Strategia Avanzata per Camion R-EEV
In un notevole balzo in avanti per i veicoli elettrici con autonomia estesa (R-EEV), ricercatori dell’Università di Scienza e Tecnologia di Kunming hanno sviluppato una nuova strategia di gestione energetica che migliora significativamente le prestazioni e l’efficienza del veicolo. Lo studio, guidato da Sun Yunxiang, Wang Guiyong e Wang Weichao, introduce un approccio innovativo basato su un algoritmo di ottimizzazione delle efemeridi migliorato (IMA) per ottimizzare il sistema di gestione energetica di un camion leggero R-EEV. Questo progresso non solo migliora le prestazioni complessive del veicolo, ma stabilisce anche un nuovo standard per l’integrazione di algoritmi avanzati nell’ingegneria automobilistica.
La ricerca, pubblicata sulla rivista Mechanical Science and Technology for Aerospace Engineering, affronta la sfida critica di bilanciare l’economia di carburante, le emissioni e la durata della batteria nei veicoli R-EEV. Questi veicoli, che combinano un sistema di trazione elettrica con un’unità di potenza ausiliaria (APU) tipicamente alimentata da un piccolo motore a combustione interna, offrono una soluzione pratica ai limiti di autonomia dei veicoli elettrici puri. Tuttavia, ottimizzare il sistema di gestione energetica per garantire un funzionamento efficiente e sostenibile è stato un compito complesso, specialmente in condizioni di guida dinamiche.
Sun Yunxiang, studente di master presso l’Università di Scienza e Tecnologia di Kunming, e il suo team hanno riconosciuto la necessità di una strategia di controllo più sofisticata in grado di adattarsi a condizioni di guida variabili mantenendo prestazioni ottimali. Le strategie tradizionali di gestione energetica, come le strategie termostatiche e di seguito della potenza, spesso non riescono a raggiungere un bilanciamento adeguato tra diversi obiettivi. La strategia termostatica, ad esempio, si concentra sul mantenimento di un punto di funzionamento costante per l’APU, il che può portare a un consumo di carburante subottimale e a un aumento delle emissioni. D’altra parte, la strategia di seguito della potenza, sebbene più reattiva ai cambiamenti della domanda, può causare frequenti commutazioni dell’APU, riducendo l’efficienza e aumentando l’usura del motore.
Per superare queste limitazioni, il team ha sviluppato una strategia di controllo della gestione energetica a punti multipli basata sull’algoritmo di ottimizzazione delle efemeridi migliorato. L’IMA è una tecnica di ottimizzazione ispirata alla natura che imita il comportamento di accoppiamento delle efemeridi. Combina elementi dell’ottimizzazione per sciami di particelle, algoritmi genetici e algoritmi di lucciole, fornendo un quadro robusto per risolvere problemi di ottimizzazione complessi. L’innovazione chiave nell’IMA è l’introduzione di fattori di apprendimento dinamici e di apprendimento globale, che migliorano la capacità dell’algoritmo di esplorare lo spazio delle soluzioni nelle fasi iniziali dell’ottimizzazione e convergere rapidamente nelle fasi successive.
I ricercatori hanno iniziato stabilendo un modello di ottimizzazione multi-obiettivo per il R-EEV, tenendo conto di vari indicatori di prestazione come l’economia di carburante, le emissioni (NOx, HC, CO) e la durata della batteria. Il modello è stato progettato per valutare le prestazioni complessive del veicolo in diverse condizioni operative. Per garantire l’accuratezza e l’affidabilità del processo di ottimizzazione, il team ha utilizzato dati sperimentali per calibrare gli indicatori di prestazione di ogni componente del powertrain, inclusi motore, generatore e batteria.
Il processo di ottimizzazione ha implicato la definizione dello spazio delle soluzioni utilizzando la velocità e la coppia dell’APU come variabili. Ogni individuo di efemeride nell’algoritmo rappresentava una soluzione potenziale, e la funzione di fitness è stata progettata per minimizzare la somma degli indicatori di prestazione ponderati. L’IMA è stato quindi applicato per eseguire un’ottimizzazione offline, cercando i punti di funzionamento ottimali che massimizzerebbero le prestazioni complessive del veicolo.
Una delle principali sfide nell’implementazione della strategia di gestione energetica ottimizzata è stata garantire il controllo in tempo reale dell’APU. Per affrontare questo problema, il team ha sviluppato un controllore fuzzy che utilizza la potenza richiesta dal veicolo e la variazione dello stato di carica (SOC) della batteria come parametri di ingresso. Il controllore fuzzy regola dinamicamente il tempo minimo di mantenimento del punto di funzionamento attuale dell’APU, prevenendo frequenti commutazioni e garantendo un funzionamento stabile. Le regole del controllore sono state progettate per bilanciare i compromessi tra efficienza del carburante, emissioni e salute della batteria, basandosi sulle condizioni di guida in tempo reale.
L’efficacia della strategia proposta di controllo della gestione energetica a punti multipli è stata valutata attraverso estese simulazioni utilizzando MATLAB/Simulink e CRUISE, un software ampiamente utilizzato per la simulazione della dinamica dei veicoli e del powertrain. Le simulazioni sono state condotte secondo la procedura di prova per veicoli leggeri del mondo (WLTP), un ciclo di guida standardizzato che imita da vicino le condizioni di guida reali. I risultati sono stati confrontati con quelli ottenuti utilizzando le strategie termostatiche e di seguito della potenza tradizionali.
I risultati delle simulazioni hanno dimostrato un miglioramento significativo nelle prestazioni complessive del R-EEV quando si utilizza la strategia di gestione energetica a punti multipli basata sull’IMA. Rispetto alla strategia termostatica, il nuovo approccio ha ottenuto un miglioramento del 16,2% nelle prestazioni complessive, mentre ha superato la strategia di seguito della potenza del 7,8%. I miglioramenti sono stati particolarmente evidenti in termini di economia di carburante e emissioni. La strategia basata sull’IMA ha ridotto il consumo specifico di carburante di 8,328 g/(kW·h) rispetto alla strategia di seguito della potenza, e ha anche ottenuto emissioni più basse di NOx, CO e THC.
Oltre ai miglioramenti nelle prestazioni, la strategia basata sull’IMA ha contribuito anche a una migliore gestione della batteria. La variazione del SOC della batteria è stata mantenuta entro un intervallo moderato, riducendo il rischio di sovraccarico e prolungando la vita della batteria. Le ampere-ore (A·h) accumulate assolute durante il ciclo di prova sono state significativamente inferiori a quelle osservate con la strategia termostatica, indicando un uso più equilibrato e sostenibile della batteria.
I ricercatori hanno anche condotto un’analisi dettagliata delle condizioni operative dell’APU sotto le diverse strategie di controllo. I risultati hanno mostrato che la strategia basata sull’IMA ha efficacemente ridotto la frequenza di commutazione dell’APU, portando a un funzionamento più stabile ed efficiente. Ciò, a sua volta, ha contribuito al miglioramento complessivo delle prestazioni del veicolo e ha ridotto l’usura del motore.
I risultati dello studio hanno importanti implicazioni per il futuro della tecnologia R-EEV. Dimostrando l’efficacia della strategia di gestione energetica a punti multipli basata sull’IMA, i ricercatori hanno fornito uno strumento prezioso per ingegneri automobilistici e produttori. La strategia può essere adattata a diverse piattaforme di veicoli e condizioni di guida, rendendola una soluzione versatile per migliorare l’efficienza e la sostenibilità dei veicoli R-EEV.
Inoltre, l’uso di algoritmi di ottimizzazione avanzati come l’IMA evidenzia l’importanza crescente dei metodi computazionali nell’ingegneria automobilistica. Man mano che i veicoli diventano sempre più complessi, con numerosi sistemi e componenti interagenti, la capacità di ottimizzare le prestazioni attraverso algoritmi sofisticati diventerà ancora più critica. L’IMA, con le sue capacità di ricerca globale migliorate e una convergenza più rapida, rappresenta un passo significativo in questa direzione.
Lo studio sottolinea anche l’importanza della collaborazione interdisciplinare nel risolvere sfide ingegneristiche complesse. Il team dell’Università di Scienza e Tecnologia di Kunming ha riunito competenze in ingegneria meccanica, scienze informatiche e sistemi di controllo per sviluppare una soluzione completa. Questo approccio collaborativo sarà probabilmente un tratto distintivo dei progressi futuri nel campo.
In conclusione, il lavoro di Sun Yunxiang, Wang Guiyong e Wang Weichao rappresenta un contributo significativo al campo della gestione energetica dei veicoli R-EEV. Il loro uso innovativo dell’algoritmo di ottimizzazione delle efemeridi migliorato non solo ha migliorato le prestazioni di un camion leggero R-EEV, ma ha anche stabilito un nuovo standard per l’integrazione di algoritmi avanzati nell’ingegneria automobilistica. Mentre l’industria automobilistica continua a evolversi, le intuizioni ottenute da questo studio giocheranno senza dubbio un ruolo cruciale nella configurazione del futuro del trasporto sostenibile.
Sun Yunxiang, Wang Guiyong, Wang Weichao, et al., Mechanical Science and Technology for Aerospace Engineering, DOI: 10.13433/j.cnki.1003-8728.20230067