저작자표시-비영리-변경금지 2.

0 대한민국

이용자는 아래의 조건을 따르는 경우에 한하여 자유롭게

l 이 저작물을 복제, 배포, 전송, 전시, 공연 및 방송할 수 있습니다.

다음과 같은 조건을 따라야 합니다:

저작자표시. 귀하는 원저작자를 표시하여야 합니다.

비영리. 귀하는 이 저작물을 영리 목적으로 이용할 수 없습니다.

변경금지. 귀하는 이 저작물을 개작, 변형 또는 가공할 수 없습니다.

l 귀하는, 이 저작물의 재이용이나 배포의 경우, 이 저작물에 적용된 이용허락조건

을 명확하게 나타내어야 합니다.
l 저작권자로부터 별도의 허가를 받으면 이러한 조건들은 적용되지 않습니다.

저작권법에 따른 이용자의 권리는 위의 내용에 의하여 영향을 받지 않습니다.

이것은 이용허락규약(Legal Code)을 이해하기 쉽게 요약한 것입니다.

Disclaimer
 [UCI]I804:null-200000437717

석사학위논문

최적 제어 이론 기반 수소전기차의 에너지 관리
최적화
Optimization of Energy Management for Fuel
Cell Electric Vehicle based on Optimal Control
Theory

송승민

한양대학교 대학원

2020년 02월
 석사학위논문

최적 제어 이론 기반 수소전기차의 에너지 관리
최적화
Optimization of Energy Management for Fuel
Cell Electric Vehicle based on Optimal Control
Theory

지도교수 김 남 욱
이 논문을 공학 석사학위논문으로 제출합니다.

2020년 02월
한양대학교 대학원
기계설계공학과
송승민
 차 례

차례 ················································································································································ⅰ
List of Figures ····························································································································ⅱ
List of Tables ·····························································································································ⅳ
국문 요지 ······································································································································ⅴ
제1장 서 론 ····································································································································1
1.1. 연구 배경 ····························································································································1
1.2. 연구 동향 ····························································································································3
1.3. 연구 내용 및 목표 ············································································································4
제2장 수소전기차 ··························································································································6
2.1. 수소전기차의 종류 및 특징 ····························································································6
2.1.1. 수소전기차의 종류 ·····································································································6
2.1.2. 수소전기차의 특징 ·····································································································7
2.2. 수소전기차의 구성 ············································································································9
2.3. 수소전기차의 제어 전략 ································································································13
제3장 최적 제어 이론 ················································································································15
3.1. 동적 계획법(Dynamic Programming) ········································································15
3.2. 폰트리아긴 최소화 원리(Pontryagin’s Minimum Principle) ·································19
제4장 최적화 알고리즘 성능 검증 및 비교 ··········································································22
4.1. Simulation 결과 ···············································································································22
4.1.1. 동적계획법(Dynamic Programming) 최적성 검증 ···········································23
4.1.2. 규칙 기반 제어 전략(Rule-based)과 동적계획법(Dynamic Programming)
제어 전략 비교 검증 ··········································································································27
4.1.3. 동적계획법 제어 전략 기반의 규칙 기반 제어 전략 도출 ·····························34
제5장 결론 및 고찰 ····················································································································38
참고문헌 ········································································································································40
ABSTRACT ·································································································································43
연구 윤리 서약서 ························································································································46

- i -
 List of Figures

Figure 1 Fuel economy regulations at the inside and outside of the country ···········1
Figure 2 Fuel cell i-V curve ····································································································7
Figure 3 Fuel cell power density curve ················································································8
Figure 4 Composition of fuel cell electric vehicle ······························································9
Figure 5 Relationship between fuel cell power and fuel rate ·······································10
Figure 6 Relationship between fuel cell power and fuel cell system efficiency ······10
Figure 7 Motor efficiency map according to motor torque and speed ·······················10
Figure 8 Relationship between battery state of charge and power limit ··················11
Figure 9 Relationship between battery state of charge and voltage / battery state
of charge and resistance ········································································································11
Figure 10 Driving mode of fuel cell electric vehicles according to battery state of
charge ············································································································································14
Figure 11 A example of finding a way ··············································································15
Figure 12 Method of determination optimal path using Dynamic Programming ·····16
Figure 13 Internal resistance battery model ·······································································17
Figure 14 Composition of Dynamic Programming algorithms ······································19
Figure 15 UDDS, HWFET, WLTC speed profile ·····························································22
Figure 16 Optimal surface in UDDS cycle ·········································································24
Figure 17 Optimal surface in HWFET cycle ···································································24
Figure 18 Optimal surface in WLTC cycle ········································································25
Figure 19 Battery SOC trajectory on optimal surface in UDDS cycle ······················25
Figure 20 Battery SOC trajectory on optimal surface in WLTC cycle ·····················26
Figure 21 Battery SOC trajectory on optimal surface in WLTC cycle ·····················26
Figure 22 Battery SOC trajectory in UDDS cycle ···························································27
Figure 23 Fuel consumption in UDDS cycle ·····································································28
Figure 24 Fuel cell efficiency line and operation point in UDDS cycle (Left:

- ii -
Rule-based, Right: Dynamic Programming) ·······································································28
Figure 25 Fuel cell power according to each control strategy in UDDS cycle ······29
Figure 26 Battery power according to each control strategy in UDDS cycle ·········30
Figure 27 Battery SOC trajectory in HWFET cycle ·······················································30
Figure 28 Fuel consumption in HWFET cycle ·································································30
Figure 29 Fuel cell efficiency line and operation point in HWFET cycle (Left:
Rule-based, Right: Dynamic Programming) ·······································································31
Figure 30 Battery SOC trajectory in WLTC cycle ··························································32
Figure 31 Fuel consumption in WLTC cycle ····································································32
Figure 32 Fuel cell efficiency line and operation point in WLTC cycle (Left:
Rule-based, Right: Dynamic Programming) ·······································································33
Figure 33 Dynamic Programming control logic in UDDS cycle ··································35
Figure 34 Power split ratio of Dynamic Programming algorithm in UDDS cycle · 35
Figure 35 Rule-based control logic based on Dynamic Programming ·······················36
Figure 36 Compare fuel economy and fuel cell efficiency according to each control
strategy ·········································································································································37

- iii -
 List of Tables

Table 1 Establishment plan of hydrogen charging station ··············································2

Table 2 List of previous works ·······························································································4
Table 3 Types of fuel cell electric vehicles ·········································································6
Table 4 Parameters of fuel cell electric vehicle ······························································10
Table 5 Compare results according to each control strategy ·······································34
Table 6 Compare results according to each control strategy ·······································36

- iv -
 국문 요지

수소전기차는 연료전지 시스템과 고전압 배터리, 두 가지 동력원으로 운행

되는 친환경차 중 하나이다. 전 세계적으로 차량 연비규제가 강화되면서 친
환경차에 대한 관심과 필요성은 시간이 지날수록 중요해지고 있다. 많은 기
업이 소형차와 중소형 상용차에서는 전기차를, 중대형 상용차와 버스에서는
수소전기차의 라인업을 확대할 계획에 있다. 이처럼 많은 화제 속에 있는
친환경차 중 수소전기차는 수소와 공기 중의 산소를 반응시켜 에너지를 발
생시킨다. 이는 유해 배출 가스가 없을 뿐만 아니라 공기 정화 효과까지 있
어 강화되는 연비규제에 대응하고 환경문제를 해결할 수 있는 중요한 대안
으로 주목받고 있다.
본 논문에서는 이러한 수소전기차의 연비 및 시스템 효율을 향상시키기
위한 연구를 진행하였다. 기존 수소전기차의 제어 전략은 배터리 상태에 따
라 배터리와 연료전지 시스템에 전력을 분배하고 배터리의 충전 상태를 관
리하는 방식을 사용하고 있다. 본 연구에서는 수소전기차의 두 가지 동력원
의 동력 분배 제어 전략을 최적 제어 이론에 기반하여 개발하였다. 최적 제
어 이론 중에는 동적계획법(Dynamic programming)과 폰트리아긴 최소화
원리(Pontryagin’s minimum principle)에 기반을 둔 등가 소모량 최소화 전
략(Equivalent consumption minimization strategy)이 있다. 이 두 가지 이론
을 차량의 동력 분배 제어 전략에 적용하였을 때 성능이 우수하다는 것은
이미 다양한 논문에서 증명되었다. 두 가지 최적화 이론 중 동적계획법에
기반하여 개발한 제어 전략을 수소전기차에 적용하였다. 기존의 규칙기반
제어 방식 대비 동적계획법의 연료전지 시스템 효율 그리고 수소 소모량에

- v -
대해 성능 향상도를 평가하였다. 또한 동적계획법으로부터 도출된 결괏값
기반으로 새로운 규칙 기반 제어 전략을 세웠다. 새로운 제어 전략을 기존
의 규칙 기반 제어 전략을 대신해 차량 시스템에 적용하였을 때도 연비와
연료전지 시스템 효율 측면에서 향상도가 있는지 평가하였다.
결과적으로 최적화 알고리즘을 적용하였을 때와 새로운 규칙 기반 제어
전략을 적용했을 때, 두 제어 전략 모두 연비와 시스템 효율 측면에서 향상
된 결과를 얻을 수 있었다. 현재로서는 동적계획법 제어 전략을 실차에 적
용하기는 어렵지만 최적화 제어 전략에 기반하여 도출한 규칙 기반 제어 전
략은 실차에 적용성이 좋으며, 시스템 효율 향상 효과도 기대할 수 있다. 향
후 차량 통신 기술이 점차 발전하여 최적 제어 전략을 차량에 적용할 수 있
게 되고, 환경 문제로 친환경차의 중요성이 증대되면서 본 연구는 향후 수
소전기차 발전에 크게 이바지할 것으로 해석된다.

- vi -
 제1장 서 론

1.1. 연구 배경
자동차 주요 시장에서 차량 연비와 친환경차 판매 규제로 인해 미래에는
내연기관차보다 친환경차에 대한 수요가 점차 증가할 것으로 예상된다.
figure 1에서와 같이 한국, 유럽, 중국 등에서 2020년, 2025년까지 계속해서
CO2 및 연비 규제가 강화되고 있고 미국도 2020년에 강화된 연비규제를 유
지하는 정책을 세우고 있다. 2020년 강화되는 연비규제를 만족시킬 수 있는
차는 현재로서는 전기자동차, 하이브리드 자동차, 수소전기 자동차가 유일하
다. 이러한 점에서 친환경차중 하나인 수소전기 자동차의 비중도 점차 강화
될 것으로 예상된다.

Figure 1 Fuel economy regulations at the

inside and outside of the country

- 1 -
 또한 국내에서는 수소충전소 인프라 확대로 인한 수소전기차의 대중화에
앞장서고 있다. 현재 국내에 31기의 수소충전소가 운영되고 있으며, Table 1
에서와 같이 2022년 준공과 착공을 포함한 수소충전소가 310기까지 확대될
전망이다. 이는 주요 도시에서 약 30분 거리마다 충전소가 위치하게 된다.
더 나아가 2030년과 2040년에는 660기, 1200기까지 수소충전소를 배치 할
예정이다. 이는 15분마다 충전소가 위치하는 것을 의미하며, 국내에서 수소
전기차의 대중화를 위해 앞장서고 있다는 것을 알 수 있다.
구분 ~ ‘19 ‘20 ‘21 ‘22 누계
일반 68 47 35 40 190
충전소
버스
주요 도시 충전소 - 18 22 20 60
소계 68 65 57 60 250
국비지원 10 16 13 - 39
고속도로& 국비지원 8 - - 13 21
환승센터 外
소계 18 16 13 13 60
합계 86 81 70 73 310
Table 1 Establishment plan of hydrogen charging station
이러한 점을 고려했을 때, 수소전기차의 다양한 제어 전략 연구가 다시 한
번 진행되고 있다. 그 중에서도 차량의 통신기술이 발전하면서 차량의 제어
전략을 단순히 규칙 기반이 아닌 전방 정보와 현재 상황을 고려하여 제어
전략을 세울 수 있다. 이러한 다양한 정보들을 활용하여서 앞으로 주행할
미래 속도 프로파일을 예측할 수 있다면 최적 제어 이론에 기반을 둔 제어
전략을 개발할 수 있으며, 실차에 활용할 수 있는 가능성이 높아질 것으로
예상된다.

- 2 -
1.2. 연구 동향
국내와 국외에서 수소전기차의 제어 전략에 대해서 많은 연구가 진행되어
왔다. 국내의 서울대학교와 서울과학기술대학교에서는 수소전기차의 등가
소모량 최소화 전략(Equivalent consumption minimization strategy, ECMS)
제어 전략을 개발하였다. ECMS 제어 전략을 통해 연료 소모와 배터리 사
이의 등가 파라미터를 정의하고 등가 파라미터에 의해서 차량 제어가 어떻
게 이루어지는지 그 방법론에 대해서 제시하였다. 또한 실차 적용성에 대해
서도 언급함으로써 ECMS 제어 전략의 실차 적용성에 대해서도 고려하였
다.
국외의 경우 독일의 Continental, 이탈리아의 Salerno 대학교, 중국의
SIAT(Shenzhen Institutes of Advanced Technology) 등에서 수소전기차의
폰트리아긴 최소화 원리(Pontryagin’s minimum principle, PMP)에 기반한
제어 전략과 동적계획법(Dynamic Programming, DP) 제어 전략 개발 및 비
교 그리고 시스템 내구성을 고려한 제어 전략 개발, DC/DC 컨버터 에너지
최적화, 연료전지 시스템과 배터리의 용량 최적화 등 다양한 연구를 진행했
다. 최적 제어 이론에 기반하여 차량의 구성요소를 최적화 시키는 수소전기
차의 제어 전략을 개발했다. 이러한 다양한 연구들이 시스템 최적화에는 의
의를 두고 있지만 실차에 대한 적용성이 낮고 그 알고리즘에 대한 편의성이
높지는 않았다. 이러한 국내외 연구의 동향성을 Table 2에 명시하였고 기존
연구와 차이점을 제시하였다.
본 연구에서는 이러한 점들을 고려하여 최적 제어 이론 중 하나인 동적계
획법에 기반하여 제어 알고리즘을 구성하였고, 연료전지 시스템 효율과
DC/DC 컨버터 효율, 수소전기차의 연비 모든 측면에서 최적화를 시켰다.
차량 데이터는 미국 아르곤 연구소에서 개발한 차량 시뮬레이터 오토노미
(Autonomie)의 수소전기차 모델 데이터를 활용함으로써 신뢰성을 갖췄다.

- 3 -
 또한 용량 스케일링 알고리즘을 추가하여 사용자의 요구에 맞춰 연료전지
시스템, 배터리, 모터 용량을 설정할 수 있고 필요에 따라 용량 스케일링을
통해 최적의 연료전지 시스템과 배터리 용량을 도출할 수도 있다. 최종적으
로 동적계획법 기반으로 새로운 규칙 기반 제어 전략을 도출하여 실차에 대
한 적용성도 갖추고 있다.
국내외 연구 동향
(중국)- COMPARISON OF PMP
제어 AND
DP IN및 FUEL
PMP & DP 기반의 전략 개발 비교. CELL HYBRID VEHICLES
(독일)Optimization
Evaluation ofAlgorithms
Efficiency-Enhancing Measures for Fuel Cell Vehicles Using
- 수소전기차의 DC/DC 컨버터 에너지 최적화
(중국)Considering
PMP-BasedMulti-Objective
Power Management Strategy of Fuel Cell Hybrid Vehicles
Optimization
- 시스템 내구성을 고려한 PMP 기반의 제어 전략 개발
(이탈리아)
the A Method
Fuel to Size the Stack and the Battery of a Fuel Cell Vehicle Reducing
Consumption
- 연료소모량을 줄이기 위한 연료전지 스택과 배터리 사이즈 최적화
(한국)- 연료전지 하이브리드
수소전기차의 ECMS 자동차의
전략 개발.ECMS
(한국)- 연료전지 하이브리드 차량의Algorithm)
유전자 알고리즘(Genetic 연비향상을이용한 위한 최적화.
배터리 동력분배 최적화
- 수소전기차의 연비와 시스템 효율 두 가지 요소 최적화
본 연구 - 동적계획법 제어 전략에 용량 스케일링 알고리즘 추가
- 동적계획법 기반의 규칙 기반 제어 전략 도출하여 실차 적용성 향상
Table 2 List of previous works

1.3. 연구 내용 및 목표
본 연구에서는 수소전기차의 연료전지 시스템과 고전압 배터리의 최적 운
전 전략 도출을 통한 연비 및 시스템 효율 향상을 목표로 한다. 추가로 최
적 운전 전략을 기반으로 실차 적용 가능한 규칙 기반 제어 전략 도출을 최
종 목표로 정하고 연구를 진행하였다. 차량 시뮬레이터 Autonomie의 수소전
- 4 -
기차 모델을 기반으로 차량 구성을 정의하였으며, 데이터 또한 Autonomie의
수소전기차 데이터를 사용하였다. 최적 제어 이론 중 동적계획법에 기반하
여 차량 제어 알고리즘을 구성하였고, 이 알고리즘을 통해 연료전지 시스템
과 고전압 배터리의 최적 동력 분배 제어 전략을 도출하였다. 최종적으로
최적 동력 분배 제어 전략을 통하여 새로운 규칙 기반 제어 전략을 도출하
였고 이를 차량 시스템에 적용하였다.
결과적으로 3가지 제어 전략(동적계획법 제어 전략, 동적계획법 기반 규칙
기반 제어 전략, 기존의 규칙 기반 제어 전략)에 대해 3가지 사이클(UDDS,
HWFET, WLTC)에서 연비와 시스템 효율을 비교 검증하였다. 그리고 연비
와 시스템 효율 향상 원인에 대해서 분석하였다.
동적계획법 기반 제어 전략의 경우 수소전기차의 최대 성능을 이끌어냄으
로써 실제 차량 제어 전략 평가에 활용할 수 있다. 동적계획법 기반 규칙
기반 제어 전략은 실차에 적용할 수 있는 제어 전략으로 실제 차량 Dyno
시험에 적용하여 그 성능을 평가할 수 있다.

- 5 -
 제2장 수소전기차

2.1. 수소전기차의 종류 및 특징

2.1.1. 수소전기차의 종류
세계적으로 대표적인 수소전기차는 현대의 넥쏘(2018)와 투싼 ix(2013), 도
요타의 미라이(2018), 혼다의 클래리티(2016)가 있다. 넥쏘는 항속거리, 최고
속도, 가속성능 등 대부분 측면에서 다른 차종들과 비교했을 때 가장 우수
한 것으로 판단하고 있다. 넥쏘는 최고출력 133kW, 항속거리 609km로 가장
높은 출력과 가장 긴 항속거리를 가지고 있다. 수소전기차의 상세 스펙은
아래 Table 3에 나타내었다.
Nexo 투싼 ix 미라이 클래리티
제조사 Hyundai Hyundai Toyota Honda
최고출력 133kW 95kW 113kW 130kW
수소탱크용량 6.33kg 5.64kg 5kg 5.46kg
연비 96.2km/kg 77.1km/kg 100.4km/kg 107.8km/kg
항속거리 609km 415km 502km 589km
배터리 리튬이온 리튬이온 니켈수소 리튬이온
Table 3 Types of fuel cell electric vehicles

- 6 -
2.1.2. 수소전기차의 특징
수소전기차는 크게 두 가지 동력원, 연료전지 시스템과 고전압 배터리를
이용하여 운행하는 차량이다. 연료전지는 수소를 공급하여 전기를 발생시키
는 하나의 시스템이다. 연료전지 내에서 수소의 연소 반응은 식 (1), (2)와
같이 2개의 전기화학적 반쪽반응으로 나눌 수 있다.
 ⇔  

 
(1)




     ⇔  


(2)
위 반응들은 수소반응과 산소반응에 의해 이온과 전자를 발생시키고 흐
르는 전자들은 부하에 전기를 공급하여 에너지를 공급한다. 즉, 연료전지가

Figure 2 Fuel cell i-V curve

전기를 생산해 내는 것이다. 이러한 연료전지는 화학적 에너지로부터 직접
전기 에너지를 생산해낸다. 다양한 에너지 변환을 거치는 연소기관에 비해
효율적인 면에서 우수한 특성을 가지고 있다. 연료전지의 성능은 Figure 2
의 전류-전압 특성 그래프로 나타낼 수 있다. Figure 2 는 PEMFC의 전형

- 7 -
적인 그래프로 전류량에 해당하는 전압을 보여준다. 이 때, 연료전지의 사이
즈에 따라 전기 생산량이 달라지기 때문에 전류량은 전류밀도로 나타낸다.
Figure 2 에서와 같이 실제 연료전지의 출력 전압은 다양한 손실들에 의해
점차 낮아지게 된다.
  
 
   (3)


식 (3)에서 실제 출력 전압을 V라 하면 이상적 출력 전압에서 반응속도에

의한 활성화 손실( ), 이온과 전자 전도에 의한 저항 손실(  ), 물질 전
  

달에 의한 농도 손실(  )을 고려한 전압이 출력된다.



Figure 3은 연료전지의 전력 밀도 곡선으로 연료전지는 전력밀도의 최고

점 혹은 그 이하에서 작동한다. 일반적으로 Figure 3에서 연료전지의 전압
축을 효율 축으로 봐도 무방하다. 전력밀도의 최고점 이전까지는 전압효율
은 점차 저하하고 전력밀도는 향상한다. 최고점 이후에서는 전압효율과 전
력밀도 모두 저하하는 것을 볼 수 있다.

Figure 3 Fuel cell power density curve

본 연구에서는 이러한 연료전지와 그 외에 시스템(압축기, 펌프 등)을 하
나의 시스템으로 묶어 하나의 연료전지 시스템으로 구성하였다.

- 8 -
2.2. 수소전기차의 구성
수소전기차의 구성은 크게 연료전지 시스템, 고전압 배터리, 12V 배터리,
DC/DC 컨버터, 인버터, 모터, 감속기 등으로 구성되어 있다. 전체적인 구성
은 Figure 4와 같이 미국 아르곤 연구소에서 개발한 차량 시뮬레이터 오토
노미의 수소전기차 모델을 바탕으로 구성하였다.

Figure 4 Composition of fuel cell electric vehicle

연료전지 시스템과 고전압 배터리, 두 가지 동력원이 있고 전장부품을 위

한 12V 배터리가 있다. 필요에 따라 회생되는 에너지와 연료전지 시스템이

- 9 -
고전압 배터리를 충전한다. 내연기관차나 하이브리드 차와는 다르게 변속기
는 존재하지 않으며 감속기만 존재한다. 이번 연구에서 사용한 상세 차량
파라미터들은 Table 4와 같다. 연료전지 시스템(Figure 5, 6)과 모터(Figure
7), 고전압 배터리(Figure 8, 9)에 대한 상세 스펙은 아래 그래프를 이용하여
나타내었다.

고전압 배터리(SOC, 전압, 내부저항) -

BHDC 충방전 효율 95 %
모터 시스템 효율(토크, RPM) -
감속비 4.44
타이어 동반경 0.3011 m
LDC 방전 효율 95 %
12V 배터리 소모 파워 400 W
f0 34.6630
주행 저항 f1 0.1927
f2 0.0235
차량 무게 1914.2 kg
고전압 배터리 타겟 SOC 60 %
고전압 배터리 Max 용량 7.4050 Ah
연료전지 시스템 Max 출력 80 kW
모터 Max 출력 100 kW
연료전지 시스템 연료소모량 -
연료전지 시스템 효율 -
Table 4 Parameters of fuel cell electric vehicle

- 10 -
 10-3 Fuel Cell System Fuel Rate
7
Fuel Cell System Fuel Rate[kg/s]

Fuel Rate Line

6

0
0 10 20 30 40 50 60 70 80
Fuel Cell System Power[kW]
Figure 5 Relationship between fuel cell power and fuel rate
Fuel Cell System Efficiency
70
Fuel Cell System Efficiency[%]

Efficiency Line
60

50

40

30

20

10

0
0 10 20 30 40 50 60 70 80
Fuel Cell System Power[kW]
Figure 6 Relationship between fuel cell power and fuel cell system efficiency

- 11 -
 Motor Efficiency Map
300

75
70
87

87
65
60
55
50
40
30
89

89
Motor Eff. (%)

87
86
88

85

88
7075

87
80

65
Max. Torque (Nm)
87

87
60
55
50
40
30
87

87
200
89

89
87

87
87
87

86 5
90

8
88

88
Motor torque (Nm)

100
90

80
8988 87 6
8 85 89

88
705
65605
05
340 0
80 7
75
70 8775
85
86
80

5
7570
65 65
60
55 70
65
60
55
50 50 60
55
50
4030 40
30 40
0 30
30
40 30 30
40
50
55 40
50 50
55
60
65
70 55
60
65 60
65
7075
75 80
87
86
85 770
650500
5 30
80
7605
88

75
858687 8
89 8 89
80

90
-100

90
88

886

88
5

87
87

89
89
87

87
-200
30
87

87
50
5540
60
65
87

7570

87
80
87
88

88
85
86
87
89

89
30
40
50
55
60
65
70
75

-300
87

-8000 -6000 -4000 -2000 0 2000 4000 6000 87

8000
Motor speed (rpm)

Figure 7 Motor efficiency map according to motor torque and speed

Power Limit(Pack)
15

10
Max Pack Power(kW)
5 Min Pack Power(kW)
Power[kW]

-5

-10

-15
0 20 40 60 80 100
SOC[%]
Figure 8 Relationship between battery state of charge and power limit

- 12 -
 Open Circuit Voltage (Pack)
3400
Pack OCV (V)

3200
Voltage (V)

3000

2800

2600
0 20 40 60 80 100

Internal Resistance (Pack)

20
Discharging Resistance, Pack (Ohm)
Charging Resistance, Pack (Ohm)
Resistance (Ohm)

15

10

0
0 20 40 60 80 100
SOC (%)

Figure 9 Relationship between battery state of charge and voltage

/ battery state of charge and resistance
2.3. 수소전기차의 제어 전략
본 연구의 타겟 차량인 수소전기차는 일반적으로 배터리 State of
Charge(SOC)에 따라 주행 환경을 설정한다. Figure 10에서와 같이 배터리
SOC가 일정 기준점 이상이 되면 EV(Electric Vehicle) 모드 주행을 하며,

- 13 -
기준점 이하로 내려가게 되면 필요에 따라 연료전지와 배터리를 이용한
HEV(Hybrid Electric Vehicle) 모드 주행을 하게 된다. 또한 배터리가 일정
기준점 이상이라도 상황에 따라 EV모드가 아닌 HEV모드로 주행할 경우도
존재하고, HEV 모드에서도 특정 상황에서는 배터리를 충전하면서 가속할
경우도 존재하게 된다. 이처럼 실제 차량은 이보다 더 복잡하고 다양한 환
경 조건을 고려하여 제어 파라미터들을 선정하고 제어 모드를 결정하게 되
지만 간략하게 나타내면 Figure 10과 같이 주행모드가 결정되게 된다.

Figure 10 Driving mode of fuel cell electric vehicles according to battery state of charge
본 연구에서는 이러한 수소전기차의 제어 전략을 최적 제어 이론에 기반
하여 개발하였다. 차량의 상태에 따라 연료전지 시스템과 고전압 배터리의
동력 분배를 정하는 것이 아닌 동적계획법에 의해서 최적 동력 분배 제어
전략을 개발하고 이를 적용하였다.

- 14 -
 제3장 최적 제어 이론

3.1. 동적 계획법(Dynamic Programming)

최적 제어 이론 중 한 가지 이론으로, 글로벌 솔루션을 찾아주는 궁극의
최적 제어 이론이다. 최소화하고자 하는 것을 목적함수로 설정하고 제어 파
라미터를 설정해 시스템이 갈 수 있는 모든 경로를 탐색하여 목적함수를 최
소화하는 경로를 찾는 이론이다. 뒤에 언급하는 Pontryagin’s Minimum
Principle에 비해 계산 량은 많지만 글로벌 솔루션을 찾아준다는 장점이 있
다. 실시간으로 제어해야 하는 시스템에는 적용하기 힘들지만 제어전략의
성능을 평가하는 용도로 사용될 수 있다.
동적계획법은 간단하게 설명하면 Figure 11과 같이 최적 길 찾기 문제다.
Figure 11에서와 같이 0부터 1까지 가는 3가지 경로에 대해 모든 경로를 다
해봄으로써 최소의 Cost를 갖는 가장 최적의 경로를 찾아 문제를 해결하는
방식이다.

Figure 11 A example of finding a way

- 15 -
 기본적으로 동적계획법은 Bellman equation에 기반하여 글로벌 솔루션을
도출해준다. 그러므로 사이클과 모든 상태 변수는 Figure 12에서 보는 것과
같이 불연속적이다. 이번 연구에서도 차량의 주행 사이클을 시간별로 나눠
서 불연속적으로 가정하고 계산을 진행하였다. 동적계획법의 계산 방식은
Backward 방식을 택하고 있으며 이는 Forward 계산 방식보다 계산 량을
줄일 수 있다. Forward 방식으로 계산을 하면 State(  )에서 정해진
State(    )로 가기 위한 Control(  )를 찾아야하는 반복적인 계산 작업
이 필요해서 Backward 방식에 비해 계산 량이 많다. 이러한 이유로 이번
연구에서는 Backward 방식을 택하여 알고리즘을 구성하였다.

Figure 12 Method of determination optimal path using Dynamic

Programming
이를 수식적으로 표현하면 다음과 같다.
(4)

  


      (5)

이 때, 식 (4)에서  는 최소화하려는 목적함수(Cost)를 의미하고, 는
state, 는 control이다. Figure 12에서와 같이  부터 까지 Cost는

- 16 -
 로 정해져 있고, 이를 기반으로 에서 까지 최소의 Cost( )를 갖
   
 

는 최적의 컨트롤  를 선정한다. 이를 수식적으로 나타내면 식 (6)과 같



다.

   min 
   
  
   (6) 
   

식 (6)을 일반화하면 아래의 식 (7)과 같이 나타낼 수 있다.  는

    에 따른   에서      까지의 Cost를 의미한다.

      

 min                  
(7)
이번 연구에서 적용시킨 동적계획법은 다음과 같이 목적함수(식 (8))와 제
어 파라미터(식 (9))를 선정하였다.
     (8)  

    (9)

위의 식에서  은 수소 소모량을 나타내고, 는 배터리 파워를 나타낸다.


Figure 12에서와 같이 state와 step은 고전압 배터리 SOC와 시간으로 설정

Figure 13 Internal resistance battery

model

- 17 -
하였다. 고전압 배터리 SOC의 최소, 최댓값은 10%~90%로 설정하였다.
배터리는 내부저항 모델(Figure 13)을 사용하였고, 각 배터리 파라미터들
사이의 관계는 다음의 상태 방정식(10)으로 표현할 수 있다. 이 때 알고리즘
경계 조건으로는 초기 배터리 SOC와 최종 배터리 SOC를 60%로 설정하였
다.
   

      
   

(10)
       (11)
위의 식에서  는 배터리 용량을 나타내고,  는 배터리 파워, 배터리
 

의 내부저항 과    , 의 경우 배터리 SOC에 따라

변화한다.
모든 시뮬레이션은 Matlab code 기반으로 진행하였고, 앞에서 언급한데로
Backward 방식으로 계산을 하였다. 동적계획법 알고리즘은 Figure 14와 같
은 순서로 구성되어 있다. 차량 데이터와 차량이 주행 할 시뮬레이션 사이
클 데이터를 받아오고, 이 사이클에 따라 각 스텝별로 Motor의 요구 스피드
와 요구 토크를 계산한다. 이를 기반으로 최적의 연료전지 시스템 파워와
고전압 배터리 파워를 결정하기 위한 계산을 하고 각 state와 step별 계산
결괏값을 저장해 놓는다.
  
  
 
(12)

       

이 때, 식 (12)에 의해 차량의 요구 파워( )는 배터리 파워 

( )와 연료전지 시스템의 파워( )의 합이므로, 배터리 파

  

워를 결정하게 되면 연료전지 시스템 파워는 자동으로 결정되게 된다. 이러

한 식들을 기반으로 현재의 SOC와 Cost, 그리고 지금까지의 Cost를 고려하
여 최적의 배터리 파워와 연료전지 시스템 파워가 결정되게 된다. 마지막

- 18 -
 단계로 초기 SOC 값을 정해주면 최적의 경로를 정하여 초기 경계 조건을
만족시키는 최적 결괏값을 도출한다.

Figure 14 Composition of Dynamic Programming algorithms

3.2. 폰트리아긴 최소화 원리(Pontryagin’s Minimum Principle)

최적 제어 이론 중 한 가지 이론으로 해밀토니안(Hamiltonian) 원리로부터
도출된 이론이다. 연역적 탐색 방법으로 글로벌 솔루션은 아니지만 로컬 솔
루션을 도출해준다. 최소화하고자 하는 것을 목적함수로 정의하고 라그랑즈
상수(Lagrange Multiplier)를 사용하여 목적함수와 컨스트레인 방정식
(Constraint Equation)을 하나의 식으로 결합하는데, 이 식을 해밀토니안
(Hamiltonian)이라 한다. 폰트리아긴 최소 원리는 동일한 의미로 해밀토니안
을 최소화하는 원리이다. 이번 연구에 적용하지는 않았지만 이러한 제어 방

- 19 -
식은 동적계획법에 비해 계산 량이 적으며 실시간으로 제어해야 하는 실제
차량에 적용할 수 있는 여지가 존재한다. 동적계획법과 마찬가지로 다음과
같이 파라미터들을 정의한다. 목적함수(식 (13))를 수소 소모량, 컨스트레인
방정식을 배터리의 상태방정식(식 (14))으로 정의하고, 해밀토니안(식 (15))
은 이 두 가지 식을 하나의 식으로 결합한 식으로 등가연비라 표현할 수 있
다. 동적계획법과 동일하게 아래 식에서  은 수소 소모량을 나타내고, 

 는 배터리 용량,  는 배터리 파워, 은 배터리의 내부저항,  는 배터

 

리 전압을 나타낸다.
     (13)
   

      
   

(14)
  min   
  
     ∙ 
 (15)

는 해밀토니안, 는 등가상수이다. 등가상수는 수소 소모량 대비 전기에

너지의 상대적인 가치를 결정해주는 역할을 하고 해밀토니안은 등가연료소
모량을 의미한다. 등가상수는 미분방적식으로 다음 식 (18)과 같이 나타낼
수 있다.
 


(18)

등가연료 소모량으로 정의한 해밀토니안 식에서의 수소 소모량과 배터리

소모량은 식 (18)에서 보는 것과 같이 밀접한 연관 관계가 있다. 차량 요구
파워에 대해 배터리 파워가 정해지면 그에 따라 연료전지 시스템 파워도 정
해지므로 배터리 파워 값이 정해지면 해밀토니안의 값이 도출될 수 있다.
이 때, 등가상수는 배터리 소모량의 수소 소모량에 대한 상대적 가치를 정

- 20 -
해주는 역할을 하므로, 등가상수에 따라 같은 상태에서도 배터리를 방전하
거나 충전하게 된다. 등가 상수가 임의로 정해지고 차량 요구파워가 정해지
면, 배터리 파워 당 수소 소모량을 최소화하는 작동점을 도출할 수 있다. 이
를 파레토 프론티어(Pareto Frontier)라고 명명한다. 파레토 프론티어를 기반
으로 차량의 요구파워 별 해밀토니안 맵을 도출하고 이를 이용하여 알고리
즘을 구성하게 된다.
폰트리아긴 최소 원리로부터 도출된 최적 동력분배 제어전략은 앞에서 언
급한 것과 같이 글로벌 솔루션이 아닌 최적 해에 대한 필요조건만 제시하지
만, 이전의 연구에서 폰트리아긴 최소 원리로부터 얻은 해가 하이브리드 차
량의 에너지 관리측면에서 절대 최적의 해가 될 수 있다는 사실을 증명했
다. 이번 연구에서의 타겟 차량인 수소전기차량의 경우도 하이브리드 차량
과 동일하게 전략을 정의하고 있기 때문에 동적계획법과 같이 최적의 해를
도출할 수 있는 여지가 있다.

- 21 -
 제4장 최적화 알고리즘 성능 검증 및 비교

4.1. Simulation 결과
본 연구에서는 동적계획법 이론을 수소전기차 제어 전략에 적용하였고, 그
결과를 총 3 가지 사이클(UDDS, HWFET, WLTC)에서 평가하였다. 기존의
규칙 기반 제어 전략과 연비와 연료전지 시스템 효율, DC/DC 컨버터 효율
향상도를 비교하였다. 이 때, 동적계획법의 State는 배터리 SOC이고, Step은
시간, Cost는 연료소모량, Control은 배터리 파워로 선정하였다.
UDDS Speed Profile
Vehicle Speed[m/s]

30

20

10

0
0 200 400 600 800 1000 1200 1400

HWFET Speed Profile

Vehicle Speed[m/s]

30

20

10

0
0 100 200 300 400 500 600 700 800

WLTC Speed Profile

Vehicle Speed[m/s]

40

20

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
time[s]

Figure 15 UDDS, HWFET, WLTC speed profile

- 22 -
4.1.1. 동적계획법(Dynamic Programming) 최적성 검증
Autonomie의 수소전기차 데이터를 활용하여 동적계획법 기반의 수소전기
차의 연료전지 시스템과 고전압 배터리의 최적 동력 분배 제어 전략을 도출
하였다. 일반적으로 동적계획법 기반의 제어 전략의 최적성을 검증할 때 시
간과 배터리 SOC에 대해 연료소모량 맵을 도출시키고, 그 위에 SOC 경로
를 도출하여 그 최적성을 검증한다. 3 가지 사이클에서 모두 SOC와 시간에
대한 Optimal Surface가 Figure 16~18과 같이 도출되고, 그 위에 SOC 경로
를 나타내면 Figure 19~21과 같은 결괏값을 확인할 수 있다. 알고리즘 계산
방식은 백워드로 계산하였기 때문에 경계조건인 최종 SOC가 60%로 일치하
는 것을 확인할 수 있고, 초기 SOC가 다양하게 도출되는 것을 볼 수 있다.
이 때, 마지막 과정으로 경계 조건 중 하나인 초기 SOC를 선정함으로써 최
적 경로가 도출된다.
Figure 19에서 초기 SOC 별로 SOC 경로를 보게 되면 비슷한 경향성을
갖고 최종 SOC에 도달하는 것을 볼 수 있다. 또한 그 경로가 서로 겹치지
않는 것도 확인할 수 있다. 이렇게 초기 SOC에 따른 모든 경로가 겹치지
않았을 때 동적계획법 제어 전략의 최적성이 검증된다고 할 수 있다. 만일
SOC 경로가 겹치게 되면 하나의 초기 SOC에 따라서 최적 경로 2 가지가
도출될 수 있다는 것을 의미하기 때문에 이런 경우 알고리즘의 최적성이 보
장되지 않는다. 이번 연구 결과로는 Figure 19와 같이 Optimal Surface를
도출했을 때 각 SOC 경로가 겹치지 않고 최종 SOC에 도달하는 것을 확인
할 수 있었고, 그 결과 알고리즘의 최적성을 검증하였다.

- 23 -
Figure 16 Optimal surface in UDDS cycle

Figure 17 Optimal surface in HWFET cycle

- 24 -
 Figure 18 Optimal surface in WLTC cycle

Figure 19 Battery SOC trajectory on optimal surface in UDDS cycle

- 25 -
Figure 20 Battery SOC trajectory on optimal surface in WLTC cycle

Figure 21 Battery SOC trajectory on optimal surface in WLTC cycle

- 26 -
4.1.2. 규칙 기반 제어 전략(Rule-based)과
동적계획법(Dynamic Programming) 제어 전략 비교 검증
동적계획법 제어 전략의 최적성을 평가하기 위해 기존의 규칙 기반 제어
전략과 연비와 시스템 효율을 비교하였다. 동적계획법 알고리즘에서 경계조
건을 초기 SOC와 최종 SOC를 60%로 일치시켰지만, 규칙 기반 제어전략과
의 정확한 비교를 위해서 초기 SOC를 60%가 아닌 규칙 기반 제어 전략의
초기 SOC와 일치시켰다. 또한 규칙 기반 제어 전략도 동적계획법과 같은
방식인 백워드로 계산을 하였다.
UDDS 사이클 기준으로 Figure 22에서와 같이 초기 SOC는 62%로 일치
시켜서 비교하였다. 그 결과 연료 소모량은 기존 제어 전략은 0.1223kg, 동
적계획법은 0.1163kg 소모하였다. 약 5.16% 정도 동적계획법 제어 전략에서
연료 소모량이 감소하였다. 연료전지 시스템 효율은 각각 54.35%, 58.18%로
동적계획법 제어 전략이 약 3.83% 향상된 결과를 얻을 수 있었다.
UDDS SOC
0.7
Rule based
Dynamic Programming

0.65
SOC[0 1]

0.6

0.55

0.5
0 200 400 600 800 1000 1200 1400
time[s]
Figure 22 Battery SOC trajectory in UDDS cycle

- 27 -
 UDDS Fuel Consumption
0.15 Rule based
Dynamic Programming
Fuel Consumption[kg]

0.1

0.05

0
0 200 400 600 800 1000 1200 1400
time[s]
Figure 23 Fuel consumption in UDDS cycle
Figure 24는 연료전지 시스템 효율 곡선에 연료전지 시스템의 작동 포인
트를 나타낸 그래프이다. 동적계획법 알고리즘이 기존 제어 전략에 비해서
확실히 고효율 영역에 작동 포인트가 밀집되어 있는 것을 볼 수 있다.

Figure 24 Fuel cell efficiency line and operation point in UDDS cycle
(Left: Rule-based, Right: Dynamic Programming)

- 28 -
 이렇게 동적계획법 제어 전략이 연료전지 시스템 효율을 향상시킬 수 있
었던 이유를 분석하면 다음과 같다. 우선 동적계획법 알고리즘은 차량이 주
행할 전체 사이클을 알고 배터리 파워와 연료전지 시스템 파워를 결정한다.
그렇기 때문에 배터리 파워를 좀 더 능동적으로 사용하면서 경계 조건을 만
족하는 주행 제어 전략을 세울 수 있다. Figure 25와 26은 UDDS 사이클에
서 연료전지 시스템을 고효율 영역에서 작동시키는 예시이다. 170초 영역과
200초 영역에서 보이는 것과 같이 연료전지 시스템이 필요 파워보다 더 높
은 파워를 내면서 배터리를 충전하고 연료전지는 고효율 영역인 30kW 근처
에서 작동하게 한다. 이러한 제어 전략을 동적계획법 알고리즘에서는 사용
할 수 있기 때문에 기존 제어 전략보다 효율이나 연비 측면에서 더 향상된
결과를 얻을 수 있었다. 다른 HWFET 사이클과 WLTC 사이클에서도 동일
한 경향을 보였고, 그 결과 연료전지 시스템 효율과 연비 두 가지 측면에서
모두 향상된 결과를 얻었다.
UDDS Fuel Cell Power
50
Rule based
Dynamic Programming
40
Fuel Cell Power[kW]

30

20

10

0
160 170 180 190 200 210
time[s]
Figure 25 Fuel cell power according to each control strategy in UDDS cycle

- 29 -
 UDDS Battery Power
30
Rule based
20 Dynamic Programming
Battery Power[kW]

10

-10

-20

-30
160 170 180 190 200 210
time[s]
Figure 26 Battery power according to each control strategy in UDDS cycle
Figure 27~29는 HWFET 사이클에서 초기 SOC를 일치시킨 후 연료 소모
량과 연료전지 시스템 작동 포인트를 나타낸 그래프이다. 초기 SOC는
63.5%로 일치시켰고, 그 때의 연료 소모량은 기존 제어 전략은 0.1656kg, 동
적계획법은 0.1544로 약 6.7%로 연료 소모량이 감소하였다.
HWFET SOC
0.7
Rule based
0.65 Dynamic Programming

0.6
SOC[0 1]

0.55

0.5

0.45

0.4

0.35
0 100 200 300 400 500 600 700 800
time[s]
Figure 27 Battery SOC trajectory in HWFET cycle

- 30 -
 HWFET Fuel Consumption
0.25
Rule based
Dynamic Programming
0.2
Fuel Consumption[kg]

0.15

0.1

0.05

0
0 100 200 300 400 500 600 700 800
time[s]
Figure 28 Fuel consumption in HWFET cycle

Figure 29 Fuel cell efficiency line and operation point in HWFET cycle
(Left: Rule-based, Right: Dynamic Programming)
연료전지 시스템 효율은 각각 56.36%, 59.31%로 동적계획법 제어전략이
약 2.95% 향상된 효율을 얻었다.

- 31 -
 Figure 30~32는 위와 동일하게 WLTC 사이클에서 초기 SOC를 일치시킨
후 연료 소모량과 연료전지 시스템 작동 포인트를 나타낸 그래프이다. 초기
SOC는 64%로 일치시켰고, 그 때의 연료 소모량은 기존 제어 전략은
0.2180kg, 동적계획법은 0.2031로 약 6.8%로 연료 소모량이 감소하였다.
WLTC SOC
0.7
Rule based
0.65 Dynamic Programming

0.6
SOC[0 1]

0.55

0.5

0.45

0.4

0.35
0 500 1000 1500 2000
time[s]
Figure 30 Battery SOC trajectory in WLTC cycle
WLTC Fuel Consumption
0.3
Rule based
0.25 Dynamic Programming
Fuel Consumption[kg]

0.2

0.15

0.1

0.05

0
0 200 400 600 800 1000 1200 1400 1600 1800
time[s]
Figure 31 Fuel consumption in WLTC cycle

- 32 -
 Figure 32 Fuel cell efficiency line and operation point in WLTC cycle
(Left: Rule-based, Right: Dynamic Programming)
연료전지 시스템 효율은 각각 54.60%, 58.83%로 동적계획법 제어전략이
약 4.23% 향상된 효율을 얻었다.
결과적으로 3 가지 사이클 기준으로 평균 향상도를 평가하면 다음과 같다.
모든 사이클에서 연비와 연료전지 시스템 효율은 향상된 결과를 얻을 수 있
었고, DC/DC 효율의 경우 동일하거나 아주 소폭 향상된 것을 확인할 수 있
었다. 상세한 연비와 시스템 효율은 아래 Table 5에 명시하였다. 연료 소모
량을 연비 측면으로 환산하면 3 가지 사이클 평균 약 6.49% 향상되었고, 연
료전지 시스템 효율은 평균적으로 3.67% 향상되었다. 미래 주행 정보를 알
고 있고 배터리를 기존 제어 전략보다 능동적으로 사용하여 연료전지 시스
템을 고효율 영역에서 많이 작동시켜 효율이나 연비 측면에서 향상된 결괏
값을 얻을 수 있었다고 해석된다.

- 33 -
 Rule-based Dynamic
Programming
Fuel Economy[km/kg] 98.03 103.06(5.13% ▲)
UDDS FC system efficiency[%] 54.35 58.18(3.83% ▲)
DC/DC efficiency[%] 95.32 95.32( - )
Fuel Economy[km/kg] 99.70 106.88(7.21% ▲)
HWFET FC system efficiency[%] 56.36 59.31(2.95% ▲)
DC/DC efficiency[%] 95.43 95.47(0.04% ▲)
Fuel Economy[km/kg] 106.15 113.75(7.15% ▲)
WLTC FC system efficiency[%] 54.60 58.83(4.23% ▲)
DC/DC efficiency[%] 95.40 95.41(0.01% ▲)
Table 5 Compare results according to each control strategy

4.1.3. 동적계획법 제어 전략 기반의 규칙 기반 제어 전략 도출

동적계획법 제어 전략의 경우 궁극의 최적 솔루션을 도출해주지만 현시점
에서 실차에 적용은 힘들다는 단점을 가지고 있다. 이러한 점을 극복하기
위해서 동적계획법 제어 전략에 기반하여 규칙 기반 제어 전략을 도출하였
고, 이를 기존의 규칙 기반 제어 전략 대신 적용하였을 때의 연비와 연료전
지 시스템 효율을 평가하였다. 이 제어 전략의 경우 맵 기반으로 차량을 운
행하기 때문에 실제 차에 바로 적용이 가능하다는 가장 큰 장점을 가지고
있다. 새로운 규칙 기반 제어 전략은 동적계획법 알고리즘으로부터 연료전
지 시스템과 배터리의 제어 로직과 동력 분배비를 도출하여서 이를 기반으
로 구성하였다. Figure 33과 34는 UDDS 사이클에서의 연료전지 시스템과
배터리의 제어 로직과 동력분배비이다. 모터의 요구파워가 작은 영역에서는
배터리로만 주행하고 연료전지 시스템은 사용하지 않는 것을 볼 수 있다.

- 34 -
그 이유는 앞에서 말했듯이 연료전지 시스템을 고효율 영역에서 사용하기
위함이다. 모터의 요구파워가 점점 증가함에 따라 어느 시점 이상이 되면
연료전지 시스템을 작동시켜 차량을 운행하고 있다. 이에 따라 배터리는 충
전하거나 혹은 요구 파워가 클 경우 두 동력원을 이용하여 파워를 내고 있
는 것을 그래프를 통해 확인할 수 있다. 다른 사이클에서도 비슷한 결괏값
이 도출되었다. 이러한 점을 고려하여 Figure 35와 같이 이번 시스템에 적
용할 개략적인 제어 로직을 도출하였고, 연비와 시스템 효율을 평가하였다.

Figure 33 Dynamic Programming control logic in UDDS cycle

Figure 34 Power split ratio of Dynamic Programming algorithm in UDDS

cycle

- 35 -
 Figure 35 Rule-based control logic based on Dynamic Programming

앞에서의 연구와 동일하게 초기 SOC를 일치 시킨 후 3 가지 사이클에서

동적계획법 제어 전략과 결괏값을 비교하였고 Table 6 같은 결과를 얻었다.
최적 제어 전략만큼 최적의 성능을 제공하고 있지는 않지만 기존 제어 로직
보다는 향상된 연비와 연료전지 시스템 효율을 확인할 수 있다.
Dynamic Rule-based strategy
Programming based on DP
Fuel Economy[km/kg] 123.47 119.36(3.44% ▼)
UDDS
FC system efficiency[%] 57.99 55.17(2.82% ▼)
Fuel Economy[km/kg] 107.42 102.87(4.42% ▼)
HWFET
FC system efficiency[%] 59.29 57.41(1.88% ▼)
Fuel Economy[km/kg] 72.71 70.18(3.60% ▼)
WLTC
FC system efficiency[%] 58.99 56.66(2.33% ▼)
Table 6 Compare results according to each control strategy
Figure 36은 동적계획법의 제어 전략의 연비와 연료전지 시스템 효율을
100%라고 가정했을 때, 기존 제어 전략과 최적 제어 기반 제어 전략의 효율

- 36 -
을 나타낸 그래프이다. 동적계획법 제어 전략을 100%라 했을 때 최적 제어
기반 제어 전략과 기존 제어 전략의 경우 연비는 96.18%, 93.51%, 연료전지
시스템의 경우 97.66%, 96.33%로 표기할 수 있다. 그래프에서도 볼 수 있듯
이 기존 제어 로직보다 연비는 약 2.67% 향상되었고, 연료전지 시스템 효율
은 약 1.33% 향상되었다.

Figure 36 Compare fuel economy and fuel cell efficiency according to each
control strategy

결과적으로 동적계획법 기반의 규칙 기반 제어 전략은 글로벌 솔루션을

도출해주지는 않지만 기존의 제어 전략보다는 연비와 시스템 효율 측면에서
모두 향상된 결과를 얻을 수 있었다.

- 37 -
 제5장 결론 및 고찰

본 연구에서는 수소전기차의 에너지 관리 최적화를 위한 동적계획법 기반

의 제어 전략을 개발하였다. 최적 제어 전략을 차량 시스템에 적용 후 기존
의 규칙 기반 제어 전략과 차량 연비와 시스템 효율을 총 3 가지 사이클에
서 비교 평가하였다. 차량 모델의 구성과 데이터는 미국 아르곤 국립 연구
소에서 개발한 차량 시뮬레이터 Autonomie의 수소전기차 모델을 바탕으로
하였다.
동적계획법(Dynamic Programming)은 최소화 시키려는 목적함수와 제어
파라미터를 설정한다. 그리고 계산량을 최소화하면서 모든 경우의 수를 고
려하여 정해진 주행 사이클에서 경계조건을 만족하는 궁극의 최적 솔루션을
도출해준다. 본 연구에서는 목적함수로 수소 소모량을 설정함으로써 수소
소모량을 최소화하는 연료전지 시스템과 배터리의 최적 동력 분배 제어 전
략을 도출하였다. 동적계획법에 의한 제어 전략은 일정 요구 동력 이하에서
는 연료전지 시스템의 효율이 좋지 않기 때문에 배터리를 주 동력원으로 사
용한다. 일정 동력 이상이 필요할 경우 연료전지 시스템을 주 동력원으로
사용하고, 연료전지 시스템을 고효율 영역에서 작동시키기 위해 배터리의
파워를 조절한다. 더 많은 동력을 차량이 요구할 경우 배터리와 연료전지
시스템을 같이 작동함으로써 요구 동력을 충족시키게 된다.
결과적으로 3 가지 사이클에서 최적 제어 전략을 적용한 수소전기차의 연
비는 평균적으로 6.49% 정도 향상되었고, 연료전지 시스템 효율은 3.67% 정
도 향상되었다.
최적 제어 전략의 경우 미래 주행 정보가 필요하고 계산량이 많다는 치명

- 38 -
적인 단점이 있다. 이러한 단점을 극복하고자 동적계획법 기반의 최적 제어
전략을 활용하여 새로운 규칙 기반 제어 전략을 개발하였다. 앞에서 연구한
3 가지 사이클에서 모두 비슷한 연료전지 시스템과 배터리의 동력분배비가
도출되었기 때문에, 이를 활용하여 제어 전략을 도출하였다. 새로운 규칙 기
반 제어 전략을 기존의 차량 시스템에 적용하였을 때, 3 가지 사이클에서
연비는 평균 2.67% 정도 향상되었고, 연료전지 시스템 효율은 평균 1.33%
정도 향상되었다.
본 연구에서 최종적으로 두 가지 제어 전략을 개발하였다. 동적계획법 기
반의 규칙 기반 제어 전략의 경우 동적계획법 제어 전략만큼 성능이 좋지는
않지만 기존 제어 전략보다는 향상된 결과를 얻을 수 있었다. 또한 많은 계
산량을 요구하지 않고 실차에 바로 적용이 가능하기 때문에 적용성이나 활
용성이 상당히 높다고 볼 수 있다. 동적계획법 제어 전략의 경우 글로벌 솔
루션으로 현재의 실차 적용은 힘들지만 실차의 제어 전략 평가에 활용 할
수 있다. 향후 차량 통신 기술의 발전으로 미래 속도 프로파일을 예측할 수
있다면 이러한 최적 제어 전략을 실차에서 충분히 이용 가능 할 것으로 기
대된다.

- 39 -
 참고문헌
[1] Graber, G., Galdi, V., Calderaro, V., & Piccolo, A. (2017, September). A
method to size the stack and the battery of a fuel cell vehicle reducing
the fuel consumption. In 2017 AEIT International Annual Conference (pp.
1-6). IEEE.

[2] Li, H., Ravey, A., N'Diaye, A., & Djerdir, A. (2018). A novel equivalent
consumption minimization strategy for hybrid electric vehicle powered by
fuel cell, battery and supercapacitor. Journal of Power Sources, 395,
262-270.

[3] Zheng, C. H., Xu, G. Q., Park, Y. I., Lim, W. S., & Cha, S. W. (2014).
Comparison of PMP and DP in fuel cell hybrid vehicles. International
Journal of Automotive Technology, 15(1), 117-123.

[4] Xu, L., Ouyang, M., Li, J., & Yang, F. (2012, May). Dynamic programming
algorithm for minimizing operating cost of a PEM fuel cell vehicle. In 2012
IEEE International Symposium on Industrial Electronics (pp. 1490-1495).
IEEE.

[5] Fares, D., Chedid, R., Panik, F., Karaki, S., & Jabr, R. (2015). Dynamic
programming technique for optimizing fuel cell hybrid vehicles. International
Journal of Hydrogen Energy, 40(24), 7777-7790.

[6] Bernard, J., Delprat, S., Buchi, F. N., & Guerra, T. M. (2009). Fuel-cell
hybrid powertrain: Toward minimization of hydrogen consumption. IEEE
Transactions on Vehicular Technology, 58(7), 3168-3176.

[7] Kim, N., Cha, S., & Peng, H. (2010). Optimal control of hybrid electric
vehicles based on Pontryagin's minimum principle. IEEE Transactions on
control systems technology, 19(5), 1279-1287.

[8] Schell, A., Peng, H., Tran, D., Stamos, E., Lin, C. C., & Kim, M. J. (2005).
Modelling and control strategy development for fuel cell electric vehicles.

- 40 -
 Annual Reviews in Control, 29(1), 159-168.

[9] Ansarey, M., Panahi, M. S., Ziarati, H., & Mahjoob, M. (2014). Optimal
energy management in a dual-storage fuel-cell hybrid vehicle using
multi-dimensional dynamic programming. Journal of Power Sources, 250,
359-371.

[10] Wu, Y., & Gao, H. (2006). Optimization of fuel cell and supercapacitor for
fuel-cell electric vehicles. IEEE Transactions on Vehicular Technology,
55(6), 1748-1755.

[11] Zheng, C., Cha, S. W., Park, Y. I., Lim, W. S., & Xu, G. (2013).
PMP-based power management strategy of fuel cell hybrid vehicles
considering multi-objective optimization. International Journal of Precision
Engineering and Manufacturing, 14(5), 845-853.

[12] Kim, M. J., & Peng, H. (2007). Power management and design
optimization of fuel cell/battery hybrid vehicles. Journal of power sources,
165(2), 819-832.

[13] Yazdani, A., & Bidarvatan, M. (2018). Real-Time Optimal Control of

Power Management in a Fuel Cell Hybrid Electric Vehicle: A Comparative
Analysis. SAE International Journal of Alternative Powertrains,
7(08-07-01-0003), 43-54.

[14] Zheng, C., & Cha, S. W. (2017). Real-time application of Pontryagin’s

Minimum Principle to fuel cell hybrid buses based on driving
characteristics of buses. International Journal of Precision Engineering and
Manufacturing-Green Technology, 4(2), 199-209.

[15] 송유진, 한수빈, 박석인, 정학근, & 정봉만. (2006). 연료전지 하이브리드 시스템
을 위한 제어기법. 한국조명· 전기설비학회 학술대회논문집, 377-380.

[16] 정춘화, 박영일, 임원식, & 차석원. (2012). 연료전지 하이브리드 자동차의
ECMS. 한국자동차공학회논문집, 20(6), 46-51.

[17] 정춘화, 박영일, 임원식, & 차석원. (2012). 연료전지 하이브리드 자동차의 최적
제어. 한국자동차공학회논문집, 20(2), 135-140.

- 41 -
[18] 이동섭. (2013). 연료전지 하이브리드 차량의 연비향상을 위한 배터리 동력분배
최적화. 대한기계학회 논문집 A 권, 37(3), 397-403.

[19] Donald E. Kirk, "Optimal Control Theory," in Prentice - Hall Electrical

Engineering Series.

[20] RYAN O’HAYRE, SUK-WON CHA, et al. “Fuel Cell Fundamentals.”

WILEY, Third Edition

- 42 -
 ABSTRACT

Optimization of Energy Management for Fuel Cell

Electric Vehicle based on Optimal Control Theory
Song, Seungmin
Dept. of Mechanical Engineering
The Graduate School
Hanyang University
Fuel cell electric vehicles are one of eco-friendly vehicles that run on
fuel cell system and high-voltage battery. As regulations on vehicle fuel
economy are tightened around the world, interest and need for
eco-friendly cars are becoming more important over time. Many
companies plan to expand their line-up of electric cars in small and
medium-sized commercial vehicles and hydrogen electric vehicles in
medium and large commercial vehicles and buses. Fuel cell electric
vehicles react with hydrogen and oxygen in the air to generate energy.
Fuel cell electric vehicles are seen as an important alternative to
responding to the tightened fuel economy regulations and solving
environmental problems as they have no harmful emissions and air
purification effects.
In this paper, research was conducted to improve the fuel economy and

- 43 -
fuel cell system efficiency of fuel cell electric vehicles. The control
strategy of conventional fuel cell electric vehicles uses a method of
distributing power to battery and fuel-cell systems and managing the
state of charge of batteries, depending on the condition of the batteries.
In this study, the strategy of controlling the distribution of power from
the two power sources of fuel cell electric vehicles was developed based
on optimal control theory. Among the optimal control theories are
Dynamic Programming and Equivalent Consumption Minimum Strategy
based on Pontryagin’s Minimum Principle. When these two theories are
applied to hybrid vehicles’s power distribution control strategy, it has
already demonstrated in various paper that the performance is excellent.
Of the two optimization theories, the control strategy developed based
on Dynamic Programming was applied to hydrogen electric vehicles.
Performance improvement was assessed for the efficiency of the fuel cell
system and hydrogen consumption when Dynamic Programming control
strategy was applied. In addition, a new rule-based control strategy was
established based on the resulting values derived from Dynamic
Programming method. When the new control strategy was applied to
vehicle systems in place of the existing rule-based control strategy,
improvements were assessed in terms of fuel economy and fuel cell
system efficiency.
As a result, when Dynamic Programming control strategy was applied
and the new rule-based control strategy was applied, both control
strategies achieved improved results in terms of fuel economy and fuel
cell system efficiency. At present, it is difficult to apply Dynamic
Programming control strategy to actual vehicles. But, the rule-based
control strategies derived based on optimization control strategies can be

- 44 -
applied to actual vehicles, and system efficiency improvements can also
be expected.
In the future, vehicle communication technologies will evolve, enabling
the optimum control strategy to be applied to the vehicle. As
environmental issues increase the importance of eco-friendly cars, it is
understood that this research will greatly contribute to the development
of fuel cell electric vehicles in the future.

- 45 -