신경망 기반 MPC 근사와 이상치 탐지를 활용한 하이브리드 전기자동차의 동력 분배 알고리즘

Abstract

최근 모델 예측 제어 (Model predictive control, MPC)를 하이브리드 전기자동차 (Hybrid electric vehicle, HEV)의 동력 분배 알고리즘에 적용하려는 연구가 활발히 이루어지고 있다. 하지만 이를 위해서는 MPC의 높은 연산량을 해결하는 것이 필요하며, MPC 근사는 이를 해결하기 위한 방법 중 하나이다. 최근 기계 학습 및 딥러닝을 활용한 MPC 근사가 좋은 성능을 보여주고 있으나, 학습 데이터 범위를 벗어나는 데이터에 대해서는 근사 성능이 떨어질 수 있는 문제를 가지고 있다. 본 논문에서는 위와 같은 문제를 해결하기 위해, 이상치 탐지 기법을 활용하여, MPC를 근사한 Neural network 모델이 효과적으로 사용될 수 있는 입력 데이터를 판단하는 방법을 제안하였다. 그리고 이러한 판단을 기반으로 하여, 입력 데이터에 따라 Neural network 모델과 Backup 제어기를 적절히 선택하여 HEV의 동력 분배를 수행할 수 있는 방법을 제안하였다. 우선 이상치 탐지 알고리즘을 활용하여 입력 데이터가 학습 데이터 범위에 존재하는지, 벗어나는지를 판단하였으며, 이를 통해 Neural network 모델이 효과적으로 사용될 수 있는 입력 데이터인지를 판단하였다. 학습 데이터 범위에 존재하는 입력 데이터는 학습 시 경험했던 데이터로 볼 수 있으므로, Neural network 모델이 효과적으로 사용될 수 있는 데이터로 볼 수 있다. 이에 따라 입력 데이터가 학습 데이터 범위에 존재할 경우에는 Neural network를 사용하였으며, 벗어나는 경우에는 Backup 제어기를 사용함으로써, 학습 데이터 범위를 벗어나는 입력 데이터에 대해서도 대처할 수 있도록 하였다. 이와 함께, 이상치 탐지 알고리즘은 Neural network의 근사 성능을 개선하는데도 활용될 수 있음을 보였다. 이상치 탐지 알고리즘이 감지한 데이터 중, 정상적인 패턴을 가지고 있는 데이터를 기존 학습 데이터에 추가하고 Off-line에서 재학습을 수행함으로써, Neural network의 근사 성능을 개선할 수 있음을 확인하였다. 제안하는 방법은 P1 타입 병렬형 HEV의 비선형 MPC 기반 최적 동력 분배 알고리즘을 근사하는 경우에 대해 적용하고, MIL (Model-in the loop) 시뮬레이션을 통해 그 효과성을 확인하였다.