[논문]제한 주행시간을 만족하는 에너지 효율적인 전기자동차 주행 최적화 기법

백돈규

doi:10.9723/jksiis.2020.25.2.039

제한 주행시간을 만족하는 에너지 효율적인 전기자동차 주행 최적화 기법
Energy Efficient Electric Vehicle Driving Optimization Method Satisfying Driving Time Constraint 원문보기

한국산업정보학회논문지 = Journal of the Korea Industrial Information Systems Research, v.25 no.2, 2020년, pp.39 - 47

백돈규 (충북대학교 전자공학부)

초록
AI-Helper

본 논문은 추가 비용 없이 전기자동차(EV) 주행 범위를 확장하기 위해 에너지 효율적인 전기자동차 주행 프로파일을 도출하는 새로운 시스템 수준의 프레임 워크를 소개한다. 이 논문은 먼저 운전 차량에 작용하는 힘과 모터 효율을 고려한 전기차 파워 트레인 모델을 구현한 후, 경로에 의해 정의된 주행 임무에 대한 최소 에너지 주행 프로파일을 도출한다. 이를 위해서 본 프레임워크는 먼저 최적화 문제를 공식화하고, 가중치 계수를 이용한 동적 프로그래밍 알고리즘을 사용하여 에너지 소비와 운전 시간을 모두 최소화하는 주행 프로파일을 도출한다. 본 논문은 주행 시간 제약을 만족시키기 위한 다양한 가중치 계수 도출 방법을 소개한다. 시뮬레이션 결과, 제안 된 스케일링 알고리즘의 연산시간이 이진 검색 알고리즘 및 탐욕 알고리즘보다 각각 34 % 및 50 % 더 작음을 보여준다.

Abstract ▼ AI-Helper

This paper introduces a novel system-level framework that derives energy efficient electric vehicle (EV) driving speed profile to extend EV driving range without additional cost. This paper first implements an EV power train model considering forces acting on a driving vehicle and motor efficiency. Then, it derivate the minimum-energy driving speed profile for a given driving mission defined by the route. This framework first formulates an optimization problem and uses the dynamic programming algorithm with a weighting factor to derive a speed profile minimizing both of energy consumption and driving time. This paper introduces various weighting factor tracking methods to satisfy the driving time constraint. Simulation results show that runtime of the proposed scaling algorithm is 34% and 50% smaller than those of the binary search algorithm and greedy algorithm, respectively.

주제어

표/그림 (7)

그림 Fig. 1 Forces Acting on a Driving Vehicle
그림 Fig. 2 Optimal Driving Problem Formulation
그림 Fig. 3 Electric Vehicle for Driving in a Campus
그림 Fig. 4 Minimum-energy Driving Speed Profiles by Deadline Constraints
표 Table 1 Coefficients of EV Power train Model (Hong et al., 2016)
그림 Fig. 5 Weighting Factor Tracking Results in Different Deadline Constraints (a) 354 s and (b) 248 s
그림 Fig. 6 Runtime Analysis by the Weighting Factor Tracking Algorithms

AI 본문요약
AI-Helper

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

문제 정의

따라서, 본 논문은 주행 시간 제한을 만족하는 에너지 최적 주행 결과를 위한 가중치 계수를 도출하기 위한 세 가지 알고리즘을 제안한다. 첫 번째로 이진 검색 알고리즘 (Binary search algorithm)은 O (log n) 연산시간 내에서 최적의 가중치를 도출하는 가장 유명한 검색 알고리즘중 하나이다.
최소 에너지 주행은 별도의 큰 투자 및 연구 없이 빠르게 주행거리 문제를 해결하는 방법중 하나이고, 이에 대한 다양한 연구가 진행되고 있다. 본 논문에서는 기존에 전혀 다뤄지지않은 주행 시간을 만족하는 최적 주행 기법에 대한 분석을 진행하고, 주어진 제한 주행시간을 만족하기 위한 최적의 가중치 계수를 찾는 알고 리즘을 검증하였다. 머지않은 미래에 전기차 시대가 더욱 도래하고 자율주행 차가 대중화될때, 제한 주행시간을 만족하는 최소 에너지 주행 프로파일은 가장 효율적이고 보편적으로 사용될 것으로 보인다.
본 논문은 단순히 주행 에너지만을 최소화하는 것이 아닌 주행시간과 에너지 모두를 최소화 하고자 한다. 이 문제를 해결하기 위해 주행시 간과 에너지 사이의 가중치 계수를 도출하는 알고리즘을 제안한다.
본 논문은 주행 시간 제한을 고려하면서 에너 지를 최소화하기 위한 전기자동차 주행 최적화 프레임워크를 제안한다. 먼저 전기자동차의 주행에 따른 에너지 소비를 고려하는 에너지 모델을 도출한다.
본문에서는 앞서 설명한 세 가지 가중치 계수 도출 방식에 따른 연산시간을 비교하였다. 만약 주행 시간이 제한 시간보다 크게 줄어든다면 그에 따라 주행 에너지 소비는 그만큼 늘어나게 된다.
이 문제를 해결하기 위해 주행시 간과 에너지 사이의 가중치 계수를 도출하는 알고리즘을 제안한다. 빠른 시간내에 주어진 문제에 적합한 가중치를 찾아내어 주어진 주행시간 제한을 만족하면서 에너지를 최소화하고자 한다. 시뮬레이션을 통해 확인한 결과, 제안한 가중치 계수 도출 알고리즘에 의한 총 연산시간이 이진 검색 알고리즘 및 탐욕 알고리즘보다 각각 34 % 및 50 % 더 작음을 보여준다.
이때, 전체 에너지 소비를 최소화하는 v 와 a를 도출하는 것이다. 이 문제를 풀기 위해서는 같은 거리를 가는 다양한 속도-가속도 조합에 대해 전체 에너지 소비를 도출한 다음 비교하는 것이다. 3장에서 얻은 에너지 모델을 활용하여 주어진 기울기, 가속도, 속도, 무게 정보를 알면 에너지 소비를 예측할 수 있다.

가설 설정

하지만, 다이나믹 프로그래밍 기법의 가장 큰한계는 다중 목적 문제를 풀 수 없다는 것으로, 주행 최적화 문제를 예로 들면, 1) 주행 에너지와 2) 주행 시간 모두를 만족하는 결과를 도출할 수 없다. 보통 이러한 문제를 해결하기 위해 서는 가중치 계수 (Weighting factor)를 활용하여 우회적으로 다중 목적 문제를 풀 수 있지만 (Dib et al.

제안 방법

먼저 전기자동차의 주행에 따른 에너지 소비를 고려하는 에너지 모델을 도출한다. 그 이후에, 주행 문제를 수식화하여 널리 사용되는 다이나믹 프로그래밍 기법을 활용하여 최적 주행 프로파일을 도출한다.
본 논문은 주행 시간 제한을 고려하면서 에너 지를 최소화하기 위한 전기자동차 주행 최적화 프레임워크를 제안한다. 먼저 전기자동차의 주행에 따른 에너지 소비를 고려하는 에너지 모델을 도출한다. 그 이후에, 주행 문제를 수식화하여 널리 사용되는 다이나믹 프로그래밍 기법을 활용하여 최적 주행 프로파일을 도출한다.
본 논문은 단순히 주행 에너지만을 최소화하는 것이 아닌 주행시간과 에너지 모두를 최소화 하고자 한다. 이 문제를 해결하기 위해 주행시 간과 에너지 사이의 가중치 계수를 도출하는 알고리즘을 제안한다. 빠른 시간내에 주어진 문제에 적합한 가중치를 찾아내어 주어진 주행시간 제한을 만족하면서 에너지를 최소화하고자 한다.
, 2019). 제안한 모델을 활용하여 하루 24시간 동안 발생하는 전기자동차 배터리의 충, 방전 시뮬레이션을 수행하였다. 다만, 해당 논문은 주행 최적화에 집중한 본 논문의 주제와는 다소 떨어져있다.

대상 데이터

최소 에너지 주행 프로파일을 검증하기 위해 Fig. 3에서 보이는 경량 맞춤형 전기차를 사용 하였다 (Chang et al., 2014). 해당 전기차의 무게는 481kg이며 연속 1.
, 2014). 해당 전기차의 무게는 481kg이며 연속 1.5kW 및 최대 4.0kW 전력을 가진 2 개의 BLDC 트랙션 모터를 사용한 다. 최대 주행 속도는 35km/h이다.

이론/모형

본 시뮬레이션은 Matlab을 통해 진행되었다. on-line 시뮬레이션을 목표로 구성하였기에, Matlab을 구동한 서버의 성능은 휴대성을 고려하여 단일 CPU 2.

성능/효과

반면, 오르막에서는 속도를 추가로 올리지 않았다. 따라서, 주행 시간을 20 % 줄였으나, 전체 에너지 소비는 겨우 1.77 % 증가함을 알 수 있다.
스케일링 알고리즘은 각각 이진 검색 및 탐욕 알고리즘의 연산시간 대비 34 % 및 50 %의 연산 시간을 요구한다. 또한, 스케일링 알고리즘은 목표 주행시간에 도달하기 위해 7 회 이상 반복을초과하지 않으며, Matllab을 활용한 본 시뮬레 이션 환경에서 30 초가 걸린 것을 확인하였다. 만약, C / C ++ 구현을 통해 메모리 및 라이브러리 접근을 보다 효율적으로 수행하고, 다수 CPU를 활용한 병렬 연산을 수행한다면 런타임이 10 배 이상 줄어들 것으로 예상된다.
빠른 시간내에 주어진 문제에 적합한 가중치를 찾아내어 주어진 주행시간 제한을 만족하면서 에너지를 최소화하고자 한다. 시뮬레이션을 통해 확인한 결과, 제안한 가중치 계수 도출 알고리즘에 의한 총 연산시간이 이진 검색 알고리즘 및 탐욕 알고리즘보다 각각 34 % 및 50 % 더 작음을 보여준다.

후속연구

만약, C / C ++ 구현을 통해 메모리 및 라이브러리 접근을 보다 효율적으로 수행하고, 다수 CPU를 활용한 병렬 연산을 수행한다면 런타임이 10 배 이상 줄어들 것으로 예상된다. 따라서, 실제 자동차 주행 시 5초 이내에 최적 주행 프로파일을 도출하여 실시간으로 활용 가능할 것으로 예상된다.
, 2018). 하지만, 매우 많은 주행데이터 및 모니터링 결과를 요구하고, 주행 특성 뿐 아니라 다양한 환경 변화에 대한 모델링을 위해 시스템이 매우 복잡해지기 때문에 본 연구에는 적합하지 않다

질의응답

핵심어	질문	논문에서 추출한 답변
	미래의 자율주행은 어떠할 것인가?	자율주행에 대한 연구도 점차 본격화됨에 따라 보다 개선된 자율주행에 대한 연구도 등장하기 시작했다. 현재 자율주행에서 활발히 진행되고 있는 연구는 사람의 주행 패턴과 유사하게 운전하는 것이라면, 미래의 자율주행은 주어진 도착시간을 만족하면서 에너지를 최대로 절감하는 등 최적화된 자율주행이 유행할 것으로 보인다.
	다이나믹 프로그래밍 기법의 장점은?	일반적으로는 최적 주행 문제를 풀기 위해 다이나믹 프로그래밍 기법이 사용된다. 이 방식은 모든 경로를 연산하는 것이 아닌 현재까지 얻어진 최적값으로 부터 다음 위치에서의 최적 값을 도출하는 것으로써 폴리노미알 시간 안에 최적 값을 도출할 수 있다는 큰 장점을 갖는다.
	다이나믹 프로그래밍 기법의 특징은?	, 2011). 다이나믹 프로그래밍 기법은 출발지에서 목적지까지의 모든 도로 정보를 고려하여 글로벌 최적을 도출하기 때문에 다양한 최적화 알고리즘들 사이에서 널리 사용된다 (Dib et al., 2012; Ozatay et al.

참고문헌 (13)

Baek, D., and Chang, N. (2019). Runtime Power Management of Battery Electric Vehicles for Extended Range With Consideration of Driving Time, Transactions on Very Large Scale Integration Systems, 27(3), 549-559.

상세보기
Chen, Y., Baek, D., Kim, J., Cataldo, S., Chang, N., Macii, E., Vinco, S., and Poncino M. (2019). A SystemC-AMS Framework for the Design and Simulation of Energy Management in Electric Vehicles, IEEE Access, 7, 25779-25791.

상세보기
Chang, N., Baek, D., and Hong, J. (2014). Power Consumption Characterization, Modeling and Estimation of Electric Vehicles, IEEE/ACM International Conference on Computer-Aided Design, Nov. 2-6, San Jose, USA.
Dib, W., Chasse, A., Domenico, D., Moulin, P., and Sciarretta, A. (2012). Evaluation of the Energy Efficiency of a Fleet of Electric Vehicle for Eco-driving Application, Oil and Gas Science and Technology-Revue de IFP Energies Nouvelles, 67(4), 589-599.

상세보기
Hayes, J., Oliveira, R., Vaughan, S., and Egan, M. (2011). Simplified Electric Vehicle Power Train Models and Range Estimation, Vehicle Power and Propulsion Conference, Sept. 6-9, Chicago, USA.
Hong, J., Park, S., and Chang, N. (2016). Accurate Remaining Range Estimation for Electric Vehicles, Asia and South Pacific Design Automation Conference, Jan. 25-28, Macau, China.
IHS Markit Release (2019). US Electric Vehicle Loyalty and Volumes Reach Record Highs, according to IHS Markit, https://www.businesswire.com/news/home/20190415005540/en/Electric-Vehicle-Loyalty-Volumes-Reach-Record-Highs (Accessed on Dec. 30th, 2019)
Jiao, N., Ghaffarzadeh, K., and Jiang, L. (2019). Autonomous Cars and Robotaxis 2020-2040: Players, Technologies and Market Forecast, IDTechEX.
Mensing, F., Bideaux, E., Trigui, R., and Tattegrain, H. (2013). Trajectory Optimization for Eco-driving taking into Account Traffic Constraints, Transportation Research Part D: Transport and Environment, 18, 55-61.

상세보기
Ozatay, E., Onori, S., Wollaeger, J., Ozguner U., Rizzoni, G., Filev, D., Michelini, J., and Cairano, S. (2014). Cloud-based Velocity Profile Optimization for Everyday Driving: A Dynamic-programming-based Solution, Transactions on Intelligent Transportation Systems, 15(6), 2491-2505.

상세보기
Park, S., Rakha, H., Ahn, K., and Moran, K. (2011). Predictive Eco-cruise Control: Algorithm and Potential Benefits, Forum on Integrated and Sustainable Transportation Systems (FISTS) , June 29-July 1, Vienna, Austria.
Rahimi-Eichi, H. and Chow, M. (2014). Big-data Framework for Electric Vehicle Range Estimation, IECON 2014-40th Annual Conference of the IEEE Industrial Electronics Society, Oct. 29-Nov. 1, Dallas, USA, pp. 5628-5634.
Zahid, T., Xu, K., Li, W., Li, C., and Li, H. (2018). State of Charge Estimation for Electric Vehicle Power Battery using Advanced Machine Learning Algorithm under Diversified Drive Cycles, Energy, 162, 871-882.

상세보기

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