ANN-Assisted Intelligent Control of a High-Gain Non-Isolated DC–DC Converter for PEM Fuel Cell Electric Vehicles

전기 자동차는 종종 그 조용한 웅웅거림과 배기 가스 제로의 특성으로 찬사를 받지만, 차세대 설계의 핵심 중 상당수는 전기를 저장하는 것이 아니라 화학적 배터리입니다. 대신, 이 배터리는 수소를 산소와 결합하여 전력을 생성하며, 이 과정에서 부산물로 오직 물만을 만들어냅니다. 양성자 교환막 연료 전지(PEMFC)라고 알려진 이 기술은 빠른 재충전과 긴 주행 거리를 약속하지만, 근본적인 전기적 특이점을 가지고 있습니다. 이 기술이 생산하는 전압은 낮고 불안정하며, 마치 날씨에 따라 오르내리는 시냇물처럼 변동합니다. 자동차를 구동하는 무거운 모터를 돌리기 위해서는 이 약하고 불안정한 전류를 강하고 일정한 전기의 흐름으로 증폭시켜야 합니다. 엔지니어들은 DC-DC 컨버터라는 장치를 사용하여 이러한 불일치를 해결하는데, 이는 전압 엘리베이터 역할을 하여 연료 전지의 낮은 전압을 차량의 모터가 필요로 하는 높은 수준으로 높여줍니다. 그러나 연료 전지의 출력이 끊임없이 변화하고, 운전자가 가속하거나 언덕을 오를 때 자동차의 전력 수요가 즉각적으로 변하기 때문에 이 엘리베이터를 매끄럽게 작동시키는 것은 어렵습니다.

인도의 벨로르 공과대학교(Vellore Institute of Technology) 연구진은 새로운 연구에서 연료 전지 차량을 위한 이 전압 엘리베이터를 관리하는 더 스마트한 방법을 개발했습니다. 그들은 부피가 크고 무거운 변압기 없이도 전압을 크게 높일 수 있는 특정 유형의 컨버터에 집중했습니다. 이 컨버터의 물리적 설계는 이미 알려져 있었지만, 문제는 이를 제어하는 데 있었습니다. 전통적인 제어기는 온도 조절기의 일정한 손처럼 작동하며, 온도를 지속적으로 확인하고 미세한 조정을 수행하여 상태를 안정적으로 유지합니다. 이는 조건이 예측 가능할 때는 잘 작동하지만, 연료 전지 전압이 갑자기 떨어지거나 부하가 급격히 변할 때는 반응이 느릴 수 있습니다. 연구진은 이 전통적인 '일정한 손'과 문제가 발생하기도 전에 무엇을 해야 할지 예측할 수 있는 '디지털 두뇌'를 결합한 하이브리드 접근 방식을 제안했습니다. 그들은 인간의 뇌를 모델로 한 일종의 컴퓨터 프로그램인 인공 신경망을 훈련시켜, 연료 전지의 입력, 원하는 출력, 그리고 부하 사이의 관계를 학습하게 했습니다. 오류가 발생한 후에 이를 수정하는 대신, 이 디지털 두뇌는 현재 조건에 따라 정확한 전압을 유지하는 데 필요한 설정을 계산하며, 그동안 전통적인 제어기는 예측이 놓칠 수 있는 작은 실수들을 잡아내기 위해 배경에서 대기합니다.

연구팀은 이 특정 테스트를 위해 물리적 프로토타입을 제작하지 않았습니다. 대신, 컨버터의 매우 상세한 수학적 모델을 만들고 이를 사용하여 다양한 조건에서 시스템이 어떻게 작동하는지를 나타내는 수천 개의 데이터 포인트를 생성했습니다. 그들은 이 데이터를 인공 신경망에 입력하여, 신경망이 패턴을 인식하고 주어진 상황에 필요한 정밀한 제어 신호를 예측하도록 가르쳤습니다. 그 결과, 이 시스템은 컨버터의 동작을 놀라운 정밀도로 학습하여 이상적인 제어 신호를 거의 완벽하게 흉내 낼 수 있는 수준의 정확도를 달로했습니다. 연구진이 컴퓨터 시뮬레이션에서 이 새로운 하이브리드 시스템을 테스트했을 때, 결과는 놀라웠습니다. 시스템은 단 5.2밀리초 만에 목표 전압인 400볼트에 도달했는데, 이는 기존 제어기가 동일한 작업을 수행하는 데 걸린 시간의 절반도 되지 않는 수치였습니다. 또한 훨씬 더 빠르게 안정된 상태에 도달했으며, 오버슈트(overshoot)가 거의 발생하지 않아 전압이 안정되기 전에 위험할 정도로 높게 치솟는 현상도 없었습니다. 비교하자로, 전통적인 제어기는 안정화되는 데 두 배 이상의 시간이 걸렸으며, 균형을 찾기 전까지 전압이 더 넓게 요동치는 것을 허용했습니다.

이러한 개선은 전기 자동차가 운전자의 명령에 즉각적으로 반응할 수 있는 전력 전자 장치를 필요로 하기 때문에 중요합니다. 느린 반응은 둔한 가속이나 전력 시스템의 불안정성을 초래할 수 있고, 오버슈트가 발생하는 시스템은 민감한 부품을 손상시킬 수 있습니다. 이 연구는 인공 신경망이 예측이라는 무거운 짐을 담당하고 전통적인 제어기가 미세 조정을 담당하게 함으로써, 시스템이 더 빠르고 안정적이 된다는 것을 보여줍니다. 연구진은 인공 신경망이 컨버터의 수학적 모델로부터 직접 생성된 데이터를 사용하여 훈련되었다는 점에 주목했는데, 이를 '물리 정보 기반(physics-informed)' 방식이라고 설명했습니다. 이는 컴퓨터가 단순히 무작위 숫자를 암기하는 것이 아니라 장치를 지배하는 물리 법칙을 학습했음을 의미하며, 이를 통해 본 적 없는 상황에서도 신뢰할 수 있는 예측을 할 수 있게 합니다. 최종 시스템은 0.1% 미만의 오차로 출력 전압을 유지했는데, 이는 차량의 안정적인 작동에 있어 매우 중요한 정밀도 수준입니다.

결과는 인상적이지만, 저자들은 이러한 결과가 컴퓨터 시뮬레이션에서 나온 것임을 주의 깊게 명시하고 있습니다. 다음 단계로 그들은 이 제어기의 물리적 버전을 구축하고 실제 하드웨어에서 테스트할 계획입니다. 그들은 이 시스템을 움직이는 자동차의 급격한 변화를 따라갈 수 있을 만큼 빠르게 계산을 수행할 수 있는 디지털 칩에 설치하는 것을 구상하고 있습니다. 성공한다면, 이 접근 방식은 연료 전지 차량을 더 반응적이고 효율적으로 만들어, 수소 동력 운송을 실질적인 현실로 만드는 데 남은 과제 중 하나를 극복하는 데 도움을 줄 것입니다. 이 연구는 전통적인 엔지니어링 제어와 현대적인 인공지능을 결합하는 것이 두 방식 모두 단독으로는 효과적으로 해결할 수 없었던 문제들을 해결할 수 있음을 입증하며, 미래의 차량을 위한 더욱 견고하고 지능적인 전력 시스템을 향한 길을 제시하고 있습니다.