동시 식별과 제어를 위한 능동 전류 주입 기반 하이브리드 전기차 최적화

초록

**
본 논문은 HEV의 과잉 구동성을 활용해 배터리 전류를 능동적으로 주입하고, 동적 프로그래밍으로 최적 전류 프로파일을 설계함으로써 SOC·SOH·내부 저항 등 배터리 파라미터를 순차적으로 고정밀 추정한다. 추정 정확도는 기존 동시 추정 대비 RMS 오차가 최대 100 % 감소했으며, 연료소비 증가율은 2 % 미만에 머문다.

**

상세 분석

**
이 연구는 하이브리드 전기차(HEV)의 두 개의 동력원—내연기관과 배터리—이 제공하는 과잉 제어 자유도를 이용해 배터리 상태와 파라미터를 동시에 식별하고, 동시에 차량 효율을 유지하는 새로운 프레임워크를 제시한다. 핵심 아이디어는 ‘능동 전류 주입(active signal injection)’이다. 기존의 주행 기반 전류는 차량 운전 목적에 의해 제한되어 배터리 모델 식별에 필요한 신호 풍부도가 부족했다. 저자들은 배터리 관리 시스템(BMS) 차원에서 의도적으로 전류 파형을 조절해, 특정 파라미터(예: 내부 저항, 용량, 온도 의존성)를 강조하는 신호를 순차적으로 주입한다. 이렇게 하면 각 파라미터가 독립적으로 강하게 관측될 수 있어, 다중 파라미터를 동시에 추정할 때 발생하는 상관관계와 비선형성 문제를 크게 완화한다.

동적 프로그래밍(DP) 기반 최적화는 두 가지 상충 목표—식별 정확도와 연료 경제성—를 정량화한다. 식별 정확도는 전류 신호의 스펙트럼 풍부도와 신호‑대‑노이즈 비(SNR)로, 연료 경제성은 엔진 부하와 배터리 방전·충전 사이클에 따른 연료 소비량으로 정의된다. DP는 시간 이산화된 상태공간(배터리 SOC, 엔진 부하, 현재 전류 단계)에서 비용함수를 최소화하도록 전류 프로파일을 선택한다. 비용함수는 가중치 파라미터 α, β를 통해 사용자가 식별 성능과 연료 효율 사이의 트레이드오프를 조정할 수 있게 설계되었다.

시뮬레이션에서는 실제 차량 운행 데이터를 기반으로 한 주행 사이클(UDDS, WLTC 등)을 사용했으며, 배터리 모델은 2‑RC 등가회로와 온도·SOC·SOH 의존성을 포함한다. 능동 전류 주입 전략을 적용한 경우, SOC 추정 RMS 오차는 기존 2 % 수준에서 1 % 이하로 감소했고, SOH 추정 오차는 5 %에서 2 % 이하로 개선되었다. 연료 소비는 평균 1.8 % 증가했으며, 이는 설계된 가중치(α = 0.7, β = 0.3) 하에서 허용 가능한 수준으로 판단된다.

이 논문의 주요 공헌은 (1) 배터리 파라미터 식별을 위한 전류 신호 설계와 차량 제어를 통합한 프레임워크, (2) DP를 이용한 다목적 최적화로 식별 정확도와 연료 효율 사이의 명시적 트레이드오프 제공, (3) 시뮬레이션을 통한 실질적인 성능 향상 입증이다. 한계점으로는 실제 차량에 적용하기 위한 실시간 계산 부하와 전류 주입에 따른 승차감·배터리 수명 영향에 대한 실험 검증이 부족하다는 점이다. 향후 연구에서는 하드웨어‑인‑더‑루프(HIL) 테스트와 차량 실증을 통해 제어 주기의 최적화 및 안전성 검증을 진행할 필요가 있다.

**