A Study on Supervised-learning-based Optimal Thermal Management in an Electric Vehicle

Abstract

본 논문은 전기 자동차에서 열 관리 시스템의 최적 운영을 위한 새로운 지도 학습 기반의 전략을 제안하였다. 이 전략에서는 배터리 온도가 허용 가능한 범위 내에서 유지되는 동안 electric water pump (EWP), 팬 및 압축기의 총 에너지 소비량을 최소화하였다. 열 관리 하위 시스템의 인공 신경망은 전기 자동차 주행의 정상적인 조건에 대해 얻은 데이터를 이용하여 학습되었다. 학습된 인공 신경망은 열 관리 시스템의 물리적인 구성에 기초하여 상호 연결되었으며, 최적의 열 관리 스케줄링 문제에 직접 적용할 수 있도록 명시적인 부분 선형 방정식을 사용하여 동등하게 표현하였다. 이를 통해, 혼합 정수 선형 계획법 솔버를 손쉽게 적용하여 최적화 문제를 해결할 수 있다. 사례 연구 결과를 통해 인공 신경망 기반 모델이 열 관리 시스템의 운영 특성을 성공적으로 반영했음을 확인하였다. 인공 신경망 기반 모델을 사용하여 electric water pump (EWP), 팬 및 압축기의 협조 운영을 통해, 기존의 규칙 기반 전략에 비해 통합 및 개별 모드에서 각각 총 전력 소비량을 48.5%, 6.9% 줄였다. 이때, 배터리 온도도 허용 범위 내에서 조절되었다. 제안된 전략을 온라인 학습과 통합하는 것과 관련하여 후속 연구가 여전히 필요하다. 제안된 전략을 적용한 후, 다양한 주행 환경에서 열 관리 시스템 운영에 관한 새로운 데이터를 수집함에 따라, 인공 신경망 기반 모델을 온라인으로 학습이 가능하게 된다.

Due to the increasing market share of electric vehicles (EVs), the optimal thermal management (TM) of batteries has recently received significant attention. Optimal battery temperature control is challenging, requiring a detailed model and numerous parameters of the TM system, which includes fans, pumps, compressors, and heat exchangers. This paper proposes a supervised learning strategy for the optimal operation of the TM system in an EV. Specifically, for TM subsystems, individual artificial neural networks (ANNs) are implemented and trained with data obtained under normal EV driving conditions. The ANNs are then interconnected based on the physical configuration of the TM system. The trained ANNs are replicated using piecewise linear equations, which can be explicitly integrated into an optimization problem for optimal TM scheduling. This approach enables the application of a mixed-integer linear programming solver to the problem, ensuring the global optimality of the solution. Simulation case studies are performed for the two operating modes of the TM system: i.e., integrated and separate modes. The case study results demonstrate that the ANN-based model successfully reflects the operating characteristics of the TM system, enabling accurate battery temperature estimation. The proposed optimal TM strategy using the ANN-based model is verified to be effective in reducing the total energy consumption, while maintaining the battery temperature within an acceptable range.