장거리 수요 예측 불확실성을 견디는 강인 계층형 MPC 기반 자동차 열관리

본 논문은 동적 시스템에서 ‘느린’ 저장 상태와 ‘빠른’ 제어 입력이 동시에 존재할 때 발생하는 장기 수요 예측 불확실성 문제를 해결하기 위해 강인 계층형 모델 예측 제어(H‑MPC) 구조를 설계한다. 먼저, 시스템을 선형 이산시간 형태 x_{k+1}=A x_k + B_1 \tilde u_k + B_2 \hat u_k 로 모델링하고, 상태를 빠른 상태와 느린 상태로 구분한다. 여기서 \tilde u는 제어 가능한 입력, \hat u는 외부 수요(예: 차량의 구동 전력)로서 사전에 예측될 수 있다. 전통적인 단일 레이어 MPC는 긴 예측 호라이즌을 사용하면 계산 복잡도가 급증하고, 장기 수요 예측의 정확도가 낮아 제약 위반 위험이 커진다. 이를 보완하기 위해 두 레이어로 구성된 H‑MPC를 도입한다. ① 스케줄링 레이어(상위) : 샘플링 주기 T_s = ν·T, 예측 호라이즌 H_s 를 사용해 느린 상태의 최적 궤적을 계산한다. 이 레이어는 장기 수요 프리뷰 \hat U_s를 근사적으로만 사용한다. 최적화 문제는 상태·입력 제약을 포함하며, 비용 함수는 원래의 성능 목표와 상태·입력 가중치를 포함한다. ② 파일럿 레이어(하위) : 샘플링 주기 T, 짧은 호라이즌 H_p 를 사용한다. V2V/V2I 통신을 통해 얻은 고정밀 단기 수요 프리뷰 \hat U_k 를 활용한다. 파일럿 MPC는 스케줄링 레이어가 제공한 느린 상태 목표 \*x_{slow} 를 트래킹하도록 설계되며, 빠른 상태 제어와 함께 느린 상태의 추적 오차를 최소화한다. 핵심 아이디어는 파일럿 레이어에서 예측된 느린 상태의 제약 위반 가능성을 스케줄링 레이어에 피드백하여, 스케줄링 레이어의 제약을 사전 축소(constraint tightening)하는 것이다. 구체적인 절차는 다음과 같다. 1. 현재 시점 k에서 파일럿 레이어는 최적 제어 입력 \tilde u^*를 사용해 미래 상태 x(k+j+1|k) (j=0,…,H_p‑1)를 예측한다. 2. 각 예측 단계에서 느린 상태가 허용 범위 q_x 를 초과하면 초과량을 \bar q_x(k+j+1|k) 로 계산한다. 빠른 상태에 대해서는 0 으로 설정한다. 3. 초과량을 기존 제약 q_x 에서 차감해 새로운 제약 집합 X_j = {x | P_x x ≤ q_x – \bar q_x(k+j+1|k)} 를 만든다. 4. 전체 강인 제약 집합 X_robust = X ∩ X_1 ∩ … ∩ X_{H_p‑1} 를 정의하고, 이를 다음 스케줄링 단계의 제약으로 사용한다. 이러한 사전 제약 축소는 장기 예측 오차가 실제로 발생하기 전에 여유를 확보함으로써, 느린 상태가 큰 편차를 보이기 전에 제어가 개입하도록 만든다. 논문에서는 또한 ‘수동형’ 제약 축소(실제 위반이 감지된 시점에만 제약을 축소)와 비교해, 사전 예측 기반 축소가 느린 동적 특성에 더 적합하고 효율적임을 논증한다. 시뮬레이션은 간소화된 차량 열관리 모델을 사용한다. 차량의 배터리와 냉각 시스템을 주요 느린 상태로 설정하고, 구동 전력 요구량을 외부 수요 \hat u 로 모델링한다. V2V/V2I 통신을 가정해 단기 구동 전력 프리뷰를 정확하게 제공하고, 장기 프리뷰는 평균값 수준으로 가정한다. 결과는 다음과 같다. - 기존 H‑MPC 대비 제약 위반 횟수가 현저히 감소하였다. - 제약 위반을 방지하기 위한 여유 공간을 사전에 확보함으로써, 전체 시스템 에너지 효율이 향상되었다. - 단기 프리뷰 정확도가 높을수록 파일럿 레이어의 예측 정확도가 증가하고, 이에 따라 제약 축소 효과가 극대화된다. 결론적으로, 본 연구는 장기 수요 예측 불확실성을 다루는 새로운 강인 제어 프레임워크를 제시한다. 계층형 구조를 활용해 계산 부담을 줄이고, 단기 고정밀 프리뷰와 예측 기반 제약 축소를 결합함으로써, 느린 상태를 포함한 복합 시스템에서 안정성과 효율성을 동시에 달성한다. 향후 연구에서는 비선형 시스템, 실시간 V2X 통신 지연, 그리고 실제 차량 실험을 통한 검증이 제안된다.