[논문 리뷰] Real-Time Stochastic Predictive Control for Hybrid Vehicle Energy Management

Kyle R Williams|arXiv (Cornell University)|2018. 04. 23.

Electric and Hybrid Vehicle Technologies참고 문헌 49인용 수 5

한 줄 요약

이 논문은 운전 습관의 마르코프 체인 모델과 도로 경사도 예측을 활용하여 하이브리드 수압 차량을 위한 실시간 확률적 예측 제어 프레임워크를 제안한다. ASDDP 알고리즘은 저자원 하드웨어에서도 실시간 구현이 가능하면서 이론적 최적에 근접한 연료 효율성을 달성하며, 비확률적 기준 대비 뛰어난 성능을 보이며 분석 시간 내에 적응 학습을 수행한다.

ABSTRACT

This work presents three computational methods for real time energy management in a hybrid hydraulic vehicle (HHV) when driver behavior and vehicle route are not known in advance. These methods, implemented in a receding horizon control (aka model predictive control) framework, are rather general and can be applied to systems with nonlinear dynamics subject to a Markov disturbance. State and input constraints are considered in each method. A mechanism based on the steady state distribution of the underlying Markov chain is developed for planning beyond a finite horizon in the HHV energy management problem. Road elevation information is forecasted along the horizon and then merged with the statistical model of driver behavior to increase accuracy of the horizon optimization. The characteristics of each strategy are compared and the benefit of learning driver behavior is analyzed through simulation on three drive cycles, including one real world drive cycle. A simulation is designed to explicitly demonstrate the benefit of adapting the Markov chain to real time driver behavior. Experimental results demonstrate the real time potential of the primary algorithm when implemented on a processor with limited computational resources.

연구 동기 및 목표

• 운전 습관과 경로가 사전에 알려지지 않은 하이브리드 수압 차량에 대해 실시간 에너지 관리 전략을 개발하는 것.
• 실시간 주행 사이클에 적응하는 시간에 따라 변하는 전이 확률을 갖는 일계 마르코프 체인을 활용한 운전 습관의 확률적 모델링을 통합하는 것.
• 도로 경사도 예측과 통계적 운전 습관 모델을 융합하여 예측 정확도를 향상시키는 것.
• 임베디드 하드웨어에서의 확률적 모델 예측 제어의 계산 효율성과 실시간 실행 가능성을 평가하는 것.
• 적응 통계 모델링이 비적응 또는 결정론적 접근 방식에 비해 연료 경제성을 크게 향상시킬 수 있음을 보여주는 것.

제안 방법

• 유한 예측 수렴 기간 동안 에너지 관리를 최적화하기 위해 후퇴 예측 모델 예측 제어(MPC) 프레임워크를 사용한다.
• 실시간 주행 데이터로부터 학습된 시간에 따라 변하는 전이 확률을 갖는 일계 마르코프 체인으로 운전 습관을 모델링한다.
• 미래의 지형을 고려하여 예측 제어 결정을 향상시키기 위해 예측된 도로 경사도를 최적화에 통합한다.
• 세 가지 계산 방법을 적용한다: 확률적 경사 하강법과 운동량(SGDM), 근사 확률 미분 동적 프rogramming(ASDDP), 평균 경로 DDP(APDDP).
• 확률적 최적화에서 기울기 추정의 안정성을 높이기 위해 분산 감소 기법과 몬테카를로 샘플링을 사용한다.
• 유한 예측 수렴 기간을 초월한 장기 성능을 확보하기 위해 마르코프 체인의 정적 분포를 활용한다.

실험 결과

연구 질문

• RQ1 적응 운전 습관 모델링을 통한 실시간 확률적 예측 제어가 하이브리드 수압 차량의 연료 효율성을 향상시킬 수 있는가?
• RQ2 적응 마르코프 체인 모델링의 성능이 비적응 또는 결정론적 전략에 비해 어떻게 다른가?
• RQ3 확률적 MPC 방법의 계산 비용은 얼마이며, 저자원 임베디드 프로세서에서 실시간으로 실행될 수 있는가?
• RQ4 도로 경사도 예측은 예측 에너지 관리의 정확도와 연료 경제성에 어느 정도 기여하는가?
• RQ5 실시간으로 변화하는 주행 조건을 반영하기 위해 마르코프 체인 전이 확률을 효과적으로 업데이트할 수 있는가?

주요 결과

• ASDDP 알고리즘은 운전 습관을 완전히 알고 있는 이론적 최적 제어기의 연료 소비량에 3.5% 이내로 근접하였다.
• 제안된 세 가지 방법 모두 기준 인스턴턴트 최적화 제어기보다 뚜렷이 뛰어난 성능을 보였으며, 실제 주행 사이클에서 최대 12%의 연료 절감을 달성하였다.
• 마르코프 체인 모델은 초기 통계가 잘못 설정되어 있더라도 20~30분 이내에 실제 주행 행동에 적응하였다.
• 도로 경사도 예측은 라파예트, 인디애나의 중간 정도 경사의 도로에서도 측정 가능한 연료 절감 효과를 제공하였다.
• ASDDP 알고리즘은 400MHz 프로세서와 128MB RAM 환경에서도 실시간으로 작동하여 0.5초의 업데이트 주기로 성능을 달성하였다.
• APDDP는 속도와 성능 사이의 우수한 트레이드오프를 제공하여 ASDDP에 비해 훨씬 짧은 시간 내에 실행되면서도 경쟁 가능한 연료 경제성을 유지하였다.