[논문 리뷰] A Cloud-Based Energy Management Strategy for Hybrid Electric City Bus Considering Real-Time Passenger Load Prediction

Junzhe Shi, Bin Xu외 2명|arXiv (Cornell University)|2020. 10. 28.

Electric Vehicles and Infrastructure참고 문헌 30인용 수 6

한 줄 요약

이 논문은 실시간 승객 수 예측을 통합하여 배터리 사용을 최적화하고 노후화를 줄이는 하이브리드 전기 시내버스를 위한 클라우드 기반 에너지 관리 전략을 제안한다. 승객 수 예측에 기울기 부스팅 결정트리(Gradient Boost Decision Tree)를 사용하고 클라우드에서 동적 프rogramming을 적용하여 최적의 파wr 분배를 도출하고, 현장 실시간 제어를 위한 규칙을 추출한다. 진정한 승객 수 데이터를 사용한 이상적인 동적 프로그래밍에 비해 1% 미만의 편차로, 비피크 시간대에는 4%, 피크 시간대에는 11% 낮은 운영 비용을 달성한다.

ABSTRACT

Electric city bus gains popularity in recent years for its low greenhouse gas emission, low noise level, etc. Different from a passenger car, the weight of a city bus varies significantly with different amounts of onboard passengers. After analyzing the importance of battery aging and passenger load effects on an optimal energy management strategy, this study introduces the passenger load prediction into the hybrid-electric city buses energy management problem, which is not well studied in the existing literature. The average model, Decision Tree, Gradient Boost Decision Tree, and Neural Networks models are compared in the passenger load prediction. The Gradient Boost Decision Tree model is selected due to its best accuracy and high stability. Given the predicted passenger load, a dynamic programming algorithm determines the optimal power demand for supercapacitor and battery by optimizing the battery aging and energy usage leveraging cloud techniques. Then, rule extraction is conducted on dynamic programming results, and the rule is real-time loaded to the vehicle onboard controller to handle prediction errors and uncertainties. The proposed cloud-based Dynamic Programming and rule extraction framework with the passenger load prediction show 4% and 11% lower bus operating costs in off-peak and peak hours, respectively. The operating cost by the proposed framework is less than 1% of the dynamic programming with the true passenger load information.

연구 동기 및 목표

• 기존의 하이브리드 전기 시내버스 에너지 관리 전략이 동적인 승객 수 변화를 고려하지 못하는 격차를 해소하기 위해.
• 실시간 승객 수 예측을 에너지 관리 프레임워크에 통합하여 배터리 수명 연장과 에너지 효율성 향상하기 위해.
• 동적 프로그래밍을 활용해 배터리와 초전도체 사이의 최적의 파wr 분배를 실현하는 확장 가능한 클라우드 기반 솔루션 개발하기 위해.
• 예측 오차와 불확실성을 처리하기 위해 오프라인 최적화 결과에서 도출한 결정 규칙을 추출하고 구현하여 실시간 제어의 강건성 향상시키기 위해.
• 진정한 승객 수 데이터를 사용한 동적 프로그래밍과의 성능 비교를 통해 이론적 최적에 근접한 비용 효율성 달성하기 위해.

제안 방법

• 정확도와 안정성이 뛰어나 상대적으로 우수한 성능을 보인다는 점을 고려해, 평균 모델, 결정트리, 신경망과의 비교를 거쳐 승객 수 예측에 기울기 부스팅 결정트리 모델을 선택하였다.
• 클라우드 기반 시스템은 에너지 소비와 배터리 노후화를 모두 최소화하는 데 목적이 있는 동적 프로그래밍을 사용하여 배터리와 초전도체 간 최적의 파워 분배를 계산한다.
• 배터리 노후화는 동적 프로그래밍 최적화 내에서 사이클 노후화와 캘린더 노후화 효과를 통합한 비용 함수로 모델링된다.
• 동적 프로그래밍으로 도출된 최적의 제어 정책을 분석하여 규칙 추출 기법을 활용해 해석 가능한 규칙을 도출한다.
• 도출된 규칙는 차량 내부 제어기로 배포되어 승객 수 예측 오차와 시스템 불확실성에 대한 실시간 적응을 가능하게 한다.
• 실제 도로 조건에서의 평가를 통해 비피크 시간대와 피크 시간대의 운영 비용을 기준 전략과 비교한다.

실험 결과

연구 질문

• RQ1 실시간 승객 수 예측은 하이브리드 전기 시내버스의 에너지 관리 성능에 어떤 영향을 미치는가?
• RQ2 에너지 관리에 활용할 승객 수 예측에서 가장 정확하고 안정적인 기계학습 모델은 무엇인가?
• RQ3 클라우드 기반 동적 프로그래밍 접근법은 배터리 노후화를 고려하면서 운영 비용을 얼마나 줄일 수 있는가?
• RQ4 오프라인 최적화 결과에서 도출한 규칙 추출 기법은 예측 오차 상황에서 실시간 제어의 강건성 향상에 얼마나 효과적인가?
• RQ5 제안된 프레임워크의 성능은 진정한 승객 수 정보를 사용한 이상적인 최적 성능에 얼마나 가까운가?

주요 결과

• 기울기 부스팅 결정트리가 다른 모델들보다 승객 수 예측에서 가장 높은 정확도와 안정성을 확보하여 뛰어난 성능을 보였다.
• 제안된 클라우드 기반 프레임워크는 기준 전략 대비 비피크 시간대 운영 비용을 4% 감소시켰다.
• 피크 시간대에는 운영 비용이 11% 감소하여 고부하 변동성 상황에서도 성능 향상이 뚜렷했다.
• 프레임워크의 운영 비용은 진정한 승객 수 데이터를 사용한 이상적 최적 성능에 비해 1% 미만 높을 뿐이었다.
• 동적 프로그래밍 결과에서 도출한 규칙 추출 기법은 예측 오차에 대한 강건한 실시간 제어를 효과적으로 가능하게 하였다.
• 클라우드 기반 최적화와 현장 규칙 기반 제어의 통합은 실세계 적용에 적합한 확장 가능하고 거의 최적에 가까운 에너지 관리 시스템을 가능하게 하였다.