KR20230136774A

KR20230136774A - 차량 및 그 제어 방법

Info

Publication number: KR20230136774A
Application number: KR1020220033219A
Authority: KR
Inventors: 이희윤
Original assignee: 현대자동차주식회사; 기아 주식회사
Priority date: 2022-03-17
Filing date: 2022-03-17
Publication date: 2023-09-27

Abstract

일 실시예에 따른 차량은, 연료를 사용하여 동력을 생성하는 엔진; 배터리로부터 제공되는 전기 에너지를 이용하여 동력을 생성하는 모터; 차량의 주행에 필요한 요구 동력을 생성하기 위해 상기 엔진에 의한 동력 생성과 상기 모터에 의한 동력 생성을 분배하는 제어부;를 포함하고, 상기 제어부는 복수의 주행 데이터에 기초하여, 상기 엔진의 연료 소모량 추정값과 상기 배터리의 SOC(State Of Charge) 추정값을 출력하는 근사 모델을 학습하고, 상기 근사 모델을 이용하여 등가 연료 소모량을 최소화하는 최적 등가상수에 관한 제어 규칙 맵(control policy map)을 생성하고, 상기 제어 규칙 맵을 이용하여 현재 주행 데이터에 대응하는 최종 등가상수를 결정하고, 상기 최종 등가상수에 기초하여 상기 엔진과 상기 모터의 동력 생성을 분배할 수 있다.

Description

차량 및 그 제어 방법{VEHICLE AND CONTROL METHOD FOR THE SAME}

개시된 발명은 차량 및 그 제어방법에 관한 것이다.

하이브리드 차량(Hybrid Electric Vehicle, HEV)은 엔진에 의한 동력과 모터에 의한 동력으로 운행될 수 있다. 하이브리드 차량의 연비 향상을 위해서는 엔진에 의한 동력 생성과 모터에 의한 동력 생성을 차량의 주행 상황에 따라 적절하게 분배하는 동력 분배 기술이 필요하다.

종래 차량에 널리 이용되는 동력 분배 기술로서 규칙 기반 제어 전략(Rule-based control strategy)이 있다. 규칙 기반 제어 전략은 일정한 규칙에 따라 엔진을 온 또는 오프하고, 회생 제동으로 에너지를 회수하며, 배터리의 충전 정도를 조절한다.

규칙 기반 제어 전략과 다른 등가 소모량 최소화 전략(Equivalent Consumption Minimization Strategy, ECMS)도 사용되고 있으나, 등가 소모량 최소화 전략의 경우 제어 파라미터인 등가상수(Equivalent factor)를 다양한 주행 상황에 따라 적절히 선정하는 것이 매우 어려운 실정이다. 등가상수는 co-state로 표기되기도 한다.

개시된 발명은 엔진에 의한 동력 생성과 모터에 의한 동력 생성을 분배하기 위해 등가 소모량 최소화 전략을 사용하는데 있어서, 제어 파라미터인 등가상수를 주행 상황에 따라 적절하게 선정할 수 있는 차량 및 그 제어 방법을 제공한다.

상기 복수의 주행 데이터 각각은 엔진 연료 소모량, 배터리의 SOC, 차량 속도, 요구 토크 및 등가상수를 포함하고, 상기 제어부는 상기 복수의 주행 데이터를 이용하여 연료 소모량 모델과 배터리 SOC 모델을 업데이트 함으로써 상기 근사 모델을 학습할 수 있다.

상기 제어부는 상기 엔진 연료 소모량, 이전에 산출된 연료 소모량 추정값 및 미리 정해진 모델 학습율을 인자로 포함하는 제1 관계식을 이용하여 상기 연료 소모량 모델을 업데이트 하고, 상기 배터리의 SOC 소모량, 이전에 산출된 배터리의 SOC 추정값 및 미리 정해진 모델 학습율을 인자로 포함하는 제2 관계식을 이용하여 상기 배터리 SOC 모델을 업데이트할 수 있다.

상기 제어부는 상기 엔진의 연료 소모량 추정값과 상기 배터리의 SOC 추정값을 이용하여 순간 비용 함수의 추정값을 산출하고, 상기 복수의 주행 데이터, 상기 연료 소모량 추정값, 상기 배터리의 SOC 추정값 및 순간 비용 함수의 추정값을 미리 정해진 목적 함수에 입력하고, 상기 목적 함수의 최소값을 도출하는 상기 최적 등가상수를 상기 제어 규칙 맵에 저장할 수 있다.

상기 현재 주행 데이터는 현재 차량 속도, 현재 요구 토크 및 현재 배터리의 SOC를 포함하고, 상기 제어부는 상기 현재 차량 속도와 현재 요구 토크를 상기 제어 규칙 맵에 입력하여 복수의 최적 등가상수들을 획득하고, 상기 현재 배터리의 SOC에 기초하여 상기 복수의 최적 등가상수들 중 하나를 상기 최종 등가상수의 후보로 결정할 수 있다.

상기 제어부는 상기 현재 배터리의 SOC가 미리 정해진 범위 내에 속하는 경우, 상기 최종 등가상수의 후보를 상기 최종 등가상수로 결정하고, 상기 현재 배터리의 SOC가 상기 미리 정해진 범위를 벗어나는 경우, 미리 정해진 경계 등가상수를 상기 최종 등가상수로 결정할 수 있다.

상기 제어부는 미리 정해진 기간 동안 복수의 주행 데이터를 획득하고, 상기 근사 모델의 학습과 상기 제어 규칙 맵의 업데이트를 주기적으로 수행할 수 있다.

일 실시예에 따른 차량의 제어 방법은, 복수의 주행 데이터에 기초하여, 상기 엔진의 연료 소모량 추정값과 상기 배터리의 SOC(State Of Charge) 추정값을 출력하는 근사 모델을 학습하고; 상기 근사 모델을 이용하여 등가 연료 소모량을 최소화하는 최적 등가상수에 관한 제어 규칙 맵(control policy map)을 생성하고; 상기 제어 규칙 맵을 이용하여 현재 주행 데이터에 대응하는 최종 등가상수를 결정하고; 상기 최종 등가상수에 기초하여 상기 엔진의 동력 생성과 상기 모터의 동력 생성을 분배하는 것;을 포함할 수 있다.

상기 복수의 주행 데이터 각각은 엔진 연료 소모량, 배터리의 SOC, 차량 속도, 요구 토크 및 등가상수를 포함하고, 상기 근사 모델은 상기 복수의 주행 데이터를 이용하여 연료 소모량 모델과 배터리 SOC 모델을 업데이트 함으로써 학습될 수 있다.

상기 근사 모델을 학습하는 것은, 상기 엔진 연료 소모량, 이전에 산출된 연료 소모량 추정값 및 미리 정해진 모델 학습율을 인자로 포함하는 제1 관계식을 이용하여 상기 연료 소모량 모델을 업데이트 하고; 상기 배터리의 SOC 소모량, 이전에 산출된 배터리의 SOC 추정값 및 미리 정해진 모델 학습율을 인자로 포함하는 제2 관계식을 이용하여 상기 배터리 SOC 모델을 업데이트 하는 것;을 포함할 수 있다.

상기 제어 규칙 맵을 생성하는 것은, 상기 엔진의 연료 소모량 추정값과 상기 배터리의 SOC 추정값을 이용하여 순간 비용 함수의 추정값을 산출하고; 상기 복수의 주행 데이터, 상기 연료 소모량 추정값, 상기 배터리의 SOC 추정값 및 순간 비용 함수의 추정값을 미리 정해진 목적 함수에 입력하고; 상기 목적 함수의 최소값을 도출하는 상기 최적 등가상수를 상기 제어 규칙 맵에 저장하는 것;을 포함할 수 있다.

상기 현재 주행 데이터는 현재 차량 속도, 현재 요구 토크 및 현재 배터리의 SOC를 포함하고, 상기 최종 등가상수를 결정하는 것은, 상기 현재 차량 속도와 현재 요구 토크를 상기 제어 규칙 맵에 입력하여 복수의 최적 등가상수들을 획득하고; 상기 현재 배터리의 SOC에 기초하여 상기 복수의 최적 등가상수들 중 하나를 상기 최종 등가상수의 후보로 결정하는 것;을 포함할 수 있다.

상기 최종 등가상수를 결정하는 것은, 상기 현재 배터리의 SOC가 미리 정해진 범위 내에 속하는 경우, 상기 최종 등가상수의 후보를 상기 최종 등가상수로 결정하고; 상기 현재 배터리의 SOC가 상기 미리 정해진 범위를 벗어나는 경우, 미리 정해진 경계 등가상수를 상기 최종 등가상수로 결정하는 것;을 포함할 수 있다.

상기 복수의 주행 데이터는 미리 정해진 기간 동안 획득되고, 상기 근사 모델의 학습과 상기 제어 규칙 맵의 업데이트는 주기적으로 수행될 수 있다.

일 실시예에 따른 차량 및 그 제어 방법은, 엔진에 의한 동력 생성과 모터에 의한 동력 생성을 분배하기 위해 등가 소모량 최소화 전략을 사용하는데 있어서, 제어 파라미터인 등가상수를 주행 상황에 따라 적절하게 선정할 수 있다.

일 실시예에 따른 차량 및 그 제어 방법은, 강화 학습을 통해 주행 상황에 적절한 제어 파라미터를 산출할 수 있다. 따라서 제어 파라미터 산출 시 오차를 줄일 수 있다.

일 실시예에 따른 차량 및 그 제어 방법은, 주행 상황에 따라 엔진에 의한 동력 생성과 모터에 의한 동력 생성을 적절히 분배함으로써 연비를 향상시킬 수 있다.

도 1은 일 실시예에 따른 차량의 동력 계통 및 제어 계통을 나타낸 도면이다.
도 2는 제어부의 상세 블록도이다.
도 3은 일 실시예에 따른 차량의 제어 방법을 간략히 설명하는 순서도이다.
도 4와 도 5는 도 3에서 설명된 차량의 제어 방법을 더 상세히 설명하는 순서도이다.

명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 명세서가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 발명이 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다. 또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.

또한, "~부", "~기", "~블록", "~부재", "~모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미할 수 있다. 예를 들어, 상기 용어들은 FPGA(field-programmable gate array) / ASIC(application specific integrated circuit) 등 적어도 하나의 하드웨어, 메모리에 저장된 적어도 하나의 소프트웨어 또는 프로세서에 의하여 처리되는 적어도 하나의 프로세스를 의미할 수 있다.

각 단계들에 붙여지는 부호는 각 단계들을 식별하기 위해 사용되는 것으로 이들 부호는 각 단계들 상호 간의 순서를 나타내는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.

이하에서는 첨부된 도면을 참조하여 일 측면에 따른 차량 및 그 제어방법에 관한 실시예를 상세하게 설명하도록 한다.

도 1은 일 실시예에 따른 차량의 동력 계통 및 제어 계통을 나타낸 도면이다.

도 1을 참조하면, 차량(10)은 하이브리드 차량(Hybrid Electric Vehicle, HEV) 또는 플러그인 하이브리드 차량(Plug-in Hybrid Electric Vehicle, PHEV)일 수 있다. 차량(10)의 동력 계통 및 제어 계통은 ECU(Engine Control Unit)(12), MCU(Motor Control Unit)(13), TCU(Transmission Control Unit)(14), 엔진(21), 엔진 클러치(22), 모터(23), 변속기(24), HSG(Hybrid Starter and Generator)(25), 배터리(26) 및 제어부(100)를 포함할 수 있다.

ECU(12)는, 엔진(21)의 작동을 제어할 수 있고, MCU(13)는 모터(23)의 작동을 제어할 수 있으며, TCU(14)는 변속기(24)의 작동을 제어할 수 있다. 제어부(100)는 차량(10)의 동작 전반을 제어하는 최상위 제어기이다. 제어부(100)는 다른 제어기들(12, 13, 14)의 제어를 통합 관리한다. 제어부(100)는 각 제어기들(12, 13, 14)과 상호간의 정보를 주고 받으며 협조 제어를 실행하여 엔진(21)과 모터(23)를 제어할 수 있다.

차량(10)에 마련되는 각종 장치들은 차량용 통신 네트워크(NT)를 통하여 서로 통신할 수 있다. 예를 들면, 제어부(100)는 다른 제어기들(12, 13, 14)과 CAN(Controller Area Network) 통신 라인을 통해 연결될 수 있다. CAN 이외에도 이더넷(Ethernet), 모스트(Media Oriented Systems Transport, MOST), 플렉스레이(Flexray) 및 린(Local Interconnect Network, LIN)과 같은 통신 기술이 사용될 수도 수 있다.

엔진 클러치(22)는 엔진(21)과 모터(23) 사이에 배치되어 제어부(100)의 제어 신호를 입력 받고, 차량(10)의 주행 모드에 따라 선택적으로 엔진(21)과 모터(23)를 연결시킬 수 있다. 예를 들면, 차량(10)은 엔진 클러치(22)의 접합 여부에 따라 모터(23)의 동력으로 주행하는 EV(Electric Vehicle) 모드, 엔진(21)의 동력으로 주행하는 엔진 주행 모드, 엔진(21)의 동력과 모터(23)의 동력을 혼합해서 주행하는 HEV(Hybrid Electric Vehicle) 모드 또는 엔진(21)의 동력과 모터(23)의 동력을 적절히 분배하는 오토 모드로 운행될 수 있다.

모터(23)는 배터리(26)에서 인버터를 통해 인가되는 3상 교류 전압에 의해 토크를 발생시킬 수 있다. 모터(23)는 엔진 주행 모드에서 발전기로 작동하여 회생 에너지를 배터리(26)에 제공할 수 있고, 그에 따라 배터리(26)가 충전될 수 있다.

변속기(24)는 엔진 클러치(22)의 결합 또는 해제에 따라 결정되는 엔진(21)의 출력 토크와 모터(23)의 출력 토크의 합을 입력 토크로 공급받을 수 있다. 차량(10)의 운행 조건 또는 사용자의 선택에 따라 임의의 기어비가 결정되면, 변속기(24)는 결정된 기어비에 대응하는 입력 토크를 각 휠(31, 32)에 출력할 수 있다. 변속기(24)는 엔진(21) 또는 모터(23)로부터 입력되는 토크를 설정된 기어비에 기초하여 각 휠(31, 32)에 전달할 수 있다.

HSG(Hybrid Starter and Generator)(25)는 배터리(26)의 충전 상태(SOC, state of charge)에 따라 엔진(21)을 기동하도록 제어할 수 있고, 엔진(21)의 출력을 이용하여 발전을 수행할 수 있다. 이 때, HSG(25)는 발전을 통한 전력을 배터리(26)에 공급하여 배터리(26)를 충전시킬 수 있다. 배터리(26)는 다수의 단위 셀로 이루어지며, 모터(23)를 구동하기 위한 에너지(예: 직류 400V 내지 450V의 전압)를 저장할 수 있다.

제어부(100)는 제어 회로로 마련될 수 있다. 제어부(100)는 차량(10)의 동작을 위한 데이터, 어플리케이션 및/또는 프로그램이 저장된 적어도 하나의 메모리와, 메모리에 저장된 어플리케이션과 프로그램을 실행시키는 적어도 하나의 프로세서를 포함할 수 있다. 메모리와 프로세서는 하나의 칩에 집적되는 것도 가능하고, 물리적으로 분리된 위치에 마련되는 것도 가능하다.

메모리는 각종 정보를 저장하기 위해 캐쉬, ROM(Read Only Memory), PROM(Programmable ROM), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM) 및 플래쉬 메모리(Flash memory)와 같은 비휘발성 메모리 소자 또는 RAM(Random Access Memory)과 같은 휘발성 메모리 소자 또는 하드디스크 드라이브(HDD, Hard Disk Drive), CD-ROM과 같은 저장 매체 중 적어도 하나로 구현될 수 있으나 이에 한정되지는 않는다.

전술된 구성들 외에도, 차량(1)은 다른 구성들을 더 포함할 수 있다. 예를 들면, 차량(10)은 차량 속도를 검출하는 속도 센서, 가속도를 검출하는 가속도 센서, 각속도의 변화를 검출하는 요레이트 센서, 기울기를 검출하는 자이로 센서, 스티어링 휠의 회전과 조향각을 검출하는 조향각 센서, 가속 페달의 위치(Position) 및 조작 빈도를 감지하는 가속 페달 센서(APS), 브레이크 페달의 위치(Position) 및 조작 빈도를 감지하는 브레이크 페달 센서(BPS)와 같은 장치들을 포함할 수 있다.

도 2는 일 실시예에 따른 제어부(100)의 상세 블록도이다.

도 2를 참조하면, 제어부(100)는 ECMS(Equivalent Consumption Minimization Strategy) 제어부(110)와 학습 제어부(120)를 포함할 수 있다. ECMS 제어부(110)는 주행 데이터 수집부(111)와 동력 분배부(112)를 포함할 수 있다. 학습 제어부(120)는 근사 모델 학습부(121)와 제어 규칙 생성부(122)를 포함할 수 있다.

ECMS 제어부(110)는 등가 소비량 최소화 전략에 따라 엔진(21)과 모터(23)의 동력 생성을 분배할 수 있다. ECMS 제어부(110)는 엔진(21)의 연료 소비량과 배터리(26)의 SOC 소비량을 등가화 하여 등가 연료 소비량(Equivalent fuel consumption)을 산출할 수 있다. ECMS 제어부(110)는 등가 연료 소비량을 최소화 하도록 엔진(21)과 모터(23)의 동력 생성을 분배할 수 있다.

등가 연료 소비량은 아래 수학식 1로 정의될 수 있다.

[수학식 1]

m_equi = m_fuel(t) + λ* SOC(t)

수학식 1에서 m_equi는 등가 연료 소모량, m_fuel(t)는 엔진 연료 소모량, λ는 등가상수, SOC(t)는 배터리(26)의 SOC 소모량을 나타낸다. 차량의 주행에 필요한 순간 요구 동력을 만족하는 엔진 토크와 모터 토크의 조합이 결정되면, 수학식1에서와 같이 시간 t에서 엔진(21)의 연료 소모량 및 배터리(26)의 SOC 소모량을 구할 수 있다. 배터리(26)의 SOC 소비량에 등가상수(λ)를 곱하고, 엔진 연료 소모량을 더하면, 등가 연료 소모량(m_equi)이 산출될 수 있다.

등가 소모량 최소화 전략(ECMS)은 다른 제어 기술에 비해 실시간 제어가 용이하다는 장점을 갖는다. ECMS 에서 등가상수(λ)는 매우 민감한 파라미터로서, 적절한 등가상수를 정하기 위해서는 파워트레인의 효율, 차량 속도, 요구 동력과 같은 차량의 주행 상황을 반영하여야 한다. 따라서 적절한 등가상수(λ)를 정하는데 어려움이 따른다. 개시된 발명은 최적의 등가상수(λ)를 결정하기 위해서 강화 학습을 이용한다. 등가상수는 co-state로 호칭될 수도 있다.

ECMS 제어부(110)는 등가 연료 소모량을 최소화 하는 등가상수(λ)를 결정할 수 있고, 이를 이용하여 엔진(21)과 모터(23)의 최적 동력 분배비를 결정할 수 있다.

주행 데이터 수집부(111)는 차량(10)의 주행 데이터를 수집할 수 있다. 주행 데이터 수집부(111)는 미리 정해진 기간 동안 복수의 주행 데이터를 획득할 수 있다. 복수의 주행 데이터 각각은 엔진 연료 소모량, 배터리의 SOC, 차량 속도, 요구 토크 및 등가상수를 포함할 수 있다.

주행 데이터 수집부(111)는 복수의 주행 데이터를 학습 제어부(120)의 근사 모델 학습부(121)로 전송할 수 있다. 근사 모델 학습부(121)는 복수의 주행 데이터에 기초하여, 엔진(21)의 연료 소모량 추정값과 배터리(26)의 SOC(State Of Charge) 추정값을 출력하는 근사 모델을 학습할 수 있다.

근사 모델 학습부(121)는 연료 소모량 모델과 배터리 SOC 모델을 업데이트 함으로써 근사 모델을 학습할 수 있다. 근사 모델 학습부(121)는 엔진 연료 소모량, 이전에 산출된 연료 소모량 추정값 및 미리 정해진 모델 학습율을 인자로 포함하는 제1 관계식을 이용하여 연료 소모량 모델을 업데이트 할 수 있다. 제1 관계식은 아래 수학식2로 정의될 수 있다.

[수학식 2]

g_f'(x,λ) = g_f(x,λ) + am * (m_k(x,λ) - g_f(x,λ))

수학식 2에서 g_f'는 연료 소모량 추정값, g_f는 이전에 산출된 연료 소모량 추정값, am은 모델 학습율, m_k는 엔진 연료 소모량을 나타낸다. x는 엔진 연료 소모량, 배터리의 SOC, 차량 속도 및 요구 토크를 포함하는 상태 변수를 나타낸다. λ는 등가상수를 나타낸다.

즉, 연료 소모량 모델은 상태 변수(x)와 등가상수(λ)를 입력으로 하여 엔진(21)의 연료 소모량 추정값을 출력한다. 연료 소모량 모델은, 실제의 엔진 연료 소모량(m_k)과 이전의 연료 소모량 추정값(g_f) 간 차이값에 모델 학습율(am)을 곱하고, 이전의 연료 소모량 추정값(g_f)에 더하여 연료 소모량 추정값(g_f')을 산출할 수 있다.

엔진(21)의 연료 소모량 추정값은 주행 데이터에 기초하여 업데이트 될 수 있고, 테이블로 저장될 수 있다. 예를 들면, 100개의 주행 데이터가 획득된 경우, 근사 모델 학습부(121)는 100개의 상태 변수(x)와 100개의 등가상수(λ)를 순차적으로 연료 소모량 모델에 입력하여 연료 소모량 추정값을 업데이트 할 수 있다.

근사 모델 학습부(121)는 배터리(26)의 SOC, 이전에 산출된 배터리(26)의 SOC 추정값 및 미리 정해진 모델 학습율을 인자로 포함하는 제2 관계식을 이용하여 배터리 SOC 모델을 업데이트 할 수 있다. 제2 관계식은 아래 수학식3으로 정의될 수 있다.

[수학식 3]

g_s'(x,λ) = g_s(x,λ) + am * (SOC_k(x,λ) - g_s(x,λ))

수학식 3에서 g_s'는 배터리(26)의 SOC 추정값, g_s는 이전에 산출된 배터리(26)의 SOC 추정값, am은 모델 학습율, SOC_k는 배터리(26)의 SOC 소모량를 나타낸다. x는 엔진 연료 소모량, 배터리의 SOC, 차량 속도 및 요구 토크를 포함하는 상태 변수를 나타내고, λ는 등가상수를 나타낸다.

즉, 배터리 SOC 모델은 상태 변수(x)와 등가상수(λ)를 입력으로 하여 배터리(26)의 SOC 추정값을 출력한다. 배터리 SOC 모델은, 실제의 SOC 소모량(SOC_k)과 이전의 배터리 SOC 추정값(g_s) 간 차이값에 모델 학습율(am)을 곱하고, 이전의 배터리 SOC 추정값(g_s)에 더하여 배터리(26)의 SOC 추정값(g_s')을 산출할 수 있다.

배터리(26)의 SOC 추정값은 주행 데이터에 기초하여 업데이트 될 수 있고, 테이블로 저장될 수 있다. 예를 들면, 100개의 주행 데이터가 획득된 경우, 근사 모델 학습부(121)는 100개의 상태 변수(x)와 100개의 등가상수(λ)를 순차적으로 배터리 SOC 모델에 입력하여 배터리(26)의 SOC 추정값을 업데이트 할 수 있다.

근사 모델 학습부(121)는 학습된 연료 소모량 추정값과 학습된 배터리 SOC 추정값을 제어 규칙 생성부(122)로 전송할 수 있다. 근사 모델 학습부(121)는 연료 소모량 모델과 배터리 SOC 모델을 포함하는 근사 모델을 제어 규칙 생성부(122)로 전송할 수도 있다.

제어 규칙 생성부(122)는 근사 모델을 이용하여 등가 연료 소모량을 최소화하는 최적 등가상수에 관한 제어 규칙 맵(control policy map)을 생성할 수 있다. 제어 규칙 생성부(122)는 생성한 제어 규칙 맵을 동력 분배부(112)로 전송할 수 있다.

제어 규칙 생성부(122)는 엔진(21)의 연료 소모량 추정값과 배터리(26)의 SOC 추정값을 이용하여 순간 비용 함수의 추정값을 산출할 수 있다.

순간 비용 함수는 아래 수학식4와 같이 정의될 수 있다.

[수학식 4]

g = m_fuel + ζ(SOC)

g는 순간 비용 함수, m_fuel은 순간 연료 소모량, ζ(SOC)는 배터리(26)의 SOC 변동량을 나타낸다. 즉, 순간 비용 함수는 순간 연료 소모량과 배터리(26)의 SOC 변동량의 합으로 정의된다.

배터리(26)의 SOC 변동량(ζ(SOC))은, 배터리(26)의 SOC가 미리 정해진 최솟값(SOC_min)보다 큰 경우, 배터리(26)의 SOC와 미리 정해진 기준값(SOC_ref)의 차이를 제곱한 값에 미리 정해진 계수(μ)를 곱한 값으로 산출될 수 있다. 배터리(26)의 SOC가 미리 정해진 최솟값보다 작거나 같은 경우, 배터리(26)의 SOC 변동량은 미리 정해진 페널티 상수(C_penalty)로 결정될 수 있다.

즉, 배터리(26)의 SOC 변동량은 아래 수학식 5에 의해 결정될 수 있다.

[수학식 5]

ζ(SOC) = μ*(SOC - SOC_ref)^2, when SOC > SOC_min

ζ(SOC) = C_penalty, when SOC ≤ SOC_min

제어 규칙 생성부(122)는 복수의 주행 데이터, 연료 소모량 추정값, 배터리의 SOC 추정값 및 순간 비용 함수의 추정값을 미리 정해진 목적 함수에 입력하고, 목적 함수의 최소값을 도출하는 최적 등가상수를 제어 규칙 맵에 저장할 수 있다.

예를 들면, 100개의 주행 데이터가 획득된 경우, 제어 규칙 생성부(122)는 아래 수학식 6을 이용하여 목적 함수의 값(Q 값)을 저장하는 Q 테이블을 업데이트 할 수 있다.

[수학식 6]

For k=1 to 100

for l=1 to N_λ

for j=1 to N_soc

Q = (1-a)*Q(x_k=[SOC^j, T_req.k, v_k], λ^l) + a*(g_k+1' + γ* min Q(x_k+1=[SOC_k+1', T_req.k+1, v_k+1], λ))

end

수학식 6에서 Q는 목적 함수를 나타내고, x는 배터리의 SOC, 차량 속도 및 요구 토크를 포함하는 상태 변수를 나타낸다. g_k+1'는 순간 비용 함수의 추정값을 나타낸다. λ는 등가상수를 나타낸다. a는 학습율을 나타내고, γ는 디스카운트 팩터를 나타낸다.

다시 말해, 제어 규칙 생성부(122)는 각 타임 스텝 k 에 대하여, 모든 이산화된 λ(λ¹, λ², λ³,..., λ^Nλ, Nλ는 이산화된 등가상수의 총 개수)와, 모든 이산화된 SOC(SOC¹, SOC², SOC³,..., SOC^Nsoc, Nsoc는 이산화된 배터리 SOC의 개수)에 대해, Q 값을 업데이트 할 수 있다.

제어 규칙 생성부(122)는 모든 상태 변수(x)의 조합에 대하여 목적 함수의 값(Q 값)을 가장 작게 하는 최적 등가상수(λ)를 찾는다. 제어 규칙 생성부(122)는 최적 등가상수(λ)를 제어 규칙 맵에 저장한다. 제어 규칙 맵은 상태 변수(x)에 대응하는 최적 등가상수(λ)를 기록한 테이블로 구현될 수 있다.

ECMS 제어부(110)의 동력 분배부(112)는 학습 제어부(120)의 제어 규칙 생성부(122)로부터 제공된 제어 규칙 맵을 이용하여 현재 주행 데이터에 대응하는 최종 등가상수를 결정할 수 있다. 동력 분배부(112)는 최종 등가상수에 기초하여 엔진(21)과 모터(23)의 동력 생성을 분배할 수 있다.

현재 주행 데이터는 현재 차량 속도, 현재 요구 토크 및 현재 배터리의 SOC를 포함할 수 있다. 현재 요구 토크는 가속 페달 센서(APS)의 신호와 현재 차량 속도로부터 산출될 수 있다.

동력 분배부(112)는 현재 차량 속도와 현재 요구 토크를 제어 규칙 맵에 입력하여 복수의 최적 등가상수들을 획득할 수 있다. 동력 분배부(112)는 현재 배터리의 SOC에 기초하여 복수의 최적 등가상수들 중 하나를 최종 등가상수의 후보로 결정할 수 있다. 동력 분배부(112)는 제어 규칙 맵으로부터 도출된 복수의 최적 등가상수들을 선형 보간하여 최종 등가상수의 후보를 결정할 수 있다.

동력 분배부(112)는 현재 배터리의 SOC가 미리 정해진 범위 내에 속하는 경우, 최종 등가상수의 후보를 최종 등가상수로 결정할 수 있다. 동력 분배부(112)는 현재 배터리의 SOC가 미리 정해진 범위를 벗어나는 경우, 미리 정해진 경계 등가상수를 최종 등가상수로 결정할 수 있다.

또한, ECMS 제어부(110)는 주행 데이터를 주기적으로(예를 들면, 1시간 주기 또는 5km 주행 주기) 획득하여 학습 제어부(120)로 전송할 수 있다. 학습 제어부(120)는 주기적으로 전송되는 주행 데이터를 이용하여 근사 모델을 학습할 수 있고, 제어 규칙 맵의 업데이트를 주기적으로 수행할 수 있다.

이와 같이, 개시된 발명은 과거의 주행 데이터를 이용하여 근사 모델을 학습하고, 학습된 근사 모델을 이용하여 제어 규칙을 최적화 함으로써 주행 상황이 변경되더라도 주행 상황에 대응하여 연비를 최적화하는 ECMS 로직을 구현할 수 있다.

도 3은 일 실시예에 따른 차량의 제어 방법을 간략히 설명하는 순서도이다. 도 4와 도 5는 도 3에서 설명된 차량의 제어 방법을 더 상세히 설명하는 순서도이다.

도 3과 도4를 참조하면, 차량(10)의 제어부(100)는 주행 데이터를 획득할 수 있다(301, 401). 제어부(100)는 미리 정해진 기간 동안 복수의 주행 데이터를 획득할 수 있다. 복수의 주행 데이터 각각은 엔진 연료 소모량, 배터리의 SOC, 차량 속도, 요구 토크 및 등가상수를 포함할 수 있다.

제어부(100)는 획득된 주행 데이터를 이용하여 근사 모델을 학습할 수 있다(302). 근사 모델은 엔진(21)의 연료 소모량 추정값과 배터리(26)의 SOC(State Of Charge) 추정값을 출력할 수 있다. 근사 모델은 연료 소모량 모델과 배터리 SOC 모델을 포함할 수 있다. 제어부(100)는 연료 소모량 모델과 배터리 SOC 모델을 업데이트 함으로써 근사 모델을 학습할 수 있다(402).

제어부(100)는 실제의 엔진 연료 소모량(m_k)과 이전의 연료 소모량 추정값(g_f) 간 차이값에 모델 학습율(am)을 곱하고, 이전의 연료 소모량 추정값(g_f)에 더하여 연료 소모량 추정값(g_f')을 산출할 수 있다. 또한, 제어부(100)는 실제의 SOC 소모량(SOC_k)과 이전의 배터리 SOC 추정값(g_s) 간 차이값에 모델 학습율(am)을 곱하고, 이전의 배터리 SOC 추정값(g_s)에 더하여 배터리(26)의 SOC 추정값(g_s')을 산출할 수 있다.

제어부(100)는 근사 모델을 이용하여 등가 연료 소모량을 최소화하는 최적 등가상수에 관한 제어 규칙 맵(control policy map)을 생성할 수 있다(303). 제어부(100)는 근사 모델에 의해 산출되는 엔진(21)의 연료 소모량 추정값과 배터리(26)의 SOC 추정값에 기초하여 순간 비용 함수의 추정값을 산출할 수 있다(403).

제어부(100)는 복수의 주행 데이터, 연료 소모량 추정값, 배터리의 SOC 추정값 및 순간 비용 함수의 추정값을 미리 정해진 목적 함수에 입력하고, 목적 함수의 최소값을 도출하는 최적 등가상수를 획득할 수 있다(404). 복수의 주행 데이터는 배터리(26)의 SOC, 엔진 연료 소모량, 차량 속도, 요구 토크, 등가상수를 포함할 수 있다. 제어부(100)는 각 주행 데이터에 대응하는 최적 등가상수를 제어 규칙 맵에 저장할 수 있다(405).

도 3과 도 5를 참조하면, 제어부(100)는 제어 규칙 맵을 이용하여 현재 주행 데이터에 대응하는 최종 등가상수를 결정할 수 있다(304). 제어부(100)는 차량 속도(v)와 요구 토크(T_req)를 제어 규칙 맵(M1)에 입력할 수 있다(501). 제어부(100)는 제어 규칙 맵(M1)으로부터 차량 속도(v)와 요구 토크(T_req)에 대응하는 복수의 최적 등가상수들을 획득할 수 있다(502). 복수의 최적 등가상수들은 각각 복수의 배터리(26)의 SOC에 대응할 수 있다.

제어부(100)는 현재 배터리(26)의 SOC에 기초하여 복수의 최적 등가상수들을 선형 보간하고, 최종 등가상수의 후보를 결정할 수 있다(503). 즉, 제어부(100)는 현재 차량 속도(v)와 현재 요구 토크(T_req)에 대응하는 복수의 최적 등가상수들을 획득한 후, 복수의 최적 등가상수들 중 현재 배터리(26)의 SOC에 대응하는 최종 등가상수의 후보를 결정할 수 있다.

제어부(100)는 현재 배터리(26)의 SOC가 미리 정해진 범위 내에 속하는지 판단할 수 있다(504). 제어부(100)는 현재 배터리(26)의 SOC가 미리 정해진 범위 내에 속하는 경우, 최종 등가상수의 후보를 최종 등가상수로 결정할 수 있다(505). 제어부(100)는 현재 배터리(26)의 SOC가 미리 정해진 범위를 벗어나는 경우, 미리 정해진 경계 등가상수를 최종 등가상수로 결정할 수 있다(506).

제어부(100)는 결정된 최종 등가상수에 기초하여 엔진(21)과 모터(23)의 동력 생성을 분배할 수 있다(305).

이와 같이, 일 실시예에 따른 차량 및 그 제어 방법은, 엔진에 의한 동력 생성과 모터에 의한 동력 생성을 분배하기 위해 등가 소모량 최소화 전략을 사용하는데 있어서, 제어 파라미터인 등가상수를 주행 상황에 따라 적절하게 선정할 수 있다.

한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.

컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.

이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 발명이 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.

10: 차량
21: 엔진
23: 모터
26: 배터리
100: 제어부

Claims

연료를 사용하여 동력을 생성하는 엔진;
배터리로부터 제공되는 전기 에너지를 이용하여 동력을 생성하는 모터;
차량의 주행에 필요한 요구 동력을 생성하기 위해 상기 엔진에 의한 동력 생성과 상기 모터에 의한 동력 생성을 분배하는 제어부;를 포함하고,
상기 제어부는
복수의 주행 데이터에 기초하여, 상기 엔진의 연료 소모량 추정값과 상기 배터리의 SOC(State Of Charge) 추정값을 출력하는 근사 모델을 학습하고,
상기 근사 모델을 이용하여 등가 연료 소모량을 최소화하는 최적 등가상수에 관한 제어 규칙 맵(control policy map)을 생성하고,
상기 제어 규칙 맵을 이용하여 현재 주행 데이터에 대응하는 최종 등가상수를 결정하고,
상기 최종 등가상수에 기초하여 상기 엔진과 상기 모터의 동력 생성을 분배하는 차량.
제1항에 있어서,
상기 복수의 주행 데이터 각각은
엔진 연료 소모량, 배터리의 SOC, 차량 속도, 요구 토크 및 등가상수를 포함하고,
상기 제어부는
상기 복수의 주행 데이터를 이용하여 연료 소모량 모델과 배터리 SOC 모델을 업데이트 함으로써 상기 근사 모델을 학습하는 차량.
제2항에 있어서,
상기 제어부는
상기 엔진 연료 소모량, 이전에 산출된 연료 소모량 추정값 및 미리 정해진 모델 학습율을 인자로 포함하는 제1 관계식을 이용하여 상기 연료 소모량 모델을 업데이트 하고,
상기 배터리의 SOC 소모량, 이전에 산출된 배터리의 SOC 추정값 및 미리 정해진 모델 학습율을 인자로 포함하는 제2 관계식을 이용하여 상기 배터리 SOC 모델을 업데이트 하는 차량.
제2항에 있어서,
상기 제어부는
상기 엔진의 연료 소모량 추정값과 상기 배터리의 SOC 추정값을 이용하여 순간 비용 함수의 추정값을 산출하고,
상기 복수의 주행 데이터, 상기 연료 소모량 추정값, 상기 배터리의 SOC 추정값 및 순간 비용 함수의 추정값을 미리 정해진 목적 함수에 입력하고,
상기 목적 함수의 최소값을 도출하는 상기 최적 등가상수를 상기 제어 규칙 맵에 저장하는 차량.
제1항에 있어서,
상기 현재 주행 데이터는
현재 차량 속도, 현재 요구 토크 및 현재 배터리의 SOC를 포함하고,
상기 제어부는
상기 현재 차량 속도와 현재 요구 토크를 상기 제어 규칙 맵에 입력하여 복수의 최적 등가상수들을 획득하고,
상기 현재 배터리의 SOC에 기초하여 상기 복수의 최적 등가상수들 중 하나를 상기 최종 등가상수의 후보로 결정하는 차량.
제5항에 있어서,
상기 제어부는
상기 현재 배터리의 SOC가 미리 정해진 범위 내에 속하는 경우, 상기 최종 등가상수의 후보를 상기 최종 등가상수로 결정하고,
상기 현재 배터리의 SOC가 상기 미리 정해진 범위를 벗어나는 경우, 미리 정해진 경계 등가상수를 상기 최종 등가상수로 결정하는 차량.
제1항에 있어서,
상기 제어부는
미리 정해진 기간 동안 복수의 주행 데이터를 획득하고,
상기 근사 모델의 학습과 상기 제어 규칙 맵의 업데이트를 주기적으로 수행하는 차량.
엔진, 배터리 및 모터를 포함하는 차량의 제어 방법에 있어서,
복수의 주행 데이터에 기초하여, 상기 엔진의 연료 소모량 추정값과 상기 배터리의 SOC(State Of Charge) 추정값을 출력하는 근사 모델을 학습하고;
상기 근사 모델을 이용하여 등가 연료 소모량을 최소화하는 최적 등가상수에 관한 제어 규칙 맵(control policy map)을 생성하고;
상기 제어 규칙 맵을 이용하여 현재 주행 데이터에 대응하는 최종 등가상수를 결정하고;
상기 최종 등가상수에 기초하여 상기 엔진의 동력 생성과 상기 모터의 동력 생성을 분배하는 것;을 포함하는 차량의 제어 방법.
제8항에 있어서,
상기 복수의 주행 데이터 각각은
엔진 연료 소모량, 배터리의 SOC, 차량 속도, 요구 토크 및 등가상수를 포함하고,
상기 근사 모델은
상기 복수의 주행 데이터를 이용하여 연료 소모량 모델과 배터리 SOC 모델을 업데이트 함으로써 학습되는 차량의 제어 방법.
제9항에 있어서,
상기 근사 모델을 학습하는 것은
상기 엔진 연료 소모량, 이전에 산출된 연료 소모량 추정값 및 미리 정해진 모델 학습율을 인자로 포함하는 제1 관계식을 이용하여 상기 연료 소모량 모델을 업데이트 하고;
상기 배터리의 SOC 소모량, 이전에 산출된 배터리의 SOC 추정값 및 미리 정해진 모델 학습율을 인자로 포함하는 제2 관계식을 이용하여 상기 배터리 SOC 모델을 업데이트 하는 것;을 포함하는 차량의 제어 방법.
제9항에 있어서,
상기 제어 규칙 맵을 생성하는 것은,
상기 엔진의 연료 소모량 추정값과 상기 배터리의 SOC 추정값을 이용하여 순간 비용 함수의 추정값을 산출하고;
상기 복수의 주행 데이터, 상기 연료 소모량 추정값, 상기 배터리의 SOC 추정값 및 순간 비용 함수의 추정값을 미리 정해진 목적 함수에 입력하고;
상기 목적 함수의 최소값을 도출하는 상기 최적 등가상수를 상기 제어 규칙 맵에 저장하는 것;을 포함하는 차량의 제어 방법.
제8항에 있어서,
상기 현재 주행 데이터는
현재 차량 속도, 현재 요구 토크 및 현재 배터리의 SOC를 포함하고,
상기 최종 등가상수를 결정하는 것은,
상기 현재 차량 속도와 현재 요구 토크를 상기 제어 규칙 맵에 입력하여 복수의 최적 등가상수들을 획득하고;
상기 현재 배터리의 SOC에 기초하여 상기 복수의 최적 등가상수들 중 하나를 상기 최종 등가상수의 후보로 결정하는 것;을 포함하는 차량의 제어 방법.
제12항에 있어서,
상기 최종 등가상수를 결정하는 것은,
상기 현재 배터리의 SOC가 미리 정해진 범위 내에 속하는 경우, 상기 최종 등가상수의 후보를 상기 최종 등가상수로 결정하고;
상기 현재 배터리의 SOC가 상기 미리 정해진 범위를 벗어나는 경우, 미리 정해진 경계 등가상수를 상기 최종 등가상수로 결정하는 것;을 포함하는 차량의 제어 방법.
제8항에 있어서,
상기 복수의 주행 데이터는 미리 정해진 기간 동안 획득되고,
상기 근사 모델의 학습과 상기 제어 규칙 맵의 업데이트는 주기적으로 수행되는 차량의 제어 방법.