A Study on Energy Management Strategy for Hybrid Electric Vehicles based on Driving Information

Abstract

In this thesis, an energy management strategy (EMS) using prediction model based on driving information is proposed to improve the fuel efficiency of hybrid electric vehicle (HEV). HEV uses both an engine and a motor, and is a representative eco-friendly vehicle with high fuel efficiency. To improve the efficiency of a HEV, the EMS of the supervisory controller that controls various powertrain components is very important. An equivalent consumption minimization strategy (ECMS) used in this study is a real-time optimization-based strategy that considers equivalent energy consumption of fuel and battery. A ECMS is easy to develop and have good real-time applicability, but a performance is largely dependent on the equivalent factor that equalize between the two energies. As with most optimization-based control strategies, the optimal equivalent factor can be obtained only when the entire future driving profile is known. In this thesis, a method of changing the equivalent factor at every specific time period is used, and a prediction model that predicts the factor of the next time window through the current driving information is proposed. The prediction model receives the time series data of the current time window driving information and several feature values extracted from it, and predicts an optimized equivalent factor for the next time window. The model was developed based on recurrent neural network (RNN) using long short-term memory (LSTM) and multi-layer perceptron (MLP). In order to prepare the data for the training of the prediction model, the cumulative driving information is divided into specific time windows, and the optimal equivalent factors for each time window are obtained based on the simulation. After training the prediction model using the collected data and testing it on separate data, it is confirmed that there is a high correlation between the predicted factor and the optimal factor. For the verification of vehicle simulation, the prediction model is combined with the EMS model using the ECMS to construct predictive-ECMS, and the forward simulation is performed using the vehicle and the driver model. Simulation results for test cycle showed less energy use compared to existing rule-based strategy and were more similar to the global optimized factor case. The control strategy proposed in this thesis is an optimization-based control strategy that can improve the energy efficiency by using prediction model based on driving information. It is expected that the optimization -based control strategy will be realized through continuous research.

본 논문에서는 하이브리드 차량의 연비 향상을 위해 주행 정보 기반 예측 모델을 활용한 에너지 관리 전략을 제안하였다. 하이브리드 차량은 엔진과 모터를 동시에 사용하는 차량으로, 기존의 내연기관 차량에 비해 연비와 효율이 높은 대표적인 친환경 차량이다. 이러한 하이브리드 차량의 효율 향상을 위해서는 엔진과 모터를 포함한 다양한 파워트레인 구성요소를 제어하는 상위제어기의 에너지 관리 전략이 매우 중요하다. 본 연구에 사용된 등가 소모 최소화 전략은 연료의 소모량과 배터리의 전기에너지 소모량을 등가화한 등가 에너지를 고려한 실시간 최적화 기반 제어 전략이다. 등가 소모 최소화 전략은 개발이 용이하고 실시간 적용성이 좋은 편이지만, 두 에너지간의 등가화를 조정하는 등가 계수에 의해 성능이 크게 좌우된다. 특히 대부분의 최적화 기반 제어 전략과 마찬가지로, 미래의 전체 주행속도 프로파일을 알고 있을 때만이 전역 최적화된 등가계수를 알 수 있다. 본 논문에서는 특정 시간주기별로 등가계수를 변화시키는 방법을 사용하였으며, 현재시점의 주행 정보를 통해 다음 시간주기의 등가계수를 예측하는 예측 모델을 제안하였다. 예측 모델은 현재시점 주행 정보의 시계열 데이터와 이로부터 추출된 몇 개의 특성 값들을 입력받아, 다음 시간주기에 대해 최적화된 등가계수를 예측한다. 모델은 장단기 기억 순환 신경망과 다층 신경망을 기반으로 개발되었다. 예측 모델의 학습을 위한 데이터 준비를 위해, 누적된 대량의 주행 정보를 특정 시간주기별로 나누어 각 시간주기에 대한 최적 등가계수를 시뮬레이션 기반으로 수집하였다. 수집된 데이터를 사용하여 예측모델을 학습한 후 별도의 데이터에 대하여 시험해본 결과, 예측된 계수와 최적 계수 간에 높은 상관관계가 있음을 확인하였다. 차량 시뮬레이션 검증을 위하여 학습된 예측 모델을 등가 소모 최소화 전략을 이용한 에너지 관리 전략 제어 모델과 결합하고, 차량 모델과 운전자 모델을 사용하여 전방향 시뮬레이션을 수행하였다. 연비 시험 사이클에 대한 시뮬레이션 결과 기존의 규칙기반 제어전략 대비 감소된 에너지 사용량을 보였으며, 전역 최적화된 등가계수를 사용한 경우에 보다 가까운 결과를 나타내었다. 본 논문에서 연구된 제어 전략은 주행 정보 기반의 예측모델을 활용하여 에너지 효율을 향상 시킬 수 있는 최적화 기반 제어 전략이다. 지속적인 연구를 통해 최적화 기반 제어 전략의 상용화가 가능할 것으로 기대된다.