Performance comparison of solar PV fed PI, MPC & AI controller for fast battery charging system in Electric Vehicles

더 깨끗한 미래를 향한 길은 전기 자동차로 포장되어 있지만, 이 자동차들이 진정으로 내연기관을 대체하기 위해서는 두 가지 고질적인 장애물을 극복해야 합니다. 바로 전력이 떨어질 것에 대한 불안감과 충전하는 동안 몇 시간씩 기다려야 하는 좌절감입니다. 배터리에 에너지를 저장하는 기술은 이미 존재하지만, 문제는 그 에너지가 어떻게 전달되느냐에 있습니다. 한 가지 유망한 해결책은 태양광으로 충전소를 직접 구동하는 것입니다. 하지만 태양은 구름이 지나가거나 시간이 흐름에 따라 강도가 끊임없이 변하는, 신뢰하기 어려운 파트너입니다. 이러한 변동성은 리튬 이온 배터리 내부의 섬세한 화학 작용에 혼란스러운 환경을 조성합니다. 만약 전기 흐름이 너무 불규칙하거나 공격적이면, 배터리를 손상시키거나 충전을 중단시키는 안전 시스템을 작동시킬 수 있습니다. 이를 헤쳐 나가기 위해 엔지니어들은 충전 시스템을 위한 '두뇌', 즉 울퉁불퉁한 도로 위를 달리는 자동차의 가속 페달을 숙련된 운전자가 조절하듯 에너지의 흐름을 지속적으로 조정하는 컨트롤러에 의존합니다.

바부 바나라시 다스 기술 경영 대학(Babu Banarasi Das Institute of Technology and Management)의 연구진은 동료들과 함께 마하리시 정보 기술 대학교(Maharishi University of Information Technology) 연구진과 협력하여, 어떤 유형의 컨트롤러가 이 까다로운 과제에 가장 적합한지 결정하기 위해 연구를 수행했습니다. 그들은 세 가지 뚜렷한 접근 방식에 집중했습니다. 전통적인 방식인 비례-적분(Proportional-Integral) 컨트롤러, 정교한 예측 시스템인 모델 예측 제어(Model Predictive Control), 그리고 인공지능을 이용한 현대적인 데이터 기반 접근 방식입니다. 연구팀은 단순히 이론만 세운 것이 아니라, 태양광 충전소의 상세한 시뮬레이션을 구축하고 태양광 패널 위로 구름이 지나가는 상황을 모사하여 햇빛이 갑자기 변할 때 각 컨트롤러가 어떻게 반응하는지 테스트했습니다. 그런 다음, 연구팀은 연구 결과를 한 단계 더 발전시켜, 전자적 노이즈와 센서의 불완전함이 존재하는 실제 환경을 모사한 하드웨어에 컨트롤러를 연결하여 테스트하는 '하드웨어 인 더 루프(Hardware-in-the-Loop)' 과정을 통해 컨트롤러가 실제 환경에서 어떻게 작동하는지 확인했습니다.

수십 년 동안 단순함 덕분에 업계 표준이었던 전통적인 컨트롤러는 이 테스트에서 상당한 어려움을 겪었습니다. 햇빛이 줄어들 때 이 컨트롤러는 덜컥거리는 진동 현상을 보였습니다. 이 컨트롤러는 목표 충전 전류를 약 15% 초과하여 오버슈트(overshoot)를 발생시켰고, 이로 인해 시스템이 안정되기 전까지 앞뒤로 흔들렸습니다. 이러한 불안정성은 시스템이 안정화되는 데 거의 0.5초의 시간을 소요하게 만들었는데, 이는 기계에게는 순식간처럼 느껴질 수 있지만 에너지 손실과 배터리에 가해지는 잠재적 스트레스를 의미합니다. 실제 하드웨어 테스트에서 이러한 떨림 현상은 더욱 두드러졌으며, 컨트롤러는 올바른 설정을 찾기 위해 '헤매며' 에너지를 열로 낭비했습니다. 노이즈가 있는 조건에서의 전반적인 효율은 약 90%로 떨어졌는데, 이는 수확된 태양 에너지의 상당 부분이 저장되지 못하고 손실되고 있음을 시사합니다.

더 발전된 방식인 모델 예측 제어는 눈에 띄는 개선을 보여주었습니다. 이 시스템은 오류가 발생할 때 단순히 반응하는 대신, 수학적 모델을 사용하여 다음 몇 순간 동안 배터리와 태양광 패널이 어떻게 행동할지 예측합니다. 이러한 예견 능력 덕분에 충전 전류를 부드럽게 조절하여 기존 방식에서 나타났던 격렬한 오버슈트를 방지할 수 있었습니다. 시뮬레이션에서 이 시스템은 오버슈트가 거의 없이 약 0.1초 만에 시스템을 안정화했습니다. 그러나 이러한 지능에는 무거운 대가가 따릅니다. 이 시스템은 실시간으로 복잡한 최적화 문제를 해결하기 위해 강력한 프로세서를 필요로 합니다. 실제 하드웨어 테스트 시, 이 수치들을 계산하는 데 걸리는 시간이 약간의 지연을 발생시켰으며, 전반적인 효율은 98%를 약간 밑도는 수준에 머물렀습니다. 견고하기는 하지만, 연구진은 이러한 계산 요구량이 전력을 매우 빠르게 켜고 꺼야 하는 시스템에는 구현하기 어려울 수 있다고 언급했습니다.

가장 주목할 만한 결과는 데이터로부터 학습하는 인공지능 컨트롤러에서 나왔습니다. 이 시스템은 경직된 수학적 규칙이나 예측 모델에 의존하는 대신 데이터로부터 학습하며 작동합니다. 이 시스템은 태양광 패널과 배터리가 다양한 조건에서 어떻게 작동하는지에 대한 수천 가지 사례를 학습했습니다. 테스트 도중 햇빛이 변하자, AI 컨트롤러는 새로운 패턴을 즉각적으로 인식하고 주저 없이 충전 전류를 조절했습니다. 이 시스템은 100분의 1초도 안 되는 시간에 안정 상태에 도달하여, 다른 방식들이 겪었던 오버슈트와 진동을 사실상 제거했습니다. 실제 센서 노이즈가 포함된 하드웨어 테스트에서도 AI 컨트롤러는 전통적인 컨트롤러를 혼란스럽게 했던 전자적 정전기를 무시하고 완벽에 가까운 추적 곡선을 유지했습니다. 효율은 99.7%에 육박했는데, 이는 태양으로부터 포착된 거의 모든 에너지가 배터리로 성공적으로 전달되었음을 의미합니다.

연구는 전통적인 컨트롤러가 저렴하고 만들기 쉽지만, 빠른 태양광 충전의 역동적인 요구 사항에는 적합하지 않다고 결론짓습니다. 예측형 컨트롤러는 강력한 절충안을 제공하지만 과도한 계산 요구량에 의해 제약을 받습니다. 인공지능 컨트롤러는 고급 예측의 정밀함과 표준 자동차 하드웨어에서 실행될 수 있는 속도를 결합하여 가장 효과적인 솔루션으로 떠올랐습니다. 시스템의 복잡하고 비선형적인 동작을 학습함으로써, 이 방식은 다른 방법들이 실패하는 지점에서 노이즈를 걸러내고 안정성을 유지합니다. 전기 자동차의 미래를 위해, 이는 신뢰할 수 있고 빠르며 효율적인 태양광 충전의 핵심이 더 나은 수학적 모델을 만드는 것이 아니라, 시스템이 경험으로부터 배울 수 있도록 가르치는 데 있을 수 있음을 시사합니다.