Optimierte Energiemanagementstrategie für Range-Extended Trucks
In einer bahnbrechenden Studie haben Forscher der Kunming University of Science and Technology eine innovative Energiemanagementstrategie für range-extended Elektrofahrzeuge (R-EEVs) entwickelt, die die Effizienz und Leistung dieser Fahrzeuge erheblich verbessert. Das Forschungsteam, geleitet von Sun Yunxiang, Wang Guiyong und Wang Weichao, hat einen verbesserten Mayfly-Optimierungsalgorithmus (IMA) eingesetzt, um das Energiemanagementsystem eines leichten R-EEV-Trucks zu optimieren. Diese Fortschritte setzen neue Maßstäbe für die Integration fortschrittlicher Algorithmen in die Automobiltechnik und tragen dazu bei, die Herausforderungen der Energiewende und der Reduktion von CO2-Emissionen zu bewältigen.
Die Studie, veröffentlicht in der Zeitschrift Mechanical Science and Technology for Aerospace Engineering, adressiert die kritische Herausforderung, die Kraftstoffeffizienz, Emissionen und Batterielebensdauer in R-EEVs auszugleichen. Diese Fahrzeuge kombinieren ein elektrisches Antriebssystem mit einer Hilfseinheit (APU), die typischerweise durch einen kleinen Verbrennungsmotor angetrieben wird. Sie bieten eine praktische Lösung für die Reichweitenbegrenzungen reiner Elektrofahrzeuge. Die Optimierung des Energiemanagementsystems, um eine effiziente und nachhaltige Betriebsweise zu gewährleisten, war jedoch eine komplexe Aufgabe, insbesondere unter dynamischen Fahrbedingungen.
Sun Yunxiang, Masterstudent an der Kunming University of Science and Technology, und sein Team erkannten die Notwendigkeit einer anspruchsvolleren Steuerstrategie, die sich an wechselnde Fahrbedingungen anpassen kann, während sie gleichzeitig eine optimale Leistung gewährleistet. Traditionelle Energiemanagementstrategien, wie die Thermostat- und Leistungsfollow-Methoden, stoßen oft an ihre Grenzen, wenn es darum geht, eine ausgewogene Leistung über mehrere Ziele hinweg zu erreichen. Die Thermostat-Strategie konzentriert sich beispielsweise auf die Aufrechterhaltung eines konstanten Betriebspunkts für die APU, was zu suboptimaler Kraftstoffverbrauch und erhöhten Emissionen führen kann. Die Leistungsfollow-Strategie hingegen, obwohl reaktionsschneller auf Änderungen der Nachfrage, kann zu häufigem Schalten der APU führen, was die Effizienz verringert und den Motorverschleiß erhöht.
Um diese Einschränkungen zu überwinden, entwickelte das Team eine mehrpunktbasierte Energiemanagementsteuerstrategie auf der Grundlage des verbesserten Mayfly-Optimierungsalgorithmus. Der IMA ist ein bio-inspirierter Optimierungsalgorithmus, der das Paarungsverhalten von Mayflies nachahmt. Er kombiniert Elemente der Schwarmintelligenz, genetischer Algorithmen und Glühwürmchenalgorithmen, um ein robustes Framework für die Lösung komplexer Optimierungsprobleme bereitzustellen. Die entscheidende Innovation im IMA ist die Einführung dynamischer Selbstlern- und globaller Lernfaktoren, die die Fähigkeit des Algorithmus verbessern, den Lösungsraum in den frühen Phasen der Optimierung zu erkunden und in den späteren Phasen schnell zu konvergieren.
Die Forscher begannen mit der Erstellung eines mehrzieligen Optimierungsmodells für das R-EEV, wobei verschiedene Leistungskennzahlen wie Kraftstoffeffizienz, Emissionen (NOx, HC, CO) und Batterielebensdauer berücksichtigt wurden. Das Modell wurde entwickelt, um die Gesamtleistung des Fahrzeugs unter verschiedenen Betriebsbedingungen zu bewerten. Um die Genauigkeit und Zuverlässigkeit des Optimierungsprozesses sicherzustellen, verwendete das Team experimentelle Daten, um die Leistungskennzahlen für jede Komponente des Antriebsstrangs, einschließlich Motor, Generator und Batterie, zu kalibrieren.
Der Optimierungsprozess umfasste die Definition des Lösungsraums mithilfe der Drehzahl und des Drehmoments der APU als Variablen. Jedes Mayfly-Individuum im Algorithmus repräsentierte eine potenzielle Lösung, und die Fitnessfunktion wurde so gestaltet, dass sie die Summe der gewichteten Leistungskennzahlen minimiert. Der IMA wurde dann angewendet, um eine Offline-Optimierung durchzuführen und die optimalen Betriebspunkte zu finden, die die Gesamtleistung des Fahrzeugs maximieren.
Eine der Hauptaufgaben bei der Implementierung der optimierten Energiemanagementstrategie war die Gewährleistung einer Echtzeitsteuerung der APU. Um dies zu erreichen, entwickelte das Team einen Fuzzy-Controller, der die Fahrzeugnachfrageleistung und den Ladezustand (SOC) der Batterie als Eingabeparameter verwendet. Der Fuzzy-Controller passt dynamisch die minimale Haltezeit des aktuellen Betriebspunkts der APU an, um häufiges Schalten zu verhindern und einen stabilen Betrieb zu gewährleisten. Die Regeln des Controllers wurden so gestaltet, dass sie die Abwägungen zwischen Kraftstoffeffizienz, Emissionen und Batteriegesundheit basierend auf den aktuellen Fahrbedingungen ausbalancieren.
Die Effektivität der vorgeschlagenen mehrpunktbasierten Energiemanagementsteuerstrategie wurde durch umfangreiche Simulationen mit MATLAB/Simulink und CRUISE, einer weit verbreiteten Software für Fahrzeugdynamik und Antriebsstrangsimulation, evaluiert. Die Simulationen wurden unter dem World Light Vehicle Test Procedure (WLTP) durchgeführt, einem standardisierten Fahrzyklus, der realistische Fahrbedingungen nachahmt. Die Ergebnisse wurden mit denen verglichen, die mit den traditionellen Thermostat- und Leistungsfollow-Strategien erzielt wurden.
Die Simulationsergebnisse zeigten eine signifikante Verbesserung der Gesamtleistung des R-EEV, wenn die IMA-basierte mehrpunktbasierte Energiemanagementstrategie verwendet wurde. Im Vergleich zur Thermostat-Strategie erreichte der neue Ansatz eine Verbesserung der Gesamtleistung um 16,2 %, während er die Leistungsfollow-Strategie um 7,8 % übertraf. Die Verbesserungen waren insbesondere hinsichtlich Kraftstoffeffizienz und Emissionen bemerkenswert. Die IMA-basierte Strategie reduzierte den spezifischen Kraftstoffverbrauch um 8,328 g/(kW·h) im Vergleich zur Leistungsfollow-Strategie und erreichte auch niedrigere Emissionen von NOx, CO und THC.
Zusätzlich zu den Leistungsverbesserungen trug die IMA-basierte Strategie auch zu einer besseren Batterieverwaltung bei. Die SOC-Schwankungen der Batterie wurden innerhalb eines moderaten Bereichs gehalten, was das Risiko einer Überladung verringerte und die Batterielebensdauer verlängerte. Die kumulierte Ampere-Stunden (A·h) über den Testzyklus waren signifikant niedriger als bei der Thermostat-Strategie, was auf eine ausgewogenere und nachhaltigere Nutzung der Batterie hindeutet.
Die Forscher führten auch eine detaillierte Analyse der Betriebsbedingungen der APU unter den verschiedenen Steuerstrategien durch. Die Ergebnisse zeigten, dass die IMA-basierte Strategie die Häufigkeit des APU-Schaltens effektiv reduzierte, was zu einem stabileren und effizienteren Betrieb führte. Dies wiederum trug zur allgemeinen Verbesserung der Fahrzeugleistung und zur Verringerung des Motorverschleißes bei.
Die Ergebnisse der Studie haben wichtige Implikationen für die Zukunft der R-EEV-Technologie. Durch die Demonstration der Effektivität der IMA-basierten mehrpunktbasierten Energiemanagementstrategie haben die Forscher ein wertvolles Werkzeug für Automobilingenieure und Hersteller bereitgestellt. Die Strategie kann an verschiedene Fahrzeugplattformen und Fahrbedingungen angepasst werden, was sie zu einer vielseitigen Lösung für die Verbesserung der Effizienz und Nachhaltigkeit von R-EEVs macht.
Darüber hinaus unterstreicht die Verwendung fortschrittlicher Optimierungsalgorithmen wie des IMA die wachsende Bedeutung rechnergestützter Methoden in der Automobiltechnik. Da Fahrzeuge zunehmend komplexer werden, mit mehreren interagierenden Systemen und Komponenten, wird die Fähigkeit, die Leistung durch anspruchsvolle Algorithmen zu optimieren, noch kritischer. Der IMA, mit seiner verbesserten globalen Suchfähigkeit und schnelleren Konvergenz, stellt einen bedeutenden Schritt in diese Richtung dar.
Die Studie unterstreicht auch die Bedeutung der interdisziplinären Zusammenarbeit bei der Bewältigung komplexer technischer Herausforderungen. Das Team an der Kunming University of Science and Technology brachte Expertise aus Maschinenbau, Informatik und Regelungstechnik zusammen, um eine umfassende Lösung zu entwickeln. Diese kollaborative Herangehensweise wird wahrscheinlich ein Kennzeichen zukünftiger Fortschritte in diesem Bereich sein.
Zusammenfassend lässt sich sagen, dass die Arbeit von Sun Yunxiang, Wang Guiyong und Wang Weichao einen bedeutenden Beitrag zum Bereich des Energiemanagements in R-EEVs darstellt. Ihre innovative Nutzung des verbesserten Mayfly-Optimierungsalgorithmus hat nicht nur die Leistung eines leichten R-EEV-Trucks verbessert, sondern auch neue Maßstäbe für die Integration fortschrittlicher Algorithmen in die Automobiltechnik gesetzt. Während sich die Automobilindustrie weiterentwickelt, werden die Erkenntnisse aus dieser Studie zweifellos eine entscheidende Rolle bei der Gestaltung der Zukunft des nachhaltigen Verkehrs spielen.
Sun Yunxiang, Wang Guiyong, Wang Weichao, et al., Mechanical Science and Technology for Aerospace Engineering, DOI: 10.13433/j.cnki.1003-8728.20230067