KR20150016524A - 적어도 부분적으로 전기 구동되는 자동차의 구동트레인을 테스팅하기 위한 방법 및 장치 - Google Patents

Abstract

적어도 부분적으로 전기 구동되는 자동차의 파워트레인을 테스팅하기 위한 방법에 있어서, 파워트레인으로 공급되는 전압이 실제 에너지 저장 시스템을 위해 동적으로 작용하는 방식으로, 전압은 에너지 저장 시스템을 위한 시뮬레이션 시스템과 결합된 컨트롤러에 의해 제어된다. 컨트롤러는 제어되는 시스템의 모델에서 사용되는 파워트레인의 부하 모델을 포함하는, 컨트롤러 설계 방법에 기초한 모델로 설계된다.

Description

적어도 부분적으로 전기 구동되는 자동차의 구동트레인을 테스팅하기 위한 방법 및 장치{METHOD AND DEVICE FOR TESTING THE DRIVE TRAIN OF VEHICLES DRIVEN AT LEAST PARTIALLY BY ELECTRICITY}

본 발명은 적어도 부분적으로 전기 구동되는 자동차의 파워트레인을 테스팅하기 위한 방법에 관한 것으로서, 파워트레인으로 공급되는 전압이 실제 에너지 저장 시스템을 위해 동적으로 작용하는 방식으로, 상기 전압은 에너지 저장 시스템을 위한 시뮬레이션 시스템과 결합된 컨트롤러에 의해 제어되며, 또한, 본 발명은 상기 방법을 작동하기 위한 장치에 관한 것이다.

하이브리드 전기 자동차(HEV)와 전기 자동차(EV)의 개발은 이전에 자동차 산업에서 사용되지 않았던 많은 새로운 기술과 관련된 복잡한 과제이다. 이 과제를 숙달하는 것은 문제를 적절히 감지하고 매끄러운 통합을 보장하기 위하여, 일찍이 개개의 부품의 테스팅을 요한다. 그러나, 부품들은 서로 상호 작용하므로, 이들 상호 작용을 모방(emulate)할 수 있는 적절한 테스트 베드 없이, 고립된 테스팅은 불가능하다. 각각의 부품마다, 그 부품의 장래 작동 조건과 가능한 가까운 운영 조건을 매치하는 개별 환경이 요구된다. 하나 이상의 전기 모터를 포함하는 파워트레인은 기계적 테스팅 환경뿐만 아니라 전기적 테스팅 환경을 요구한다. 전기적 환경의 중요한 부분은 트랙션 배터리(traction battery)이다. 실제 배터리로 테스팅하는 것은, 파워트레인에 대해 정의된 작동 조건을 달성하기 위하여, 시간이 많이 소요되는 배터리의 예비-조절을 요구한다. 또한, 배터리 노화는 시운전의 결정론적인 반복을 막는다. 심지어, 적합한 배터리가 아직 사용가능하지 않을 때에, 가능한 빨리 파워트레인을 테스팅하는 것이 종종 바람직하다. 이러한 해결과제들은, 트랙션 배터리의 전기적 특성을 모방함에 의하여, 트랙션 배터리를 대체하는 역할을 하는 배터리 에뮬레이터(battery emulator, BE)를 사용하여 충족될 수 있다. 이들은 보통, 대략 복잡한 배터리 모델을 사용하여 시뮬레이트 된다. 프로그래밍 가능한 DC 전력 공급부는 시뮬레이트된 배터리 전압을 상기 프로그래밍 가능한 DC 전력 공급부의 출력 단자에서 모사하고(replicate), 필요한 전력을 파워트레인에 공급한다. 측정된 부하 전류는, 가상 배터리의 상태를 업데이트하기 위하여, 시뮬레이션 모델로 피드백된다. 수십 또는 심지어 수백 킬로와트 정도의 전력 때문에, 스위치-모드 DC-DC 컨버터가 선형 전력 공급부 대신에 사용되어야 한다. 배터리 내부의 전기 화학적 과정의 시상수는, 전력 전자 파워트레인과 전기 파워트레인의 것과 비교하여 보통 느리다. 그럼에도 불구하고, 이중 레이어 효과에 의해 커패시턴스 및 옴 저항 및 셀 간 상호연결의 인덕턴스 때문에, 말단 전압은 부하 전류 천이로 인해 빠르게 변할 수 있다. 예를 들어, 부하 전류에서의 한 계단 상승은 단자 전압의 즉각적인 하락을 야기할 것이다. 배터리 모델로부터 개방 회로 전압을 모사만 하는 것은 충분하지 못하고, 배터리의 내부 임피던스가 모방되어야 한다. 결과적으로, 빠른 출력 전압 레퍼런스 트랙킹(reference tracking)과 효과적인 부하 전류 제거(load current rejection)를 달성하는 컨트롤러를 설계하여, 배터리 에뮬레이터의 출력 컨버터의 출력 임피던스가 억제되고(suppressed), 배터리 모델로부터의 임피던스가 도입(imposed)되는 것이 필요하다. 울트라 커패시터 배터리의 모방에 대한 요구를 증가시키는 것은, 전기 화학적 배터리보다 더 빠른 활동(dynamic)을 나타내기 때문에, 필수 대역폭을 더욱 증가시킨다.

트랙션 인버터가 작동하는 중에, 트랙션 인버터는 전기 트랙션 모터에 의해 생성된 속도와 토크를 제어한다. 배터리 단자 전압에서의 변화는 컨트롤러에 의해 보상되어서, 인버터의 전력 출력은 변하지 않는다. 문헌에서, 이러한 부하는 대게 일정한 전력 부하(constant power load, CPL)라고 불린다. CPL이 배터리 대신에, 전력 전자 컨버터에 의해 공급될 때, 시스템은 부하의 부 임피던스 특징에 의해 불안정해 질 수 있다. 이는, 소형의, 고성능 자동차 인버터에서 특히 문제될 수 있다. 산업 장치에 대한 인버터와 비교할 때, 트랙션 인버터는 대게 작은 DC-링크 커패시터를 가지는데, 이는 안정성 마진을 감소시킨다. 결과로 나온 작은 필터 커패시턴스의 추가 결과로서, 부하 과도 현상 및 전류 리플은 DC-공급부로 되돌아가 전파된다.

전력 공급부 에뮬레이션은 많은 응용 분야를 가진다. 배터리의 에뮬레이션도 [P. H. Chou, C. Park, J. Park, K. Pham, and J. Liu, “B#: a battery emulator and power profiling instrument,” in ISLPED '03: Proceedings of the 2003 international symposium on Low power electronics and design. New York, NY, USA: ACM, 2003, pp. 288 - 293]에 기술된 바와 같이, 소비자 전자의 테스팅에도 도움을 준다. 연료 전지 전력 컨버터의 테스팅은 연료 전지 원형의 제한된 가용성 및 비경제적인 피해 리스크 때문에 문제점이 될 수 있다. 그러므로, 연료 전지의 에뮬레이션은 바람직할 수 있다 [A. Gebregergis and P. Pillay,“The development of solid oxide fuel cell (sofc) emulator,” in Power Electronics Specialists Conference, 2007. PESC 2007. IEEE, 17-21 2007, pp. 1232 - 1238]. 두 문헌에서, 선형 전력 증폭기가 전력원의 모델을 테스트 하에서 시스템에 접속(interface)하기 위하여 사용된다. 이러한 증폭기가 큰 대역폭을 제공할 수 있음에도 불구하고, 이들은 낮은 효율성 때문에 작은 전력 레벨로 제한된다. 또 다른 중요한 응용 분야는 광전지 시스템을 위한 그리드 인버터의 테스팅이다. [M. C. Di Piazza and G. Vitale, “photovoltaic field emulation including dynamic and partial shadow conditions,” Applied Energy, vol. 87, no. 3, pp. 814 - 823, 2010]에서, 스위치 모드 DC-DC 컨버터에 기초한 광전지 패널 에뮬레이터가 기술된다. 자동차 시동 배터리를 위한 에뮬레이터의 설명은 [T. Baumh¨ofer, W. Waag, and D. Sauer, “Specialized battery emulator for automotive electrical systems,” in Vehicle Power and Propulsion Conference ( VPPC ), 2010 IEEE, sept. 2010, pp. 1 - 4] 에서 찾을 수 있다.

CPL에 연결된 DC-DC 컨버터는 여러 간행물에서 연구된다. 부 임피던스 불안정의 개념은, [V. Grigore, J. Hatonen, J. Kyyra, and T. Suntio,“Dynamics of a buck converter with a constant power load,” in Power Electronics Specialists Conference, 1998. PESC 98 Record . 29 th Annual IEEE, vol. 1, 17-22 1998, pp. 72 - 78 vol.1] 및 [B. Choi, B. Cho, and S.-S. Hong, “Dynamics and control of dc-to-dc converters driving other converters downstream,” Circuits and Systems I: Fundamental Theory and Applications , IEEE Transactions on, vol. 46, no. 10, pp. 1240 - 1248, oct 1999]에 의해 소개되었다. 제안된 안정화 제어 접근법은, [A. Emadi, A. Khaligh, C. Rivetta, and G. Williamson, “Constant power loads and negative impedance instability in automotive systems: definition, modeling, stability, and control of power electronic converters and motor drives,” Vehicular Technology , IEEE Transactions on, vol. 55, no. 4, pp. 1112 - 1125, july 2006]의 슬라이딩 모드 제어를 사용하여, [J. Ciezki and R. Ashton, “The application of feedback linearization techniques to the stabilization of dc-to-dc converters with constant power loads,” in Circuits and Systems , 1998. ISCAS '98. Proceedings of the 1998 IEEE International Symposium on, vol. 3, may-3 jun 1998, pp. 526 - 529 vol.3] 및 [A. Emadi and M. Ehsani, “Negative impedance stabilizing controls for pwm dc-dc converters using feedback linearization techniques,” in Energy Conversion Engineering Conference and Exhibit , 2000. ( IECEC ) 35 th Intersociety, vol. 1, 2000, pp. 613 - 620 vol.1]의 피드백 선형화로부터 [A. Kwasinski and P. Krein, “Passivity-based control of buck converters with constant-power loads,” in Power Electronics Specialists Conference , 2007. PESC 2007. IEEE, 2007, pp. 259 - 265] and active damping in [A. Rahimi and A. Emadi, “Active damping in dc/dc power electronic converters: A novel method to overcome the problems of constant power loads,” Industrial Electronics , IEEE Transactions on, vol. 56, no. 5, pp. 1428 - 1439, may 2009]의 PID 기반 수동성(passivity)까지 걸친다. CPL을 포함하는 전력 시스템의 안정화를 위한 모델 예측 제어는 [M. Zima and G. Andersson, “Model predictive control employing trajectory sensitivities for power systems applications,” in Decision and Control , 2005 and 2005 European Control Conference . CDC - ECC '05. 44 th IEEE Conference on, 2005, pp. 4452 - 4456]에서 제안된다. 이들 모두는, 공급 컨버터가, 상수 전력 부하로서 역할을 하는 하나 이상의 부하 컨버터에 상수 전압을 제공한다는 점에서 공통점을 가진다. 제안된 제어 설계 접근법은 안정한 폐루프로 이어지나, 레퍼런스 계단 응답(적어도 고려된다면)은 느리고, 언더댐핑된 오실레이션을 나타낸다. 이와 대비하여, 본원에서 제시되는 장치는 빠른 전압 레퍼런스 트랙킹을 요구한다.

빠른 레퍼런스 트랙킹을 요구하는 다른 전력 전자 컨버터는 AC 전압을 생성하는 무정전 전력 공급부(uninterruptible power supplies, UPS)이다. AC 전압의 주기 성질은, 레퍼런스 트랙킹 및 외란 제거를 개선하기 위하여 사용될 수 있다 [K. Zhang, L. Peng, Y. Kang, and J. Xiong, “State-feedback-with-integral control plus repetitive control for UPS inverters,” in Twentieth Annual IEEE Applied Power Electronics Conference and Exposition , 2005. APEC 2005., no. 2. IEEE, 2005, pp. 553 - 559]. BE에 대하여, 출력 전압은 주기성이 아니고, 배터리 모델을 통한 부하 전류에 의존하므로, 이들 접근법은 여기에 적용될 수 없다.

디지털 컨트롤러 플랫폼의 증가하는 연산 능력과 개선된 알고리즘 때문에, 모델 예측 제어(MPC)는 더 이상 느린 활동을 가진 시스템으로 제한되지 않는다. 또한, 모델 예측 제어는 전력 전자 컨버터와 같은 높은 샘플링 레이트를 요구하는 시스템에도 적용될 수 있다. MPC를 가진 DC-DC 컨버터의 제어는 [T. Geyer, G. Papafotiou, and M. Morari, “On the optimal control of switch-mode dc-dc converters,” Hybrid Systems : Computation and Control, pp. 77 - 85, 2004]에 의해 제안되고, 실험적 결과는 [T. Geyer, G. Papafotiou, R. Frasca, and M. Morari, “Constrained optimal control of the step-down dc-dc converter,” Power Electronics , IEEE Transactions on, vol. 23, no. 5, pp. 2454 - 2464, sept. 2008]에 나타나며, 소위 명시된 MPC(eMPC)[A. Bemporad, F. Borrelli, and M. Morari, “Model predictive control based on linear programming the explicit solution,” Automatic Control , IEEE Transactions on, vol. 47, no. 12, pp. 1974 - 1985, dec 2002]는 연산 가능성을 위한 열쇠였다. [A. Wills, D. Bates, A. Fleming, B. Ninness, and R. Moheimani, “Application of mpc to an active structure using sampling rates up to 25khz,” in Decision and Control , 2005 and 2005 European Control Conference . CDC - ECC ’05. 44 th IEEE Conference on, 2005, pp. 3176 - 3181]에서, 5 kHz 내지 25 kHz의 샘플링 레이트에서의 제약을 가진 MPC를 사용하여 능동형 진동 제어에 대한 실험적 결과가 제시된다. 150 ㎲의 샘플링 타임을 가진 고립된 풀-브리지 컨버터의 비선형 MPC에 대한 실험적 결과는, [Y. Xie, R. Ghaemi, J. Sun, and J. Freudenberg, “Implicit Model predictive control of a full bridge dc-dc converter,” Power Electronics , IEEE Transactions on, vol. 24, no. 12, pp. 2704 - 2713, 2009]에 나타난다. 부스트 컨버터의 비선형 MPC는 [J. Bonilla, R. De Keyser, M. Diehl, and J. ESPINOZA, “Fast NMPC of a DC-DC converter: an exact Newton real-time iteration approach,” in Proc . of the 7 th IFAC Symposium on Nonlinear Control Systems ( NOLCOS 2007), 2007]에 기술되나, 실험적 결과는 주어지지 않는다. [S. Richter, S. Mariethoz, and M. Morari,“High-speed online mpc based on a fast gradient method applied to power converter control,” in American Control Conference ( ACC ), 2010, 302010-july2 2010, pp. 4737 - 4743]에 기술된 삼-상 그리드 인버터의 시뮬레이트된 온라인 선형 MPC는 표준 DSP 에 대해 10 ㎲ ... 50 ㎲에서 실행 가능하게 나타나지만, 실험적 결과는 제시되지 않는다. 상기 마지막 문헌에서 사용되는 알고리즘은 [S. Richter, C. Jones, and M. Morari, “Real-time input-constrained mpc using fast gradient methods,” in Decision and Control , 2009 held jointly with the 2009 28 th Chinese Control Conference . CDC / CCC 2009. Proceedings of the 48 th IEEE Conference on, 2009, pp. 7387 - 7393]에 제시된 빠른 경사법(gradient method)에 기초한다.

MPC에 대해 맞춤된 빠른 QP 솔버(solver)는 [R. Milman and E. Davison, “A fast mpc algorithm using nonfeasible active set methods,” Journal of Optimization Theory and Applications, vol. 139, pp. 591 - 616, 2008, 10.1007/s10957-008-9413-3], [H. J. Ferreau, H. G. Bock, and M. Diehl, “An online active set strategy to overcome the limitations of explicit mpc,” Int. J. Robust Nonlinear Control, vol. 18, no. 8, pp. 816 - 830, 2008] 및 [Y. Wang and S. Boyd, “Fast model predictive control using online optimization," Control Systems Technology , IEEE Transactions on, vol. 18, no. 2, pp. 267 - 278, 2010]에 제시된다.

보통, DC-DC 컨버터를 위한 컨트롤러는 공칭 부하(nominal load)를 위해 설계되는데, 대부분의 경우, 이는 레지스터이다. 적합한 모델이 사용 가능하다면, 컨트롤러 디자인에 기초한 모델을 사용하여, 임의의 부하를 가진 컨버터를 위한 컨트롤러를 설계하는 것이 가능하다. 결과적으로, 제어 설계를 위하여 공칭 부하 레지스터에 의존할 필요가 없다. 본 문헌에서, 우리는 추가 입력 필터 커패시턴스를 가진 CPL을 포함하는 MPC 설계에 적합한 컨버터 모델을 제안한다. 이 모델은, 출력 전압 및 부하의 전력 수요에 의존하는 CPL의 선형화된 부 임피던스 근사치에 기초한다. 동작점에서의 변화를 설명할 수 있는, 선형 MPC 설계를 위한 두 개의 서로 다른 접근법이 제안된다. 첫 번째 접근법은 근사화된 부하 임피던스의 극값을 나타내는 두 개의 내부 모델을 가진 간단하고 강건한 MPC 설계(robust MPC design)이다. 두 번째 접근법은 예상된 동작 범위에 걸친, 복수의 동작점에 대한 한 세트의 서로 다른 컨트롤러 파라미터를 사용하는 스케쥴링 컨트롤러(scheduling controller) 설계이다. 부하 전력 수요의 추정치에 기초하여, 가장 가까운 파라미터 세트가 모든 샘플링 단계에서 다음 제어 움직임(control move)의 계산을 위해 선택된다. 측정되지 않은 외란, 측정된 외란의 필터링 및 부하 전력 수요의 평가치에 불구하고, 오프셋 없는 트랙킹을 달성하기 위하여 관찰자(observer)가 사용된다.

제한된 MPC의 실시예에서, 연산을 위해 가능한 제한 시간 내에 우수한 활성 세트를 빠르게 찾기 위하여, 경험적 활성 세트 방법(heuristic active set method)이 제안된다. 이 방법 및 강건한 MPC 접근법도 [O. K¨onig, S. Jakubek, and G. Prochart,“Model predictive control of a battery emulator for testing of hybrid and electric powertrains,” 2011, accepted for presentation at: 2011 IEEE Vehicle Power and Propulsion Conference(VPPC)]에 제시되나, 인덕터 전류에 대한 제한은 없다.

고전력 스텝-다운 dc-dc 컨버터의 온라인 모델 예측 제어(MPC)로의 접근법이 제안된다. 컨버터는, 하이브리드 혹은 전기 자동차 파워 트레인을 위한 테스트 베드 상의 트랙션 배터리의 대체물로서 배터리 에뮬레이터의 일부이다. 이 장치는, 빠른 부하 과도 현상에 둔감하면서, 시뮬레이트된 배터리 모델로부터 레퍼런스 전압의 빠른 트래킹을 요한다. 컨버터의 약하게 댐핑된 출력 필터와 강하게 조절된 부하 인버터의 조합은, 상수 전력 부하로서의 역할을 하여, 불안정한 시스템을 야기한다. 부하의 정확한 스펙은 제어 설계 단계에서 알지 못하고, 전력 수요는 요동친다. 입력 제한 취급 및 인덕터 전류 제한은 최적의 성능과 하드웨어 보호를 위해 요구된다. 일정한 전력 부하에도 불구하고, 활성 세트 방법에 기초하여 제안된 MPC는 빠른 레퍼런스 트랙킹을 달성하고, 입력 제한과 상태 제한을 준수한다. 제어 알고리즘은 용이하게 사용가능한 디지털 컨트롤러 하드웨어에 요구되는 샘플링 레이트에서 실행될 수 있다. 인버터로 주입되는 60 kW 베터리 에뮬레이터에 대한 실험적 결과는 제안된 제어 접근법의 성능을 증명한다.

본 발명에 따르면, 컨트롤러는 컨트롤러 설계 방법에 기초한 모델로 설계되고, 파워트레인의 부하 모델은 제어된 시스템의 모델에서 사용된다.

바람직한 실시예에서, 출력 전압이 측정되고, 파워트레인의 전력 수요가 추정되며, 부하 모델의 파라미터가 출력 전압 및 추정된 부하 수요에 의존하여, 바람직하게는, 파라미터의 완전한 세트 사이를 스위칭함에 의해 변형된다.

옵션으로, 부하 전력 수요의 평가치는 측정된 부하 전류에 기초하여, 관찰자 시스템으로 달성된다.

본 발명에 따르면, (에너지 저장 시스템을 위한 시뮬레이션 시스템 및 전압이 실제 저장 시스템을 위해 동적으로 역할을 하는 방식으로 파워트레인으로 공급되는 전압을 제어하기 위한 컨트롤러를 포함하며, 상기 컨트롤러는 시뮬레이션 시스템과 결함되는) 적어도 부분적으로 전기 구동되는 자동차의 파워트레인의 테스팅을 위한 장치는, 모델 예측 제어 루프가 컨트롤러내에 설립되고, 부하 모델은 제어된 시스템내에 통합되는 것을 특징으로 한다.

상기 장치의 바람직한 실시예는, 부하 전력 수요 의존 모델이 통합되는 것을 특징으로 한다.

상기 장치들 모두는, 모델 예측 제어가 컨트롤러 내에 설립되는 것이 옵션인 것을 특징으로 한다.

모델은, 에너지 저장 시스템의 출력 전압에 의존하여 통합될 수 있다.

배터리 시뮬레이터의 예측 제어에 기초한 모델은 제어된 시스템의 모델에서 부하 모델의 최적의 통합을 할 수 있도록 하여, 부하는 더 이상 불명의 외란이 아니고, 컨트롤러 내에서 명시적으로 고려된다. 부하 모델의 파라미터는 부하의 전력 수요에 의존한다. 선형화된 모델이 예측 컨트롤러에 기초한 모델을 위해 사용된다면, 모델의 파라미터는 추가적으로 말단 전압에 의존한다. 그러므로, 제어 파라미터 세트는, 예측 컨트롤러에 기초한 모델의 스케쥴링에 적합하게 구성된다. 파라미터 세트 사이의 스위칭 또는 블렌딩은 측정된 출력 전압과 추정된 전력 수요에 따라 행해진다. 이러한 목적으로, 전력 수요는 관찰자 시스템으로 추정되고, 측정된 부하 전류에 기초한다.

이하의 명세서에서, 본 발명은 첨부된 도면을 참조하여 더욱 기술될 것이다.
도 1은 배터리 에뮬레이터를 가진 파워트레인 테스트 베드를 개략적 형태로 나타낸다.
도 2는 배터리 에뮬레이터 출력단의 개략도를 나타낸다.
도 3은 부하 모델의 도면인데, (a) 일정한 전력 부하의 정적인 특징, (b) 비선형 부하 모델, (c) 동작점 근처에서 선형화되는 소신호 모델이다.
도 4는 배터리 에뮬레이터 모델의 블록도이다.
도 5는 제안된 컨트롤러 구조의 블록도이다.
도 6은 이동 구간 제어기(receding horizon control)에 적용되는 제안된 알고리즘의 도면이며, 여기서, 상단 행은 예측된 출력 전압 궤적을 나타내고, 하단 행은 대응되는 제어 변수 시퀀스를 나타내는 반면, 열은 연속 샘플(subsequent time sample)을 나타낸다.
도 7은 일반적인 QP 솔버를 사용하는 MPC로 제안된 알고리즘의 비교를 나타낸다.
도 8은 강건한 컨트롤러 개념의 블록도이다.
도 9는 스케쥴링 컨트롤러의 블록도를 나타낸다.
도 10은 일정한 전력 부하로 0 kW 내지 60 kW로 변하는 부하 전력 단계(load power step)에 대한 시뮬레이션 결과를 나타내며, 출력 전압, 인덕터 전류 및 부하 전류를 상단에 나타내는 도면이다. 하단의 도면은 적용된 듀티 사이클을 나타낸다.
도 11은 배터리 에뮬레이터와 연결된 부하를 사용하지 않는, 레퍼런스 단계 변화에 대한 실험적 결과를 나타낸다.
도 12는 인덕터 전류 제한의 효과를 나타내는 레퍼런스 단계 변화에 대한 실험적 결과의 도면이다.
도 13은 일정한 전력 부하로 레퍼런스 단계 변화의 시퀀스에 대한 실험적 결과를 나타내며, 도면은 스케쥴링 컨트롤러에 대한 스케쥴링 변수 및 강건한 컨트롤러에 대한 듀티 사이클을 하단에 나타낸다.
도 14는 P = 0 kW 내지 P = 24 kW의 일정한 전력 부하를 가진 부하 전력 단계 변화에 대한 실험적 결과를 나타낸다.

전형적인 테스트 베드 컨피규레이션의 예가 도 1에 나타난다. 시설(plant)은, 한편으로는 부하를 나타내는 HEV 또는 EV 파워트레인의 전력 전자장치와 다른 한편으로는 실제 트랙션 배터리를 대체하는 배터리 에뮬레이터로 구성된다. 제어 설계에서, 배터리 에뮬레이터와 부하는 개별적으로 모델링된 후에 하나의 시스템 모델로 결합된다.

배터리 에뮬레이터의 개략도는 도 2에 도시된다. 중요 부분은 출력단인데, 이 출력단은, 배터리 말단 전압을 모방하는데 사용되는 출력 전압(v ₂ )를 제공하는 공통 출력 커패시터(C ₁ )와 함께 3개의 인터리빙된 스텝-다운 DC-DC 컨버터로 구성된다. 정류기는 여기서 고려되지 않고, C ₀는 충분히 커서 DC-링크 전압(V₀)은 상수로 가정될 수 있다.

아날로그 변조기는 펄스 폭 변조(PWM) 및 그 입력에서 하나의 듀티 사이클 커맨드(d)로부터 인덕터 전류 밸런싱을 수행한다. 실시간 MPC에 적합한 간단한 모델은 평규화된 스위치 모델링에 의해 얻을 수 있고 [R. W. Erickson and D. Maksimovi´c, Fundamentals of power electronics. Springer, 2001], 세 개의 인터터를 하나의 집중 인턱터(L ₁ )로 병렬화함에 의해 얻을 수 있다 [S. Mariethoz, A. Beccuti, and M. Morari, “Model predictive control of multiphase interleaved dc-dc converters with sensorless current limitation and power balance,” in Power Electronics Specialists Conference , 2008. PESC 2008. IEEE, 2008, pp. 1069 - 1074] 또는 [H. Bae, J. Lee, J. Yang, and B. H. Cho, “Digital resistive current (drc) control for the parallel interleaved dc-dc converters,” Power Electronics , IEEE Transactions on, vol. 23, no. 5, pp. 2465 - 2476, 2008]. 그리고 나서, 세 개의 모든 전류의 합(i ₁ = i _1a + i _1b + i _1c )은 새로운 인덕터 전류로 선택된다. 인덕터의 옴 레지스턴스와 반도체 스위치는 R _L1 로 근사화된다. 부하에서 나온 전류는 i ₂로 표시된다. x_c = [i ₁ v ₂]^T, 제어 입력 u = d· V ₀ 및 외란 입력 i ₂ 으로 선택된 컨버터에 대한 상태 벡터로, 시스템은 다음과 같이 기술된다.

기호 i ₁, v ₂ 및 i ₂ 는 측정될 수 있다.

HEV/EV 전기 모터 인버터는 BE에 연결된 DC-링크를 가진 강하게 정류된 전원 인버터이다. 인버터의 전력 출력(P)는 명시된 범위 내에 있는 한, 그 공급 전압(v ₂ )과 독립적이다. 이러한 컨피규레이션은 CPL로서 모델링되고, CPL에서 나온 전류(

)와 공급 전압 사이의 관계는 다음과 같다.

방정식 (2)는 피드백 루프를 출력 전압에서 부하 전류 외란 입력까지 폐쇄하고, 이는 다음의 비선형 상태 방정식으로 이어진다.

등가 저항 R ₂ 가 동작점

및

에서 도입되고,

동작점 의존적인 시설의 선형화된 모델은 다음과 같다.

P > 0 이고, v ₂ > 0 이기 때문에, R2는 음수이므로 시설은 불안정해 진다.

도 3은 부하 모델의 도면이다. 아이템 (a)는 일정한 전력 부하의 정적인 특징을, 아이템 (b)는 비선형 부하 모델을, 아이템 (c)는 동작점

근처에서 선형화된 소신호 모델을 나타낸다.

새로운 출력 벡터

는 모든 측적 가능한 양을 나타내기 위해 도입된다. 케이블 레지스턴스는 충분히 작아서, 부하 인버터의 DC-링크 커패시턴스(C ₂ )가 C ₁ 에 병렬로 더해질 수 있다. 그 결과로, (6)에서 모델을 얻는다. 간단한 표시를 위해, 부호 g _p = 1/ R2 는 파라미터로 사용될 것이다. 변수

은 동작점 오프셋을 표시한다.

도 4는 I/O 인터페이스 및 디지털 제어를 위한 샘플링을 포함하여, 제어 설계에 사용될 수 있는 결과적인 모델 구조의 블록도를 나타낸다. 샘플링은 3개의 인터리브되고, 시메트릭인 PWM 캐리어 신호의 중앙에 동기화되어서, 샘플링 레이트(f _s )는 각 상의 스위칭 주파수(f _sw )의 세배이다. 연속 시간 시스템 모델(6)은 영차홀드(zero order hold, ZOH) 근사법을 사용하여 이산 신호 모델(7)로 전환된다. 축약 표시를 위해, 동작점 오프셋(w_k)은 새로운 상태로서 가해져서

이다.

제어 설계는 모델 예측 제어(MPC)로 선택되는 것이 바람직하다. [J. Maciejowski, Predictive control : with constraints. Pearson education, 2002]에 따른 온라인 MPC 포뮬레이션에 대해, 증가된 이산 시간 시스템 설명이

로서 상태 벡터로 사용된다.

이는 [U. Maeder, F. Borrelli, and M. Morari, “Linear offset-free model predictive control,” Automatica, vol. 45, no. 10, pp. 2214 - 2222, 2009]에 따른 상태 관찰자와 결합하여 오프셋 없는 트랙킹을 가능하게 하고, 또한, 하나의 샘플의 연산적인 지연도 포함한다.

매순간(k)에서 제어 움직임의 최적의 시퀀스(Δuk)는 제어 호리즌(control horizon, N_c) 및 예측 호리즌(prediction horizon, N_p)에 대해 결정되어서, 다음의 기준이 최소화된다.

시메트릭하고 양의 값의 가중 행렬(Q 및

)은 (i) 기준 궤적(R_{s ,k})으로부터 예측된 출력 궤적(Y_k)의 이탈과 (ii) 제어 방안(ΔU_k)에 각각 불리하게 한다. 결정 변수는 미래의 제어 움직임의 시퀀스이고,

출력 궤적은 예측된 출력의 시퀀스이며,

행렬 F 및 Φ 는 다음과 같이 정의된다.

MPC의 파워(power)는 명시적으로 제한된 처리 능력에 있다. 따라서, PWM 듀티 사이클의 0≤d_k ≤1이므로, 따라서, 0≤u_k ≤V₀로의 제한은는

의 형태인 부등식 제한으로 형성되어서, 문제를 최소화하여, 모든

에 대하여, 랭스 Ncc ≤ Nc의 제한 호리즌에 대해, 제어 움직임은 다음과 같이 제한된다.

또한, 인덕터 전류는 IGBT 스위치의 과전류 보호 및 인덕터의 자기 포화를 피하기 위해 제한될 수 있다. 이는 예측된 상태상의 부등식 제한

을 시작함에 의해 달성되어서, 모든

에 대해 유효하다.

그리고 나서, 입력 제한 및 상태 제한은 한 세트의 부등식 제한으로 결합된다.

이동 구간 원리를 실행함에 의하여, 제1 제어 움직임 u_k = u_{k -1}+Δu_{k |k} 만이 매 순간에 적용되고, ΔU _k는 버려진다. 결과적인 컨트롤러 스킴의 블록도가 도 5에 도시된다.

컨트롤러는 가중 행렬(Q 및

)을 통해 튜닝될 수 있다. 하나의 제어된 출력만으로, Q는 Np × Np 단위행렬로 할당되고,

는 Nc × Nc 대각선 행렬로 할당되어서,

이다. 이는 하나의 스칼라 값 R을 선택하는 것으로 간략화된다. R의 더 작은 값은 폐쇄 루프의 대역폭을 증가시키나, 또한, 측정 노이즈와 시설-모델 미스매치에 민감도를 증가시킨다.

이하에서, 본 발명과 관련된 실시간 제한된 MPC를 사용하는 이점을 설명한다. 이동 구간 제어기에 적용되는 제안된 알고리즘의 도 6의 설명은 예측이 어떻게 시간이 지남에 따라 발전되는지를 나타낸다. 상단 행은 예측된 출력 전압 궤적이고, 하단 행은 대응되는 제어 변수 시퀀스를 나타낸다. 열은 연속 샘플을 나타낸다. 제어 움직임은 제한들 사이에 맞추기 위해 잘려지지 않으나, 비제한된 움직임은 변형된다. 시간이 지남에 따라, 솔루션은 점점 정제된다.

제한된 MPC를 가진 전력 전자장치의 제어의 해결과제는, kHz- 범위에서 샘플링 레이트를 충분히 빠르게 달성하기 위하여, 최소화 문제를 해결하는 것이다. 여기서, 우리는 간단하나 효과적인, 주어진 문제의 구조를 사용하는 알고리즘을 제안한다.

시스템이 제한이 없다면, 최적의 제어 시퀀스

는 ΔUk에 대하여 (9)의 최소화에 의해 발견된다.

(13)의 형태인 제한에 있어서, M의 각 행 m_j 및

의 대응 요소(

)는 하나의 제한을 나타낸다. 활성 제한의 임의의 조합은 활성 세트(

)로서 나타난다. 헤시안 행렬 H (18) 및 라그랑제 승수 λ _act (19)는

이고, 제한된 솔루션 Δ U _k 은

에 대한 비제한된 솔루션을 업데이트 함에 의해 발견된다.

남은 일은 J_k를 최소화하는 활성 세트를 찾는 것이다. 활성 세트 방법은 대게, 최적의 솔루션을 찾기까지 제한의 추가와 제거의 많은 반복을 요구한다. 최악의 경우에, 가능한 모든 제한의 조합이 테스트되어야 한다. 따라서, 활성 세트 방법으로 반복 횟수에 대하여 다항 상한계를 찾을 수 없다[H. J. Ferreau, H. G. Bock, and M. Diehl, “An online active set strategy to overcome the limitations of explicit mpc,” Int . J. Robust Nonlinear Control, vol. 18, no. 8, pp. 816 - 830, 2008]. 가능한 모든 활성 세트를 테스트하는 것은 (i) 무관한 제한의 조합을 제거하기 위해 문제 구조를 사용하고, (ii) 반복의 제한된 수 이후에 중지하고, [H. J. Ferreau, H. G. Bock, and M. Diehl, “An online active set strategy to overcome the limitations of explicit mpc,” Int . J. Robust Nonlinear Control, vol. 18, no. 8, pp. 816 - 830, 2008] 및 [Y. Wang and S. Boyd, “Fast model predictiv control using online optimization,” Control Systems Technology , IEEE Transactions on, vol. 18, no. 2, pp. 267 - 278, 2010]와 같은, 비-최적화 솔루션을 적용함에 의해 회피된다.

가까이 있는 특정 문제에 적용가능한 경험적 접근법은 다음과 같다. (i) 최대 위반으로 제한을 찾는다. 벡터

의 요소

는 제한 위반을 표시한다. 여러 동시 위반의 경우에,

를 가진 가장 큰 요소

는, 모든 제한이 동일하게 스케일된다는 조건에서, 최대 위반에 대한 표시자로 간주될 수 있다. (ii) 활성 세트에

을 추가한다. (iii) (19), (20)을 재연산한다. (iv) 제한이 위반되는 한 N _cc 의 최대값에 대해 반복한다. 제한이 활성 세트에 추가되기만 하지 절대로 제거되지 않는다. 이러한 과정은 알고리즘 1에서 요약된다.

입력 제한만 고려한다면, 얻어진 솔루션은 실현 가능하나, 반드시 최적화는 아니다. 이동 구간 제어기 때문에, ΔU _k의 제1 제어 움직임만 적용된다. 그러므로, 전체 솔루션을 찾을 필요 없이, 최적의 시퀀스의 제1 움직임을 근사화하는 하나만 찾으면, 원하는 궤적이 달성될 수 있다. 도 6에서의 시뮬레이트된 예시는, N _p = 16, N _c = 8, N _cc = 5에 대하여, 솔루션이 시간이 지남에 따라 어떻게 진화하는지를 나타낸다. 도 7은 결과로 나온 궤적이 2차 프로그래밍에서 얻은 정확한 솔루션과 사실상 동일하다는 것을 나타낸다[The Mathworks Inc., “Optimization toolbox 4.3,” 2009].

도 7에서 일반적은 QP 솔버를 사용하여 MPC로 제안된 알고리즘의 비교는, 시간 샘플 1에서의 초기 솔루션이 최적치에서 떨어져 있더라도, 두 궤적 사이에 거의 차이가 없다는 것을 나타낸다.

동시에 상태 제한을 처리할 수 있기 위하여, M 및

의 행을 스케일링하여, δ의 요소들, 즉, 제한 위반의 양을 비교할 필요가 있다. 이는 이들 각각의 인정 범위에 대한 입력 제한과 상태 제한을 정규화하여 달성된다.

제안된 알고리즘이 QP를 정확하게 해결하지 못하기 때문에, 결과로 나온 제어 법칙(control law)은, 최적의 레퍼런스 트랙킹에 대한 제어 변수를 최대치로 가져가는 동안(saturate), 인덕터 전류 제한의 간단한 위반을 야기할 수 있다. 따라서, 우선 용인(α)으로 상태 제한들을 스케일링함에 의하여, 상태 제한에 우선권을 줄 필요가 있을 것이다.

시뮬레이션은 α = 10 의 값은 가까이에 있는 응용예에 우수한 결과를 준다는 것을 나타낸다.

상태 제한에 추가하여, 제한의 실현 불가능한 조합이 발생할 수 있다. 이러한 경우에, 반복은 중지되고, 마지막 반복에서의 솔루션이 적용된다. 제안된 접근법의 큰 이점은, 작고 제한된 수의 반복만을 요하고, 이는 실시간 실행을 용이하게 한다는 것이다. 유사한 접근법은, 광범위한 수치의 실험이 놀라울 만큼 우수한 제어 법칙이 여러 반복 이후에 중지함에 의하여 달성될 수 있다는 것을 나타내는 [Y. Wang and S. Boyd, “Fast 모델 예측 control using online optimization,” Control Systems Technology , IEEE Transactions on, vol. 18, no. 2, pp. 267 - 278, 2010]에 기술된다. 연산 시간은 Hessian H 의 인버스를 사전 연산하고, (19)에서의 역행렬에 대한 랭크-1-업데이트를 사용함에 의해 줄어들 수 있다. 평균 연산 시간의 추가 감소는, 제1 제어 변수 증가가 균등 제한(equality constraint)에 의해 고정하자마자, 알고리즘을 중지함에 의해 달성될 수 있다.

상태 관찰자와 레퍼런스 필터링의 효과 및 이점이 이제 설명된다. 오프셋 없는 트랙킹은, 시설-모델 미스매치 또는 측정되지 않은 외란에도 불구하고, 선택된 MPC 공식(formulation)으로 가능하다. [U. Maeder, F. Borrelli, and M. Morari, “Linear offset-free model predictive control,” Automatica, vol. 45, no. 10, pp. 2214 - 2222, 2009]에서, 이는 관찰자를 사용하여 달성되어서, 현재 상태 벡터는, 실제의 이전 컨트롤러 출력(

) 대신에, 추정치(

)를 포함한다는 것을 나타낸다. 더구나, 관찰자는, 모든 상태가 직접적으로 측정될 수 없더라도, 전체 상태 벡터를 제공할 수 있다. 모든 샘플에서, 스칼라 레퍼런스(r_k)로부터 실현 가능한 레퍼런스 궤적 벡터(

)를 생성하는데, 레퍼런스 사전 필터가 사용된다. 필터는, 연산 지연과 시스템의 로우 패스 특징을 설명하기 위하여 두 개의 샘플에 의해 궤적을 지연시킨다. 또한,

에 대한 변화의 궤적의 레이트를 제한한다.

이제까지 기술된 선형 MPC는 상수 파라미터를 가진 부하에만 적용된다. 부하의 필터 커패시턴스가 알려지거나, 측정되고, 작동 중에 변하지 않는다. 그러나, CPL로, 파라미터 R ₂는, (2)에 따라 v ₂ and P 에 걸쳐 변한다. 한 가지 가능한 접근법으로, 강건성 개념이 이 제어 문제를 해결하는데 선택된다. 시스템 모델 (6)에 있어서, 두 개의 극단적인 경우가 식별될 수 있다. 첫 번째, P = 0에 대해서, 불확실한 파라미터는

이 된다. 두 번째, 부하 인버터에 대해 명시된 가장 낮은 입력 전압(

)에서 최고 높은 전력 수요(P^max)에 대해서, 불확실한 파라미터는 값

을 가진다. 두 가지 극단적인 경우에 있어서, 하나는 (7)의 형태로 두 개의 예측 모델을 설정할 수 있는데, 이는 상태 벡터 x_k1k로

에 의해, 그리고, 상태 벡터 x_d2k로

에 의해 표시된다. 기본적인 아이디어는, 한 편으로는, 실제 시설을 적절히 제어하는 제어 움직임의 시퀀스를 찾기 위하여, 다른 한 편으로는, 두 개의 극단적인 시설을 안정화하기 위하여, 예측에 대한 두 모델을 사용하는 것이다. 두 모델에 동일한 제어 변수 시퀀스를 적용함에 의해, 그리고, 도 8에 도시된 바와 같은 제어된 출력과 같이,

및

로 가중화된 두 출력의 합을 취함에 의해 달성된다.

이는 섹션 ??으로부터의 MPC 알고리즘을 사용하고, 증가하는 모델을 적절히 설정함에 의해,

으로 선택된 상태 벡터로, 실행될 수 있다.

관찰자 설계는 확장된 출력 벡터인

을 통하여 관측할 두 모델을 요한다.

실제로, 실제 시설로부터 사용 가능한

측정치만 있다. 관찰자에 대한 전체 출력 벡터를 얻기 위하여, 이들은 쌓여야 한다

.

이전에 알려지지 않은 파라미터(g_p)가 측정되거나 추정된다면, 성능은 스케쥴링 컨트롤러로 개선될 수 있다. 시스템 설명 (7)은 하나의 파라미터(g_p)를 가지고, 이는 스케쥴링 변수로 선택된다. 예상된 작동 범위에 균일하게 걸친 대표적인 세트 값

에 대해, 로컬 MPC 매개화(parameterization)가 얻어진다. 대응되는 파라미터 세트

는 연산된 오프라인이다. 실행중에, 그리고 나서 스케쥴은 파라미터 세트만을 선택해야 하고, 이는

이다.

이 컨트롤러 스킴은 도 9에 도시된다. 로컬 파라미터 세트의 수(N_g)가 높을수록, 시스템 응답은 더 부드러울 것이다. 파라미터 세트의 수만이 파라미터 저장을 위해 필요한 메모리 양에 영향을 주나, 온라인 연산의 복잡성을 증가시키지는 않는다. 파라미터 세트간에 충돌없는 이동을 달성하기 위하여, 이 스킴을 실행할 때, 살펴야한다. 초기 시스템(7)은 조합된 외란과 오프셋 상태(

)를 포함하여, 상태 벡터의 의미는 스케쥴링 변수에 의존한다. 동일한 물리적 상태는 각 로컬 MPC에 대한 w_k의 다양한 값을 야기한다. 이 문제점은 상태 벡터

로, 확장된 이산 시간 모델

을 선택함에 의해 완화되며, 상태 변수와 물리적 상태 사이의 관계는 스케쥴링 변수와 독립적이다. 그리고 나서, MPC에 대해 증가되는 예측 모델은 증가된 상태 벡터인

를 가진

로 정의된다.

행렬 A (g_p,_i), B , C 는, (12), (18)로부터 대응되는 세트

를 찾는데 사용된다. 컨트롤러의 각 샘플에 있어서, 상태 v_{2 ,k} 및

는 동일하다. 그러나, MPC의 예측 호리즌 내에서, v_{2 ,k+i|k}는 변하는 반면,

는 모든

에 대해 일정하게 유지된다. 상기와 같이 형성된 상태 벡터의 선택 때문에, 상태는 파라미터(g_p)와 독립적으로 추정되어서, 동일한 관찰자는 전체 작동 범위에 대해 사용될 수 있다. g _p = 0 을 선택함에 의하여, CPL의 영향은 외란(

)으로 처리된다. 따라서, 상태 관찰자는 아래 공칭 모델을 위해 설계된다.

추정된 상태 벡터

은

로 연장되어서, 스케쥴링 MPC를 위해 사용될 수 있다.

gp가 직접적으로 측정될 수 없기 때문에, 관찰자도 (4)로부터 스케쥴링 변수의 추정치(

)을 얻는데 사용되어서,

이 된다.

크리스프 파라미터 스위칭(crisp parameter swiching)은 과도기 동안에 시스템의 원치 않은 여기(excitation)를 야기할 수 있다. 리밋 사이클(Limit cycle)은 정상 상태 동작점이 두 지지 포인트의 정 중앙에 있고, 스케쥴러가 끊임없이 그 둘 사이를 스위칭한다면, 발생할 수 있다. 파라미터 블렌딩이나 컨트롤러 출력 블렌딩과 같은 좀 더 발전된 스케쥴링 기술은 성능에 있어 개선점을 가져온다[G. Gregorcic and G. Lightbody, “Nonlinear model-based control of highly nonlinear processes,” Computers & Chemical Engineering, vol. 34, no. 8, pp. 1268 - 1281, 2010].

본 발명에 따라 제안된 컨트롤러 설계는 시뮬레이션은 물론, 60 kW 배터리 에뮬레이터로 실험적으로 증명되었다. 테스트 시스템의 파라미터는 Table 1에 나열된다. 테스트 시스템의 PWM 변조기는 그 입력단에 로우-패스 필터를 가지고, 이는 컨버터 모델 (1)에 추가된다.

시뮬레이션은 3개의 인터리브된 스위칭 상을 가진 BE 출력단의 자세한 모델을 사용하여 수행되었다. 시뮬레이트된 부하는 150 V 보다 큰 전압에 대해 이상적인 CPL로서 모델링 되었다. 낮은 전압에 대해, 시뮬레이트된 부하는 일정한 전류 행동으로 스위칭된다.

시뮬레이션 모델에서, 최악의 경우 상황에서도 제안된 접근법의 효과를 나타내기 위하여, C₂ = 0μF 가 필터 커패시턴스를 위해 선택되었다. 시뮬레이션은 CPL 모델, 제안된 스케쥴링 컨트롤러 및 제안된 강건한 컨트롤러 없는 MPC를 사용하여 수행되었다. 강건한 컨트롤러는

에서 P^max = 60kW 의 최대 전력 수요에 대해 설계되어서,

와

이다. 더 넓은 범위를 선택하는 것은 증가된 강건성으로 이어지나, 더 늦은 응답으로도 이어진다. 스케쥴링 접근법으로, 더 넓은 파라미터 범위는 폐루프 성능에 영향을 주지 않고 커버될 수 있다. 추가 파라미터에 대해 증가된 메모리 수요만 고려되어야 한다. g_p = 1/R₂의 표시로, 시스템 행렬은 g_p에 선형적으로 의존한다. 그 결과, 21 파라미터 세트는

와

사이에 균일하게 위치되어서, 결과로 나온 로컬 컨트롤러들은

떨어져서 위치된다.

도 10은 0 V에서 320 V의 설정점까지 부하 없이 스타트업에 대한 시뮬레이션 결과와 0 kW에서 60 kW까지 갑작스런 부하 단계에 대한 시뮬레이션 결과를 나타내면서, 레퍼런스는 일정하게 유지된다. 영 부하에서, 공칭 컨트롤러와 스케쥴링 컨트롤러는 동일한 파라미터의 세트를 사용하여서, 이들의 스타트업은 처음 5 ms 동안 동일하다. 5 ms에서 부하 단계이후에, 공칭 컨트롤러는 변화된 시설 역학에 적응되지 않고, 폐루프가 불안정해지는 반면, 스케쥴링 컨트롤러는 안정하게 유지된다. 출력 전압에서 제1 큰 딥(dip)에도 불구하고, 컨트롤러는, 사용 가능한 제어 변수 범위를 최적으로 사용하여, 거의 오버슈트 없이 빠르게 전압을 복원할 수 있다. 강건한 컨트롤러 변형(variant)으로, 폐루프도 안정하게 유지되나, 이는 오버슈트를 야기하고, 단계 외란 이후에 안정화되는데 더 오래 걸린다. 강건한 컨트롤러가 제어 변수를 더욱 조심스럽게 사용하기 때문에, 스타트업 동안에, 설정점에 도달하는데 약간 더 오래 소요된다. 10 ms 이후에, 320 V에서 270 V 까지의 레퍼런스 단계가, 레퍼런스 트랙킹 및 동작점에서의 변화의 처리 능력을 증명하기 위하여, 적용된다. 제안된 컨트롤러는 짧은 상승-시간 및 빠른 정착 모두를 나타낸다.

실험적인 테스트에 있어서, 제어 알고리즘은 자동 코드 생성을 위하여 내장된 Matlab을 사용하는 dSpace MicroAutoBox상에서 실행되었다. dSpace 플랫폼은 800 MHz에서 클록되는 IBM PPC 750FX 프로세서에서 특징된다. 부하 없는, 레퍼런스 전압 단계 변화는 도 11에 도시되고, 제한된 최적화의 효과를 증명한다. 작은 레퍼런스 단계에 있어서, 설정점은 매우 빠르게 도달될 수 있다. 컨트롤러는 첫 번째 시간 단계에서 큰 제어 변수 증가를 적용시키나, 즉시, 다음 샘플 동안에서 하한계로 제어 변수를 감소시킨다. 0.8 ms 보다 작은 시간 이후에, 설정점이 도달되고, 듀티 사이클은 새로운 정상 상태값으로 설정된다. 도시된 바와 같이, 인덕터 전류는 삼각형 궤적을 따른다. 큰 레퍼런스 단계에 있어서, 컨트롤러는 처음 두 샘플 동안에, 듀티 사이클의 상한계를 완전히 사용한다. 그리고 나서, 컨트롤러는 새로운 설정점이 도달할 때까지 레퍼런스 궤적을 따른다.

동일하고 큰 레퍼런스 단계는, 도 12에 도시된 바와 같이, ±200A의 감소된 인덕터 전류 한계 및 100A를 뽑아내는 일정한 전류 부하로 반복되어서, 인덕터 전류 제한의 활성화를 증명한다. 인덕터 전류는 과도 현상 동안에 상한계로 제한되어서, 출력 전압은 서서히 오르기만 할 수 있다.

테스팅 목적으로, 24 kW의 최대 전력을 가진 DC 투 삼상 AC UPS 인버터와 C ₂ = 20 000 μF의 DC 링크 커패시턴스는 BE에 연결되었다. AC 사이드에, 그것은 삼상 레지스터에 걸쳐 일정한 전압을 조절하도록 설정되어서, BE를 향해 CPL로 보였다. 레퍼런스 단계 변화의 시퀀스에 대한 결과는, 스케쥴링 컨트롤러와 강건한 컨트롤러를 사용하여 도 13에 도시된다. CPL에 대해 예상되는 바와 같이, 부하 전류는 증가하는 출력 전압에 대해 감소되고, 그 역도 성립한다는 것을 볼 수 있다. 과도 현상 동안에, 인버터의 큰 DC-링크 커패시터의 충전 및 방전은 큰 전류 스파이크를 야기했다. 그러나, 이들은 ±300 A의 인덕터 전류 제한으로 제한되었다. 스케쥴링 컨트롤러는 짧은 순간 동안 하한계를 약간 위반한다.

부하 외란은 부하 인버터의 AC 사이드상의 레지스터에 대해 갑자기 스위칭함에 의해 테스트되었다. 결과는 도 14에 도시된다.

Claims (7)

1. 적어도 부분적으로 전기 구동되는 자동차의 파워트레인을 테스트하기 위한 방법에 있어서, 파워트레인으로 공급되는 전압이 실제 에너지 저장 시스템을 위해 동적으로 작용하는 방식으로, 상기 전압은 에너지 저장 시스템을 위한 시뮬레이션 시스템과 결합된 컨트롤러에 의해 제어되며,
   사용되는 파워트레인의 부하 모델이 제어되는 시스템의 모델에서 사용되면서, 컨트롤러는 모델 기반 컨트롤러 설계 방법으로 설계되는 것을 특징으로 하는 적어도 부분적으로 전기 구동되는 자동차의 파워트레인을 테스트하기 위한 방법.
2. 제 1 항에 있어서, 출력 전압이 측정되고, 파워트레인의 전력 수요가 평가되며, 부하 모델의 파라미터가 출력 전압 및 평가된 부하 수요에 의존하여, 바람직하게는, 파라미터의 완전 세트(complete set)들 사이에 스위칭함에 의해 변형되는 것을 특징으로 하는 적어도 부분적으로 전기 구동되는 자동차의 파워트레인을 테스트하기 위한 방법.
3. 제 2 항에 있어서, 부하 수요의 평가치는, 측정된 부하 전류에 기초하여, 관찰자 시스템으로 달성되는 것을 특징으로 하는 적어도 부분적으로 전기 구동되는 자동차의 파워트레인을 테스트하기 위한 방법.
4. 적어도 부분적으로 전기 구동되는 자동차의 파워트레인을 테스트하기 위한 장치에 있어서, 에너지 저장 시스템에 대한 시뮬레이션 시스템을 포함하고, 파워트레인으로 공급되는 전압이 실제 저장 시스템을 위해 동적으로 작용하는 방식으로, 상기 전압을 제어하기 위한 컨트롤러를 포함하며, 상기 컨트롤러는 시뮬레이션 시스템과 결합되되,
   모델 예측 제어 루프가 컨트롤러내에 설립되고, 부하 모델은 제어되는 시스템 내에 통합되는 것을 특징으로 하는 적어도 부분적으로 전기 구동되는 자동차의 파워트레인을 테스트하기 위한 장치.
5. 제 4 항에 있어서, 부하 전력 수요 의존 모델이 통합되는 것을 특징으로 하는 적어도 부분적으로 전기 구동되는 자동차의 파워트레인을 테스트하기 위한 장치.
6. 제 4 항 또는 제 5 항에 있어서, 모델 예측 제어가 컨트롤러 내에 설립되는 것을 특징으로 하는 적어도 부분적으로 전기 구동되는 자동차의 파워트레인을 테스트하기 위한 장치.
7. 제 6 항에 있어서, 모델은 에너지 저장 시스템의 출력 전압에 의존하는 모델이 통합되는 것을 특징으로 하는 적어도 부분적으로 전기 구동되는 자동차의 파워트레인을 테스트하기 위한 장치.

Images