1. 서 론

전 세계적으로 지속가능한 교통수단에 대한 관심이 증가하면서 철도 분야에서도 친환경 동력기술에 대한 연구가 활발히 진행되고 있다. 기존 철도 시스템은 전기 공급을 위한 전차선(Overhead Catenary System, OCS) 또는 디젤기관 기반의 동력방식에 의존해 왔다. 그러나 이러한 방식은 건설 및 유지비용이 크며, 디젤기관차의 경우 높은 수준의 이산화탄소(CO2) 및 질소산화물(NOx)을 다량 배출하여 강화되는 환경 규제에 대응하기 어렵다. 이에 따라 기존 방식을 대체할 수 있는 친환경 철도 동력시스템의 필요성이 점차 커지고 있다.

대표적으로 배터리 전기철도(Battery Electric Train)의 경우, 대용량 리튬배터리를 탑재하여 외부 전원 없이 일정 거리 이상주행이 가능하다. 또한 회생제동을 활용할 경우 에너지 효율을 향상시킬 수 있으며, 전차선이 없는 무가선 구간 주행이 가능하다는 점에서 도시철도 및 트램에 적합하다. 그러나 배터리 에너지 밀도의 한계로 장거리 운행에는 제약이 따른다. 이에 비해 수소연료전지 하이브리드 철도차량(Hydrogen Fuel Cell Hybrid Train)은 비전철화 구간에서 기존 디젤 기관차를 대체할 수 있는 대안으로 평가된다. 수소연료전지의 청정에너지 특성과 리튬이온 배터리의 고출력 및 회생제동 에너지 저장 능력을 결합할 경우, 효율적이고 유연한 에너지 운용이 가능하다. 그러나 실제 운행환경에서는 비선형적 전력 수요, 다양한 운행 조건, 수소연료전지와 배터리의 동작 제약 등으로 인하여 에너지 관리 전략 (Energy Management Strategy, EMS)이 요구된다.

따라서 효율적인 EMS는 수소연료전지가 적용된 하이브리드 동력시스템의 연비 향상, 구성 요소 수명 연장 및 시스템의 안정적인 운용을 위해 필수적이다. 지금까지 다양한 EMS 기법이 제안되었다. 규칙기반 알고리즘(Rule-Based Algorithm, RBA)의 경우, 차량의 운행 상태 (요구 출력, 속도 등) 및 시스템 상태(배터리 SOC, 연료전지 출력 등)를 입력으로 하여, 사전에 정의된 규칙에 따라 출력을 결정하는 방식이다 ^[1-3]. 연산이 간단해 실시간 적용이 용이하다는 장점이 있으나, 다양한 운행 조건과 시스템의 동적 특성을 반영하기 어려운 단점이 있다. 퍼지 제어(Fuzzy Logic Control)는 인간의 직관적 판단을 수학적으로 모델링할 수 있어 유연하고 강인한 제어 전략을 제공할 수 있다 ^{[4], [5]}. 최적 제어이론에 기반한 DP(Dynamic Programming) 기법은 모든 가능한 상태와 입력을 탐색하여 최적값을 도출하므로 전역 최적화(global optimal)을 보장한다. 하지만 미래의 운행조건 및 시스템 상태를 알아야 하며, 계산량이 많아 실시간 적용이 불가능하다 ^{[6], [7]}. 등가소비 최소화전략 (Equivalent Consumption Minimization Strategy, ECMS)은 차량의 연료 소비 최소화를 위해 전역 최적화 문제를 순시 최적화로 변환하는 기법이다 ^{[8], [9]}. 전기에너지와 수소연료 에너지의 사용을 등가로 환산하여 실제 운행에 적용이 가능하며, 다양한 조건에서 응용이 가능한 이점이 있다. 다만, 등가계수 설정에 민감하여, 특정 주행조건에서 배터리 SOC가 지속적으로 상승 또는 하강하는 문제가 발생할 수 있다.

본 논문에서는 기존 방법들의 한계를 보완하기 위하여 수소연료전지 하이브리드 철도차량의 운행 상태 예측을 결합한 퍼지 제어 기반 EMS를 제안한다. 철도차량은 정해진 경로와 속도 프로파일을 따라 운행하므로, 현재 위치를 바탕으로 향후 운전 상태(가속, 정속, 제동)를 예측할 수 있다. 이를 실시간 시스템 변수인 배터리 SOC, 요구 추진력 등과 함께 퍼지 제어기에 입력하여, 다양한 운전 조건과 불확실성에 유연하게 대응 가능한 에너지 분배 전략을 구현한다.

2. 수소연료전지 하이브리드 철도차량 동력시스템

2.1 시스템 구성

본 논문에서 대상으로 한 수소연료전지 하이브리드 철도차량의 동력시스템 구성은 그림 1과 같다.

그림 1. 수소 연료 전지 하이브리드 열차의 시스템 구성

Fig. 1. System configuration of hydrogen fuel cell hybrid train

동력시스템 내 에너지원(수소연료전지, 배터리시스템)의 출력은 차량의 DC-link 단에 연결되며, 차량에서 요구되는 전체 전력($P_{dem{and}}$)은 식 (1)과 같이 수소연료전지 출력($P_{fc}$)과 배터리시스템 출력($P_{bat}$)의 합으로 표현된다.

(1)

$P_{dem{and}}[{k W}]= P_{fc}+P_{bat}$

수소연료전지 시스템은 본 차량의 주된 동력원으로, 저장탱크를 통해 고압 수소를 공급받는다. 공급된 수소는 외부 산소와의 전기화학적 반응을 통해 전기에너지로 변환되어 차량에 공급되며, DC/DC 컨버터를 출력 전력이 제어된다. 배터리시스템은 가속 등 고출력이 요구되는 상황에서 동력시스템에 보조 동력원을 제공하고, 감속 또는 제동 시 발생하는 회생에너지를 저장하여 전체 시스템의 에너지 효율을 향상시킨다.

2.2 시스템 모델링

2.2.1 차량 모델링

본 논문에서 사용되는 차량모델은 점질량 모델(point mass model)이며, 식 (2)에 따라 차량에 가해지는 힘에 의하여 차량 속도($v$)가 결정된다.

(2)

$M_{veh}\frac{dv}{dt}=F_{traction}+F_{brake}-F_{res}-F_{slope}-F_{curve}[{k N}]\\ {F}_{{res}}={c}_{1}+{c}_{2}{v}+{c}_{3}{v}^{2}\\ {F}_{{slope}}={M}_{{veh}}{g}\sin\alpha \\ {F}_{{curve}}={M}_{{veh}}{g}\frac{{k}}{{r}}$

여기서 $M_{veh}$는 차량 중량이며, 차량 내부 힘은 견인력 $F_{traction}$과 제동력 $F_{brake}$으로 구성된다. 외부 힘은 Davias 식에 따라 주행저항 계수 $c_{1}$, $c_{2}$, $c_{3}$에 대한 주행저항 $F_{res}$, 중력가속도 $g$, 경사도 $\alpha$에 따른 구배저항 $F_{slope}$, 그리고 곡선저항계수 $k$ 및 곡선반경 $r$에 대한 곡선저항 $F_{curve}$으로 구성된다.

2.2.2 배터리 시스템 모델링

본 연구에서는 배터리 시스템의 동특성을 반영하기 위하여 그림 2와 같이 개방전압($V_{ocv}$)과 내부저항($R_{in}$)을 고려한 등가회로 모델을 사용하였다. 이때 배터리 시스템의 SOC는 입출력 전류($I_{bat}$)와 정격용량($Q_{bat}$)에 대하여 식 (3)과 같이 결정된다.

그림 2. 배터리 시스템의 내부 저항 모델

Fig. 2. Internal resistance model of battery system

(3)

$\frac{d}{dt}SOC=-\frac{I_{bat}}{Q_{bat}}$

배터리 시스템의 출력전압($V_{bat}$)은 식 (4)과 같이 SOC에 따라 변화하는 $V_{ocv}$와 $R_{in}$에 의한 전압강하에 따라 결정되며, 이에 따라 $I_{bat}$는 식 (5)와 같이 계산할 수 있다.

(4)

$V_{bat}[{V}]= V_{ocv}(SOC)-I_{bat}\bullet R_{in}\\ P_{bat}[{k W}]= V_{ocv}I_{bat}+R_{in}I_{bat}^{2}$

(5)

$I_{bat}[{A}]= -\frac{V_{ocv}-\sqrt{V_{ocv}^{2}-4R_{in}P_{bat}}}{2R_{in}}$

2.2.3 수소연료전지 모델링

본 연구에서는 수소연료전지의 모델링을 위해서 화학반응 시간 및 에어 컴프레서, 내부 전력변환장치 등 주변장치에 따른 시간지연은 무시하였으며, 정상상태에서 그림 3과 같은 출력 특성을 갖는다고 가정하였다. 이때 수소연료전지의 발전 효율($\eta_{fc}$)은 순시 수소소비량($\dot{m}_{fc}$)과 저위발열량(Lower Heating Value, $LHV_{fc}$)에 따라 식 (6)과 같은 관계를 갖으며, 수소의 $LHV_{fc}$는 120 MJ/kg 이다.

(6)

$\eta_{fc}[\%]=\frac{P_{fc}}{\dot{m}_{fc}LHV_{fc}}$

그림 3. 수소 연료 전지의 특성 곡선

Fig. 3. Characteristics curve of hydrogen fuel cell

3. Fuzzy 제어를 이용한 에너지 관리 전략

퍼지 제어(Fuzzy Control)는 인간의 언어적 판단을 수학적으로 모델링하는 제어 기법이다. 철도차량과 같이 운전 조건이 다양한 경우, 퍼지 제어는 유연하고 직관적인 제어 전략을 제공할 수 있다. 특히 수소연료전지와 배터리 간 전력 분배는 다수의 입력 요소가 복합적으로 작용하므로, 퍼지 규칙 기반 추론 시스템이 효과적으로 적용될 수 있다.

퍼지 멤버십 함수는 주어진 입력값이 특정 퍼지 집합에 속하는 정도를 [0, 1] 구간의 실수값으로 표현한다. 즉, 명확히 상태를 구분하는 고전적 방식과 달리, 상태의 정도(degree of membership)를 아래와 같이 연속적으로 나타낼 수 있다.

여기서 $\mu_{A}(x)$는 입력값 𝑥가 집합 A에 속하는 정도를 나타내는 멤버십 함수(Membership Function)이다.

본 논문에서는 차량 운행 정보를 고려한 퍼지 제어 기반 에너지 관리 전략을 제안한다. 구체적으로 목표 SOC와 실제 SOC 간의 오차, 차량 요구 전력, 그리고 위치 기반 운행 예측 정보를 퍼지 제어기의 입력 변수로 설정하였다. 입력된 변수들은 퍼지화(fuzzification) 과정을 거쳐 멤버십 함수로 변환되며, 이후 퍼지 규칙에 따른 퍼지 추론(fuzzy inference)과 역퍼지화(defuzzification)를 통해 수소연료전지의 출력 전력이 결정된다. 이 과정에서 각 입력 및 출력변수는 서로 다른 도메인과 단위를 가지므로, 정규화 과정을 통해 멤버십 함수로 변환하였다.

그림 4. 퍼지 제어 구조

Fig. 4. Structure of fuzzy control

3.1 퍼지 멤버쉽 함수

3.1.1 SOC 오차

SOC 오차는 목표 SOC와 현재 SOC 사이의 차이를 나타내며, 배터리의 충전 또는 방전 필요성을 판단하는 지표로 활용된다. 본 연구에서는 아래와 같이 SOC 오차를 퍼지 제어 입력변수로 설정하고, 이를 다음과 같이 세 가지 언어 항목으로 분류하였다.

표 1. SOC 오류에 대한 언어 변수

Table 1. Linguistic variable for SOC error

Linguistic Variable	Description
Positive (P)	SOC가 목표치보다 낮음
Zero (Z)	SOC가 목표 범위 내 있음
Negative (N)	SOC가 목표치보다 높음

그림 5. SOC 오차의 소속 함수

Fig. 5. Membership function of SOC error

(8)

$SOC_{error}=SOC_{ref}-SOC$

목표 SOC 설정 방식에 따라 배터리 운용 전략은 크게 Charge Sustaining Mode (CSM)와 Charge Depletion Mode (CDM)으로 구분된다. CSM은 초기부터 SOC를 일정하게 유지하도록 연료전지가 SOC를 지속적으로 조절하는 방식으로, 장거리 운행 및 다양한 조건에 안정적으로 대응할 수 있으며 배터리 수명 관리에 유리하다. 그러나 대부분의 구간에서 연료전지가 지속적으로 동작하므로 연료전지 열화가 가속화될 수 있다. 반면 CDM은 운행 과정에서 SOC를 점진적으로 소모하며, 배터리 전력 사용을 우선적으로 유도한다. 이 방식은 초기 주행 구간에서 전기에너지 활용을 극대화하고, 연료전지 작동을 후반부로 지연시켜 수소 소비를 줄이는 데 효과적이다. 다만 장거리 운행 시 SOC가 과도하게 저하될 수 있으며, 회차 운행 시 배터리 충전을 위한 별도의 시간이 필요하다. 본 연구에서는 그림 6와 같이 CSM과 CDM의 장점을 혼합한 목표 SOC 관리 방식을 적용하여, 각 방식의 단점을 상호 보완할 수 있도록 설계하였다.

그림 6. SOC 레퍼런스의 궤적

Fig. 6. Trajectory of SOC reference

3.1.2 차량 요구 전력

차량 요구 전력는 차량의 추진력 또는 제동력을 나타내는 지표로, 차량의 보조부하와 추진모터 출력의 합으로 계산된다. 이는 정규화를 통해 [-100%, +100%] 범위의 퍼지 입력 변수로 사용된다.

표 2. 수요 전력에 대한 언어 변수

Table 2. Linguistic variable for demand power

Linguistic Variable	Description
Positive (P)	차량 추진 상태
Zero (Z)	차량 정속 또는 정차 상태
Negative (N)	차량 제동 상태

그림 7. 수요 전력에 대한 소속 함수

Fig. 7. Membership function of demand power

3.1.3 차량 위치 기반 운행예측 정보

철도차량은 정해진 선로를 따라 운행하며, 가속-정속-제동-정차의 일정한 주행 패턴을 가진다. 따라서 자동 운전 뿐만 아니라 유인 운전의 경우에도 차량의 위치 정보를 통하여 주행 조건을 예측할 수 있다. 본 연구에서는 차량의 현재 속도 $v(k)$와 미래 속도 $v(k+N)$의 차이를 이용하여 주행조건을 표 3과 같이 세가지로 구분하였다. 또한 주행노선에 구배조건이 포함될 경우, 이에 따른 주행조건을 반영한 멤버십 함수를 퍼지 제어 입력 변수로 확장할 수 있다.

(9)

$v_{error}=v(k+N)-v(k)$

표 3. 열차 속도 오차 예측을 위한 언어 변수

Table 3. Linguistic variable for train speed error prediction

Linguistic Variable	Description
Increasing (I)	차량 가속 예측
Constant (C)	차량 정속 예측
Decreasing (D)	차량 감속 예측

그림 8. 열차 속도 오차 예측을 위한 소속 함수

Fig. 8. Membership function of train speed error prediction

이때 만약 $v_{error}$가 빈번하게 변동하면, 수소연료전지의 출력 또한 불안정해질 수 있다. 이를 방지하기 위해 본 연구에서는 이동평균 필터(moving window average filter)를 적용하여 N개의 미래 샘플에 대한 산술평균을 이용하여 속도 예측값을 산정하였다.

(10)

$\overline{v}_{error}=\frac{1}{N}\sum_{i=1}^{N}v_{error}(i)$

3.1.4 수소연료전지 출력

퍼지 제어의 출력 변수인 수소연료전지 출력전력은 배터리시스템을 포함한 전체 동력시스템의 효율성과 수명을 결정하는 핵심 요소이다. 멤버십 함수의 각 구간은 연료전지 시스템의 실제 출력 범위를 기준으로 설정하였으며, 그 분류는 표 4와 같다. 인접 구간 간에는 중첩 영역을 두어 출력 전환이 연속적으로 이루어질 수 있도록 하였으며, 이를 통해 급격한 출력 변화로 인한 수소연료전지 수명저하를 방지할 수 있도록 하였다. 퍼지 추론 결과는 역퍼지화 과정을 거쳐 실제 수소연료전지 출력제어 명령으로 변환되며, 이를 통해 동력시스템 내 에너지원 간 전력분배가 이루어진다.

표 4. 수소 연료 전지 출력 전력에 대한 언어 변수

Table 4. Linguistic variables for hydrogen fuel cell output power

Linguistic Variable	Description
High (H)	수소연료전지 출력 높음
Medium (M)	수소연료전지 출력 중간
Low (L)	수소연료전지 출력 낮음

그림 9. HFC 출력 전력의 소속 함수

Fig. 9. Membership function of HFC output power

3.2 퍼지 추론 시스템과 역퍼지화

퍼지 추론 시스템은 입력 변수의 조합에 따라 출력변수를 결정한다. 본 연구에서는 3개의 입력변수 내 언어항목의 조합에 따라 총 27개의 규칙을 설계하였으며, Mamdani 방식을 기반으로 식 (11)과 표 5와 같이 핵심규칙을 구성하였다.

(11)

$Rule_{i}\\ IF\;SOC_{error}\;is\;A_{j}\;AND P_{dem{and}}\;is\;B_{k}\;AND\;\overline{v}_{error}\;is\;C_{l},\\ THEN\;P_{fc}\;is\;D_{m}$

여기서 $A_{j}$, $B_{k}$, $C_{l}$는 각각의 입력 퍼지 집합이며, $D_{m}$는 출력 퍼지 집합을 나타낸다. 퍼지 추론 과정에서 각 규칙의 활성도(activation degree)는 입력 변수의 소속도 함수를 이용하여 min 연산으로 계산된다. 입력 변수의 소속도 함수를 각각 $\mu_{A_{j}}(SOC_{error})$, $\mu_{B_{k}}(P_{dem{and}})$, $\mu_{C_{l}}(\overline{v}_{error})$와 같이 정의할 경우, 규칙 $R_{i}$의 활성도는 다음과 같이 표현된다.

(12)

$\alpha_{i}=\min(\mu_{A_{j}}(SOC_{error}), \mu_{B_{k}}(P_{dem{and}}), \mu_{C_{l}}(\overline{v}_{error}))$

결합된 출력 멤버십 함수는 중심 평균(Center of Gravity, COG) 방법을 통해 역퍼지화 되며, 최종 출력값은 다음과 같이 계산된다.

(13)

$P_{fc}^{*}=\frac{\sum_{i=1}^{n}\alpha_{i}\bullet z_{i}}{\sum_{i=1}^{n}\alpha_{i}}$

여기서 $P_{fc}^{*}$는 최종 출력값, $z_{i}$는 해당 출력 멤버십 함수의 중심위치이다.

퍼지 추론 시스템의 응답 특성를 분석하기 위하여, 입력 변수 조합에 따른 수소연료전지 출력 분포를 그림 10에 3차원으로 시각화하였다. 결과에 따르면 SOC가 양의 오차(즉, SOC 부족)이며 차량 요구 전력이 높은 경우, 특히 향후 속도 상승이 예측되는 경우 연료전지 출력은 높게 유지된다. 반대로 SOC가 충분하거나 회생 제동 구간, 혹은 속도 저감이 예상되는 경우에는 연료전지 출력이 낮게 유지되어 불필요한 연료전지 동작을 억제하도록 한다.

그림 10. 퍼지 제어의 출력 분포

Fig. 10. Output distribution of fuzzy control

표 5. 퍼지 제어의 규칙

Table 5. Rule of fuzzy control

No.	Input Linguistic Variable			Output Linguistic Variable	No.	Input Linguistic Variable			Output Linguistic Variable
	$SOC_{error}$	$P_{demand}$	$\overline{v}_{error}$	$P_{fc}$		$SOC_{error}$	$P_{demand}$	$\overline{v}_{error}$	$P_{fc}$
1	N	N	D	L	15	Z	Z	I	M
2	N	N	C	L	16	Z	P	D	M
3	N	N	I	M	17	Z	P	C	M
4	N	Z	D	L	18	Z	P	I	H
5	N	Z	C	L	19	P	N	D	M
6	N	Z	I	M	20	P	N	C	M
7	N	P	D	M	21	P	N	I	H
8	N	P	C	M	22	P	Z	D	M
9	N	P	I	H	23	P	Z	C	M
10	Z	N	D	L	24	P	Z	I	H
11	Z	N	C	L	25	P	P	D	H
12	Z	N	I	M	26	P	P	C	H
13	Z	Z	D	L	27	P	P	I	H
14	Z	Z	C	M	-	-	-	-	-

4. 시뮬레이션

4.1 시뮬레이션 환경 및 조건

퍼지 제어 기반 에너지 관리 전략의 성능을 검증하기 위하여 시뮬레이션을 수행하였다. 이때 차량모델과 제어 부분을 분리하여 그림 11과 같은 co-simulation 환경을 구축하였다.

그림 11. 수소 연료 전지 열차를 위한 공동 시뮬레이션 환경

Fig. 11. Co-simulation Environment for hydrogen fuel cell train

차량모델과 사용된 차량의 주요 제원은 표 6에 요약하였으며, 운행조건은 총 주행거리 242km 구간에서 정거장 간 간 거리 22km를 가속-정속-감속-정차가 반복되도록 구성하였다. 이때 최고 주행 속도는 120km/h 이며, 보조부하 사용량은 100kW로 설정하였다.

표 6. 수소 연료 전지 열차의 사양

Table 6. Specification of hydrogen fuel cell train

Components		Unit	Specification
Vehicle	Weight	tonne	130
	Max acceleration	$m/s^{2}$	0.83
	Max deceleration	$m/s^{2}$	0.97
Hydrogen fuel cell	Type	-	PEMFC
	Max power	kW	400
Traction system	Max traction force	kN	6,080
	Max power	kW	1,280
Battery system	Capacity	kWh	373
	Nominal voltage	V	1,555
	Max/Min SOC	%	90/10

그림 12. 시뮬레이션을 위한 속도 프로필

Fig. 12. Speed profile for simulation

4.3 시뮬레이션 결과

본 논문에서 제안된 퍼지제어 알고리즘과 규칙기반 알고리즘의 시뮬레이션 결과는 표 7과 같다. 퍼지 제어 알고리즘이 규칙기반 알고리즘에 비해 수소 소비량이 약 11.7% 저감되었다. 이때 수소 소비량은 그림 3에 따라 수소연료전지 출력에 따라 순시 수소소비량을 이용하여 계산되었다. 또한 수소연료전지 출력변동의 RMS (Root mean square) 값은 4.75에서 1.28로 약 73% 감소하여, 제안된 알고리즘이 수소연료전지의 부하 변동을 효과적으로 억제함을 확인하였다. 이는 장기적으로 수소연료전지 시스템의 수명 연장과 안정적 운용에 기여할 수 있다.

그림 13. 수소 연료 전지 열차를 위한 규칙 기반 알고리즘

Fig. 13. Rule-Based Algorithm for hydrogen fuel cell train

SOC 추종 성능의 경우, 퍼지 제어의 최종 SOC는 42.90%로 규칙기반 알고리즘의 44.09%와 유사한 수준이나, SOC 오차의 RMS 값은 3.79로 규칙기반 알고리즘의 2.01 보다 증가하였다. 그림 16의 배터리 SOC 추종 결과를 분석하면, CDM 영역에서는 SOC 추종성능이 규칙기반 알고리즘 대비 퍼지제어가 지연되어 추종하나, CSM 영역에서는 규칙기반 알고리즘과 유사한 성능임을 확인할 수 있다. 이러한 결과는 퍼지 제어가 SOC 추종 외에 주행조건 예측 등의 인자를 고려하여 수소연료전지 출력을 결정하기 때문이다. 즉, 퍼지 추론 과정에서 SOC 추종과 함께 수소연료전지의 부하 완화와 에너지 효율 향상을 함께 고려하여, 결과적으로 SOC 추종의 성능이 다소 저하된 것으로 분석된다. 배터리시스템은 에너지저장장치로서 전력 변동을 흡수하고 보상하는 완충 역할을 하므로, SOC 오차는 실시간 추종할 필요성이 다른 변수에 비하여 낮다고 할 수 있다. 또한 SOC 추종 오차가 약간 발생하더라도, 수소연료전지의 급격한 출력변화 없이 고효율 영역에서 동작할 수 있다면, 수소연료전지의 보호 및 전체 효율은 더 개선될 수 있다. 오히려 SOC를 강제로 추종할 경우, 급격한 전력 분담 변화로 인해 수소연료전지의 부하 변동이 커질 수 있다. 따라서 배터리 SOC 추종 성능을 다소 희생하는 대신 수소연료전지 시스템의 안정성과 내구성을 확보하는 전략적 선택으로 해석할 수 있으며, 실제 운용 환경에서는 수소연료전지 보호와 연비 개선 효과가 더 큰 장점으로 작용할 수 있다.

표 7. 시뮬레이션 결과 요약

Table 7. Summary of Simulation Results

Components	Unit	RBA	Fuzzy Control
Hydrogen consumption	kg	20.94	18.49
RMS of output power fluctuations	-	4.75	1.28
Final SOC	%	44.09	42.90
RMS of SOC error	-	2.01	3.79

그림 14. 규칙 기반 제어 알고리즘과 퍼지 제어 알고리즘의 수소 소비량 비교

Fig. 14. Comparison of hydrogen consumption between rule-based and fuzzy control algorithms

그림 15. 규칙 기반 제어 알고리즘과 퍼지 제어 알고리즘 간의 수소 연료 전지 출력 전력 변동 비교

Fig. 15. Comparison of hydrogen fuel cell output power fluctuations between rule-based and fuzzy control algorithms

그림 16. 규칙 기반 제어 알고리즘과 퍼지 제어 알고리즘 간의 SOC 궤적 비교

Fig. 16. SOC trajectory comparison between rule-based and fuzzy control algorithms

5. 결 론

본 연구에서는 수소연료전지 하이브리드 철도차량을 대상으로 퍼지 제어 기반 에너지 관리 전략을 제안하고, 기존 규칙기반 알고리즘과의 비교 시뮬레이션을 수행하였다. 제안된 기법은 전체 주행 구간에서 수소 소비량을 약 11.7% 저감하였으며, 수소연료전지 출력 변동의 RMS 값을 약 73% 감소시켜 부하 안정화 측면에서 우수한 성능을 입증하였다. 이를 통해 수소연료전지 시스템의 과도응답을 완화하고, 장기적인 내구성 확보에 기여할 수 있음을 확인하였다. 다만, 배터리 SOC 오차는 규칙기반 알고리즘 대비 다소 증가하는 한계가 나타났으며, 이는 퍼지 제어가 수소연료전지 출력 안정과 연료 효율 향상에 상대적으로 높은 가중치를 부여한 결과로 해석된다. 따라서 향후 연구에서는 SOC 제어 정확도를 보완하면서도 수소연료전지 보호 효과를 유지할 수 있는 다계층 제어 전략 또는 적응형 퍼지 제어 기법이 필요하다. 종합적으로, 본 연구의 퍼지 제어 기반 에너지 관리 전략은 에너지 효율성과 시스템 안정성을 동시에 향상시킬 수 있는 유효한 방법임을 확인하였으며, 향후 실제 철도차량 운행에 적용 가능성이 높다고 판단된다.