 전기자동차 데이터를 이용하여 보다 다양한 차종을 포함하는 주행모드를 개발하고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.