전기차 에너지 효율을 위한 액터‑크리틱‑식별 제어 설계

초록

본 논문은 전기자동차(EV)의 주행 중 에너지 회수와 소비를 직접 연결하는 모델이 없다는 문제를 해결하고자, 온라인 신경망 식별기와 액터‑크리틱 강화학습을 결합한 ACI(Actor‑Critic‑Identifier) 구조를 제안한다. Lyapunov 기반 안정성 분석을 통해 배우, 비평가, 식별기의 업데이트 법칙을 유도하고, 시뮬레이션에서 기존 PID 제어기에 비해 총 회수 에너지를 12.84 % 향상시켰다.

상세 분석

이 연구는 전기차(EV) 에너지 관리에서 가장 난해한 과제 중 하나인 ‘제어 입력과 전력 소비(또는 회생) 사이의 비선형, 상태‑의존적 매핑’을 직접 모델링하지 않고도 최적 제어를 구현한다는 점에서 혁신적이다. 저자는 시스템 동역학을 \dot x = g(x)+h(x)u 형태로 분리하고, h(x) 는 알려졌으나 g(x) 는 미지인 상황을 가정한다. 이를 해결하기 위해 세 개의 신경망—비평가(가치함수 근사), 배우(정책 근사), 식별기(미지 g(x) 추정)—을 상호 연결한 ACI 구조를 설계한다. 비평가는 \hat J(x)=\hat w_c^T φ(x) 형식으로 가치함수를 근사하고, HJB 잔차 δ_HJB 를 최소화하도록 업데이트한다. 배우는 \hat u(x)=-(1/2)β^{-1}h^T(x)∂\hat J/∂x 형식으로 최적 정책을 근사하며, 비평가와의 파라미터 차이를 억제하는 항을 포함한다. 식별기는 \hat g(x)=\hat w_g^T σ(\hat v_g^T x) 형식으로 g(x) 를 추정하고, RISE 피드백을 도입해 추정 오차를 빠르게 수렴시킨다. 모든 파라미터 업데이트는 Lyapunov 함수와 그 도함수를 이용해 충분조건을 도출함으로써 전역적 안정성을 보장한다. 가정 1‑5와 무한대 뉴런 수(N→∞) 가정은 이론적 증명의 기반을 제공하지만, 실제 구현 시 근사 오차와 계산 부하가 존재한다는 점을 인지해야 한다. 시뮬레이션에서는 표준 PID 기반 속도 제어와 비교했을 때, 동일한 속도 추적 성능을 유지하면서 회생 에너지를 12.84 % 증가시켰다. 이는 제어 입력과 전력 흐름 사이의 복잡한 관계를 실시간으로 학습함으로써 가능한 결과이며, 전기차의 주행 거리 연장에 직접적인 기여를 기대한다. 다만, 실차 적용을 위한 센서 노이즈, 배터리 SOC 변동, 온도 효과 등 외부 요인에 대한 견고성 검증이 추가로 필요하다.