[논문]인공신경망을 이용한 플러그인 하이브리드 차량의 동력분배제어전략 개발

심규현; 이수지; 이지석; 남궁철; 한관수; 황성호

doi:10.7839/ksfc.2015.12.3.018

인공신경망을 이용한 플러그인 하이브리드 차량의 동력분배제어전략 개발
Development of Power Distribution Control Strategy for Plug-in Hybrid Electric Vehicle using Neural Network 원문보기

드라이브ㆍ컨트롤 = Journal of drive and control, v.12 no.3, 2015년, pp.18 - 24

심규현 (Department of Mechanical Engineering, Sungkyunkwan University) , 이수지 (Department of Mechanical Engineering, Sungkyunkwan University) , 이지석 (R&D Center, SECO Seojin Automotive Co., Ltd.) , 남궁철 (R&D Center, SECO Seojin Automotive Co., Ltd.) , 한관수 (Research & Business, Sungkyunkwan University) , 황성호 (Department of Mechanical Engineering, Sungkyunkwan University)

Abstract ▼ AI-Helper

The plug-in hybrid electric vehicle has a high fuel economy and can be driven long distances. Its different modes include the electric vehicle, hybrid electric vehicle, and only engine operating mode. A power management strategy is important to determine which mode should be selected. The strategy makes the vehicle more efficient using appropriate power sources for driving. However, the strategy usually needs a driving speed profile which is future driving cycle. If the profile is known, the strategy easily determines which mode is driven efficiently. However, it is difficult to estimate the speed profile for a real system. To address this problem, this paper proposes a new power distribution strategy using a neural network. The average speed and driving range are used as input parameters to train the neural network system. The strategy determines a limit for the use of the battery and the desired power is distributed between the engine and the motor simultaneously. Its fuel economy can increase by improving the basic strategy.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

하지만 전기에너지를 일찍이 모두 소모된 상황에서는 실제 모터가 엔진보다 효율이 좋은 구간에서 엔진으로 운전할 수밖에 없기 때문에 전체 연비 측면에서 효율이 떨어질 수 있다. 따라서 전체 주행에 있어서 차량이 가진 에너지원을 최대한 효율적으로 이용하려는 목적을 달성하기 위해, 본 연구에서는 전기에너지의 총 사용량을 동일하게 제한하여 비교한다.
한편, 실제 차량에서는 실시간으로 변하는 도로상황과 운전자의 개입으로 인하여 최적의 연비로 동력을 분배하기 어렵다. 따라서 휴리스틱(heuristic)하게 시스템을 제어하는 방법의 연구도 진행되었다. 차량의 효율 관점 등의 특정한 룰(rule)을 정하여 제어하는 룰 기반 전략 (rule-based strategy), 퍼지 이론 (fuzzy logic) 등을 이용한 전략 등의 방법이 있다^{2), 7), 8)}.
본 논문에서는 플러그인 하이브리드 차량의 연비평가 시뮬레이터 및 인공신경망을 이용한 동력분배전략을 개발하였다. 차량 동역학 및 시스템 모델링, 연비 평가 기준을 통해 연비 평가 시뮬레이터를 구축하였다.
본 연구에서는 실제 차량에 적용이 용이한 동력분배전략을 개발하고 시뮬레이션을 통해 연비를 평가한다. 연비 평가를 위한 시뮬레이터를 개발하고, 동력분배전략으로 배터리 사용량을 제어하는 배터리 SOC (state of charge) 소모 기울기를 제안한다.

제안 방법

MATLAB/Simulink를 이용하여 앞서 설계한 시스템 및 구성요소로 연비 평가 시뮬레이터를 구축하였다. 각 부품에 대한 모델은 Argonne National Laboratory에서 제작한 Autonomie의 차량 시뮬레이터의 데이터를 활용하여 구축하였다.
입력값은 평균 주행 속도 # est와 주행 거리 dist_est, 출력값은 향상된 연비가 도출되는 배터리 소모 기울기 #이다. MATLAB의 Neural Network Fitting Tool 을 이용하여 인공신경망의 학습을 진행하였으며, 입력층은 2개, 출력층은 1개이다. 은닉층은 입력값이 주어졌을 때 원하는 출력값을 도출하기 위한 계산의 중간 단계이다.
도심 주행 모드 UDDS (urban dynamometer driving schedule)를 13개 구간으로 분할하여 각각을 주행모드로 사용하고, 이를 원하는 시간 동안 반복 주행하여 평균 주행 속도와 주행 거리가 다른 65개의 새로운 주행 모드를 도출하였다. PHEV CD-CS 전략과 배터리 소모 기울기 전략을 적용한 차량에 대하여 각각 연비를 비교한다. Table 2는 주행 조건 및 비교한 결과이며, 밑줄 친 조건일 때 배터리 소모 기울기 전략을 적용 차량이 PHEV CD-CS 전략보다 연비가 향상됨을 연비 평가 시뮬레이션을 통해 확인하였다.
PHEV CD-CS 전략과 배터리 소모 전략을 차량 시뮬레이터에 적용하여 시뮬레이션 하였다. Fig.
도심 주행 모드 UDDS (urban dynamometer driving schedule)를 13개 구간으로 분할하여 각각을 주행모드로 사용하고, 이를 원하는 시간 동안 반복 주행하여 평균 주행 속도와 주행 거리가 다른 65개의 새로운 주행 모드를 도출하였다. PHEV CD-CS 전략과 배터리 소모 기울기 전략을 적용한 차량에 대하여 각각 연비를 비교한다.
은닉층의 수에 따라 결과의 오류값이 달라지는데, 은닉층의 수가 많으면 학습한 입력에 대해서는 결과의 오류는 낮출 수 있으나 경험하지 못한 새로운 입력에 대해서는 결과가 좋지 못할 수 있다¹⁴⁾. 따라서 적절하게 제어 전략을 설계하기 위해 은닉층의 수를 조정하면서 인공신경망의 학습을 진행하였다. Fig.
. 본 연구에서는 기존의 도심 주행 모드로 연비를 측정하는 방법을 따르며, 전기에너지를 환산하여 연비를 계산하였다.
주행 평균 속도 및 주행 거리가 다른 65개의 주행 모드를 시뮬레이션하여, 기존 PHEV 제어전략보다 연비가 향상될 수 있는 배터리 소모 기울기를 비교 분석하였다. 앞서 분석한 데이터를 이용하여 인공 신경망 학습을 하였으며, 이를 통해 배터리 소모 기울기 전략을 개발하였다. 개발된 제어 전략을 적용한 차량의 연비는 기존 제어 전략으로 주행하였을 때보다 최대 2.
앞서 주행 모드에 따라 비교 분석한 데이터를 이용하여 인공신경망을 학습하였으며, 주어진 주행 상황에서 동력을 적절하게 분배하여 연비가 향상될 수 있는 주행을 하도록 새로운 제어 전략을 설계한다. 입력값은 평균 주행 속도 # est와 주행 거리 dist_est, 출력값은 향상된 연비가 도출되는 배터리 소모 기울기 #이다.
엔진과 모터 모델은 실험 기반의 토크-속도 값과 1차 시스템(시간 지연 요소)으로 모델링 하였다.(Input: 속도, Output: 토크)
연비 평가를 위한 시뮬레이터를 개발하고, 동력분배전략으로 배터리 사용량을 제어하는 배터리 SOC (state of charge) 소모 기울기를 제안한다. 연비 평가 시뮬레이션을 통해 기존 룰 기반 전략과 개발된 제어 전략이 적용된 차량의 연비를 비교 분석한다.
본 연구에서는 실제 차량에 적용이 용이한 동력분배전략을 개발하고 시뮬레이션을 통해 연비를 평가한다. 연비 평가를 위한 시뮬레이터를 개발하고, 동력분배전략으로 배터리 사용량을 제어하는 배터리 SOC (state of charge) 소모 기울기를 제안한다. 연비 평가 시뮬레이션을 통해 기존 룰 기반 전략과 개발된 제어 전략이 적용된 차량의 연비를 비교 분석한다.
하지만 주행 속도와 주행 거리에 따라 연비가 향상될 수 있는 기울기가 다르며 각각의 관계를 수학적으로 표현하기 어렵다. 이때 인공신경망 (neural network) 이론을 이용하여 제어 전략을 설계하고자 한다.
제어 전략(Control strategy of depleting slope)주행 모드에 따라 연비를 비교 분석하고, 이를 데이터로 이용하여 배터리 소모 기울기 제어 전략을 제안하고자 한다.
차량 동역학 및 시스템 모델링, 연비 평가 기준을 통해 연비 평가 시뮬레이터를 구축하였다. 주행 평균 속도 및 주행 거리가 다른 65개의 주행 모드를 시뮬레이션하여, 기존 PHEV 제어전략보다 연비가 향상될 수 있는 배터리 소모 기울기를 비교 분석하였다. 앞서 분석한 데이터를 이용하여 인공 신경망 학습을 하였으며, 이를 통해 배터리 소모 기울기 전략을 개발하였다.
본 논문에서는 플러그인 하이브리드 차량의 연비평가 시뮬레이터 및 인공신경망을 이용한 동력분배전략을 개발하였다. 차량 동역학 및 시스템 모델링, 연비 평가 기준을 통해 연비 평가 시뮬레이터를 구축하였다. 주행 평균 속도 및 주행 거리가 다른 65개의 주행 모드를 시뮬레이션하여, 기존 PHEV 제어전략보다 연비가 향상될 수 있는 배터리 소모 기울기를 비교 분석하였다.

대상 데이터

MATLAB/Simulink를 이용하여 앞서 설계한 시스템 및 구성요소로 연비 평가 시뮬레이터를 구축하였다. 각 부품에 대한 모델은 Argonne National Laboratory에서 제작한 Autonomie의 차량 시뮬레이터의 데이터를 활용하여 구축하였다. Table 1은 차량 및 구성요소의 제원이며, Fig.
차량 구성 요소는 엔진, 모터, 클러치, 변속기, 배터리이며, 차량 구조는 Fig. 1과 같다. 차량 시스템의 동역학 모델식은 다음과 같다.

이론/모형

클러치는 정적 모델의 동역학 식을 기반으로 모델링 하였다. 이때 마찰 계수 μ는 속도에 따라 결정되는 함수이다⁹⁾.

성능/효과

UDDS 주행 모드를 4번 반복 주행하였을 때 기존의 PHEV CD-CS 전략이 새로운 제어전략보다 연비가 조금 높게 나타났다. 하지만 UDDS 모드를 5번 이상 반복주행 시, PHEV CD-CS 전략의 연비가 배터리 소모 기울기 전략을 적용했을 때보다 낮을 뿐만 아니라 연비의 변화 정도가 크게 나타났다.
앞서 분석한 데이터를 이용하여 인공 신경망 학습을 하였으며, 이를 통해 배터리 소모 기울기 전략을 개발하였다. 개발된 제어 전략을 적용한 차량의 연비는 기존 제어 전략으로 주행하였을 때보다 최대 2.1% 향상되었으며, 주행 거리에 따른 연비 감소에 덜 민감하게 반응하였다.
그 구간은 EV 모드 (mode 1)로 주행하도록 제어하는 기울기를 위와 같이 급격한 기울기 값을 적용하였다. 모드 변화 결과를 보았을 때 기울기가 가파른 구간에서 EV 주행을 함으로써 제어가 정확히 이루어짐을 확인하였다.
UDDS 주행 모드를 4번 반복 주행하였을 때 기존의 PHEV CD-CS 전략이 새로운 제어전략보다 연비가 조금 높게 나타났다. 하지만 UDDS 모드를 5번 이상 반복주행 시, PHEV CD-CS 전략의 연비가 배터리 소모 기울기 전략을 적용했을 때보다 낮을 뿐만 아니라 연비의 변화 정도가 크게 나타났다. 반면, 배터리 소모 기울기 전략을 적용하였을 때 기존 전략대비 연비가 최대 2.

질의응답

핵심어	질문	논문에서 추출한 답변
	플러그인 하이브리드 차량의 두 가지 모드는 무엇이 있는가?	플러그인 하이브리드 차량은 배터리가 충분히 충전되어있을 때 전기차와 같이 전기에너지만 사용하는 CD 모드(charge depleting mode)로 주행하고, 이후 배터리가 모두 소모되었을 때 CS 모드 (charge sustaining mode)로 주행하는 두 가지 모드를 가지고 있다. CS 모드는 엔진과 모터로 주행하는 기존 하이브리드 주행과 동일하다7).
	플러그인 하이브리드 차량의 특징은 무엇인가?	플러그인 하이브리드 차량은 기존 하이브리드 차량과 다르게 외부 전기에너지를 이용하여 충전이 가능하며, 전기에너지 사용의 자유도가 높기 때문에 적절한 동력원의 분배가 중요하다. 동력분배전략(power management strategy)은 기존 하이브리드 차량 때부터 활발히 연구가 진행되었다.
	동력분배전략은 무엇이 있는가?	동력분배전략(power management strategy)은 기존 하이브리드 차량 때부터 활발히 연구가 진행되었다. 대표적으로 동적 계획법 (dynamic programming) 이용한 전략과 등가 소모량 최소화 전략 (equivalent consumption minimization strategy, ECMS) 이 있다2), 3), 4). 이 방법은 최적 제어 알고리즘으로 주행에 필요한 동력원을 적절히 분배하여 최적의 연비를 도출하는 제어 방법이다.

참고문헌 (14)

IHS Inc., "EV Charging Infrastructure report," IHS Automotive report, 2015
A. Sciarretta and L. Guzzella, "Control of Hybrid Electric Vehicles," IEEE Control Systems, Vol.27, No.2, pp. 60-70, 2007.

상세보기
S. G. Wirasingha, and A. Emadi, "Classification and Review of Control Strategies for Plug-In Hybrid Electric Vehicles," IEEE Transactions on Vehicular Technology, Vol.60, No.1, pp.111-122, 2011.

상세보기
L. Serrao, S. Onori, and G. Rizzoni, "A Comparative Analysis of Energy Management Strategies for Hybrid Electric Vehicles," Journal of Dynamic Systems Measurement and Control, Vol.133, No.3, 031012, 2011.

상세보기
C. Musardo, G. Rizzoni, and B. Staccia, "A-ECMS: An Adaptive Algorithm for Hybrid Electric Vehicle Energy Management," The 44th IEEE Conference on Decision and Control, and the European Control Conference, pp.1816-1823, 2005.
T. Nuesch, A. Cerofolini, G. Mancini, N. Cavina, C. Onder, and L. Guzzella, "Equivalent Consumption Minimization Strategy for the control of Real Driving NOx Emissions of a Diesel Hybrid electric Vehicle," Energies, Vol.7, No.5, pp.3148-3178, 2014.

상세보기
P. B. Sharer, A. Rousseau, D. Karbowski, S. Paagerit, "Plug-in Hybrid Electric Vehicle Control Strategy: Comparison between EV and Charge-Depleting Options," SAE Technical Paper, 2008.
H. Alipour, B. Asaei, and G. Farivar, "Fuzzy Logic Based Power Management Strategy for Plug-in Hybrid Electric Vehicles with Parallel Configuration," International Conference on Revewable Energies and Power Quality (ICREPQ' 12), 2012.
J. Deur, J. Petric, J. Asgari, and D. Hrovat, "Modeling of Wet Clutch Engagement Including a Thorough Experimental Validation," SAE Technical Paper, 2005.
A. Khajepour, M.S. Fallah, and A. Goodarzi, "Electric and hybrid Vehicles: Technologies, Modeling and Control - A Mechatronic Approach," Wiley, pp. 214-219, 2014.
SAE International, "SAE J1711 - Recommended Practice for Measuring the Exhaust Emissions and Fuel Economy of Hybrid-Electric Vehicles, Including Plug-in Hybrid Vehicles," SAE International Surface Vehicle Recommended Practice, 2010.
K. H. Sim, H. U. Jeong, D. R. Kim, T. K. Lee, K. S. Han, and S. H. Hwang, "Control Strategy with the Slope of SOC Trajectory for Plug-in Diesel Hybrid Electric Vehicle with Dual Clutch Transmission," The 25th International Electric Vehicle Symposium and Exhibition (EVS28), 2015.
C.H. Chen, "Fuzzy Logic and Neural Network Handbook," McGraw-Hill, 1996.
N. Murata, S. Yoshizawa, and S. Amari, "Network Information Criterion-Determining the Number of Hidden Units for an Artificial Neural Network Model," IEEE Transactions on Neural Networks, Vol.5, No.6, pp.865-872, 1994.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증