Activation-Grade-Scheduled Predictive Control for Battery–Supercapacitor Electric-Vehicle Energy Management

기술 요약: 배터리-슈퍼커패시터 전기 자동차 에너지 관리를 위한 활성화 등급 스케줄링 기반 예측 제어

문제 정의
리튬 이온 배터리를 사용하는 전기 자동차(EV)는 고출력 견인 과도 현상, 회생 제동, 급격한 부하 변화로 인해 상당한 전기적 스트레스를 받습니다. 이러한 조건은 오믹 가열(ohmic heating)과 열 부하를 통해 배터리 열화를 가속화합니다. 배터리-슈퍼커패시터 하이브리드 에너지 저장 시스템(HESS)이 에너지(배터리)와 출력(슈퍼커패시터) 요구 사항을 분리함으로써 해결책을 제시하지만, 기존의 에너지 관리 시스템(EMS)은 상충하는 목표들을 균형 있게 조절하는 데 어려움을 겪는 경우가 많습니다. 구체적으로, 기존의 모델 예측 제어(MPC)는 지속적으로 변화하는 견인 수요와 저장 상태에 적응할 수 없는 오프라인 고정 가중치 계수에 의존합니다. 또한, 기존 전략들은 배터리 스트레스 지표와 함께 단말 슈퍼커패시터(SC) 에너지의 공정성(fairness)을 명시적으로 보고하지 못하거나, 파라미터 불확실성 및 센서 노이즈에 대한 강건성 테스트가 부족합니다.

방법론
저자들은 완전 능동형 배터리-슈퍼커패시터 HESS 토폴로지를 위해 설계된 계층적 **활성화 등급 스케줄링 예측 제어기(M5)**를 제안합니다. 시스템 아키텍처는 두 개의 레이어로 구성됩니다:

1. 감독 레이어 (활성화 등급 스케줄링): 이 레이어는 전력 분할 명령을 직접 출력하는 퍼지 로직 시스템 대신, MPC의 내부 목적 함수 가중치를 동적으로 조정하는 경량의 결정론적 감독자 역할을 합니다. 이 레이어는 운전 조건—견인 전력 수요($P_{dem}$), 수요 변화율($\Delta P_{dem}$), 배터리/SC의 충전 상태(SOC), DC-링크 전압 오차—을 "활성화 등급"으로 매핑합니다. 이 등급은 네 가지 예측 비용 가중치를 스케일링합니다:

   • $w_I$: 배터리 전류 크기.
   • $w_{\Delta I}$: 배터리 전류 변화(슬루 레이트).
   • $w_{Vdc}$: DC-링크 전압 편차.
   • $w_{SC}$: 참조값으로부터의 SC 에너지 편차.
     높은 견인 심각도나 급격한 수요 변화는 배터리 전류 및 변화에 대한 페널티를 증가시키며, DC-링크 오차는 전압 조절 페널티를 증가시킵니다. 소프트 단말 에너지 항(soft terminal-energy term)은 엄격한 매 단계 평형을 강제하지 않으면서도 체계적인 SC 고갈을 억제합니다.

2. 예측 레이어 (유한 격자 최적화): 제어기는 10단계 예측 호라이즌($N_p=10$, $\Delta t = 0.1$s) 동안 단일 배터리 전력 명령을 선택하기 위해 결정론적인 2단계 "조대-정밀(coarse-to-fine)" 스칼라 탐색을 수행합니다.

   • 조대 탐색 (Coarse Search): 61개의 균등하게 간격이 떨어진 후보군을 평가합니다.
   • 정밀 탐색 (Fine Search): 최적의 조대 후보 주변의 국부 구간에서 31개의 후보를 평가합니다.
     목적 함수는 전류, 변화량, 전압, 에너지 드리프트에 대한 실행 비용과 더불어, 단말 공정성 항 및 제약 조건 위반(SOC, 전류 제한)에 대한 소프트 페널티를 포함합니다.

3. 확장 (M6): 근경계 작동 예비력을 테스트하기 위해 후보 스크리닝 변형 모델인 M6가 개발되었습니다. M6는 예측된 SC SOC가 특정 내부 구간 $[0.082, 0.948]$ (물리적 한계인 $[0.08, 0.95]$의 약간 안쪽)를 벗어나는 모든 후보 궤적을 제외합니다. 만약 스크리닝을 통과하는 후보가 없다면, 시스템은 스크리닝되지 않은 최소 비용 후보로 복귀합니다.

주요 기여
본 논문의 주요 기여는 네 가지입니다:

1. 온라인 다중 가중치 스케줄링: 정적인 오프라인 튜닝 계수를 넘어, 실시간 운전 조건에 따라 MPC 비용 가중치를 동적으로 조정하는 활성화 등급 감독자를 도입했습니다.
2. 에너지 인식 비교: 배터리 전기적 스트레스(RMS 전류, 피크 전류, 스트레스 프록시)를 단말 SC 에너지 공정성과 동시에 평가하는 비교 프레임워크를 구축하여, 배터리 보호가 과도한 SC 예비력 고갈이라는 대가를 치르지 않는지 확인합니다.
3. 근경계 작동 예비 실험: M6 스크리닝 확장을 평가하여, SC 작동 예비력 유지와 전기적 성능 사이의 트레이드오프를 입증했습니다.
4. 추적 가능한 수치적 평가: 매칭된 WLTP 및 UDDS 주행 사이클, 특정 입력 파일 체크섬(SHA-256), 그리고 상세한 계산 시간 및 파라미터 불일치 시나리오(예: 배터리 저항 +20%, SC 커패시턴스 -20%, 센서 노이즈)를 사용하여 엄격한 평가 프로토콜을 제공합니다.

결과
연구는 명목 및 섭동 파라미터를 사용한 차수 축소 플랜트 모델을 이용한 시뮬레이션 결과를 제시합니다:

• M5 vs. M3 (고정 가중치 MPC): 명목 조건($V_{sc}(0) = 350$ V)에서, 스케줄링된 M5 제어기는 고정 가중치 M3 베이스라인 대비 배터리 전류 RMS를 WLTP에서 2.35%, UDDS에서 3.40% 감소시켰습니다. DC-링크 전압 조절 및 단말 SC 에너지 변화는 두 제어기 간에 유사하게 나타났습니다.
• 강건성: 플랜트 파라미터 불일치 및 센서 노이즈를 포함한 민감도 테스트에서, M5는 M3보다 낮은 배터리 전류 RMS를 유지했으나, 두 제어기 모두 노이즈 조건 하에서 전류 및 전압 오차가 증가하는 양상을 보였습니다.
• M5 vs. M6 (스크리닝 확장): 낮은 초기 SC 전압($V_{sc}(0) = 267$ V, $\approx 0.09$ SOC)에서 시작하는 특정 실험에서, M6 스크리닝은 SC SOC가 0.08 운영 임계값 아래로 떨어지는 모든 포스트 스텝 샘플을 성공적으로 제거했습니다 (WLTP에서 963회에서 0회로, UDDS에서 49회에서 0회로 감소). 그러나 이러한 개선에는 측정 가능한 전기적 비용이 따랐습니다:
  • 배터리 전류 RMS가 WLTP에서 1.03%, UDDS에서 2.06% 증가했습니다.
  • DC-링크 전압 RMSE가 크게 증가했습니다 (예: WLTP에서 0.334 V에서 0.461 V로).
  • 단말 SC 에너지 변화는 M5와 M6 간에 비슷하게 유지되었으며, 이는 스크리닝이 순 에너지 처리량을 변경한 것이 아니라 조절의 부담을 배터리와 DC-링크로 전가했음을 나타냅니다.

의의 및 주장
본 논문은 제안된 활성화 등급 스케줄링이 HESS 응용 분야에서 배터리 스트레스 감소와 DC-링크 조절 사이의 균형을 맞추는 실행 가능한 방법을 제공한다는 점을 완만하게 주장합니다. 저자들은 결과가 전방위적인 개선이라기보다는 운영 예비력과 전기적 성능 사이의 트레이드오프를 식별한 것임을 명시적으로 밝히고 있습니다.

결정적으로, 본 논문은 M6 스크리닝이 강건한 제약 조건 만족이나 재귀적 가용성(recursive feasibility)을 보장한다고 주장하지 않습니다. 저자들은 스크리닝 마진이 휴리스틱하며, 예측 모델이 플랜트 모델과 다르며, 폴백(fallback) 메커니즘이 하드 제약 보장을 방지한다는 점을 언급했습니다. 따라서 명목 시뮬레이션에서 관찰된 제로 크로싱(zero crossing) 현상이 모델 불확실성, 반복된 노이즈 시험, 또는 하드웨어 인 더 루프(HIL) 조건에 대한 강건성을 입증하는 것은 아닙니다. 본 연구는 차량 수준의 안전성 또는 성능 주장을 하기 전에 독립적인 사이클, 정량화된 불확실성 마진, 그리고 실험적 하드웨어 테스트를 통한 추가 검증이 필요함을 강조하며, 적응형 에너지 인식 예측 제어를 향한 단계로서 자신을 위치시킵니다.