![[09127409082]](https://barast.com/wp-content/uploads/2021/01/newlogo.png){kind=small}
بهینهسازی یکپارچه مدیریت انرژی و استراتژیهای کنترل حرارتی برای کامیونهای سنگین پیل سوختی
استراتژی مدیریت انرژی (EMS) و استراتژی مدیریت حرارتی (TMS) به هم وابسته هستند و به طور جمعی بر عملکرد کلی سیستمهای قدرت هیبریدی پیل سوختی هیدروژنی تأثیر میگذارند. این مقاله یک رویکرد طراحی و بهینهسازی یکپارچه برای EMS/TMS در کامیونهای سنگین (HDT) با سوخت پیل سوختی ارائه میدهد. یک مدل پیل سوختی با دقت بالا که شامل دینامیک حرارتی و رفتار سیستم خنککننده است، توسعه داده شده است. متعاقباً، کنترلکنندههای منطق فازی با ورودیهای چند بعدی برای فعال کردن کنترل هماهنگ EMS و TMS طراحی شدهاند. برای افزایش سیستماتیک عملکرد کنترل EMS و TMS، یک طرح بهینهسازی یکپارچه با 82 پارامتر طراحی شده است. یک الگوریتم بهینهسازی جمعیت هیبریدی پیشرفته، HPPSO، با ترکیب الگوریتم بهینهسازی پلیکان (POA) و بهینهسازی ازدحام ذرات (PSO) توسعه داده شده است. HPPSO از بهینههای محلی اجتناب میکند و عملکرد را در طول بهینهسازی پارامتر در مقیاس بزرگ بهبود میبخشد. نتایج شبیهسازی نشان میدهد که کنترلکننده پیشنهادی عملکرد را در هر دو زمینه بهرهوری انرژی و تنظیم دما بهینه میکند، به ترتیب با بهبود 15.73٪ و 27.63٪، در مقایسه با کنترلکننده مبتنی بر قانون موجود. مقایسه بین طرحهای بهینهسازی مختلف نشان میدهد که بهینهسازی یکپارچه پیشنهادی، کاهش مصرف سوخت و عملکرد کنترل حرارتی را به حداکثر میرساند و به ترتیب 2.70٪ و 19.48٪ بهبود در مقایسه با بهینهسازی متوالی دارد. علاوه بر این، آزمایشهای سختافزار در حلقه (HIL) سازگاری کنترلکننده پیشنهادی را با شرایط رانندگی متنوع تأیید میکنند.
مقدمه
بخش حمل و نقل جهانی، که به شدت به سوختهای فسیلی وابسته است، همچنان سهم قابل توجهی در آلودگی هوا، انتشار گازهای گلخانهای و خطرات امنیت انرژی دارد، همانطور که در مرجع [1] برجسته شده است. گذار به پیشرانههای الکتریکی به عنوان مسیری محوری به سوی تحرک پایدار ظهور کرده است. در میان فناوریهای نوظهور، سلولهای سوختی هیدروژنی به دلیل چگالی انرژی بالا، قابلیت سوختگیری سریع و عملکرد بدون انتشار گازهای گلخانهای، به ویژه امیدوارکننده هستند [2]. خودروهای پیل سوختی (FCV)، به ویژه در کاربردهای سنگین، یک راه حل قانعکننده برای کربنزدایی از حمل و نقل در مسافتهای طولانی ارائه میدهند و در عین حال محدودیتهای باتری، مانند زمان شارژ طولانی و اضطراب برد [3] را برطرف میکنند. با وجود این مزایا، پذیرش گسترده FCVها به غلبه بر دو چالش به هم پیوسته بستگی دارد: بهینهسازی توزیع انرژی و تضمین مدیریت حرارتی مؤثر [4].
استراتژیهای مدیریت انرژی (EMS) فعلی برای خودروهای پیل سوختی (FCV) را میتوان به طور کلی به دو دسته طبقهبندی کرد: رویکردهای مبتنی بر قانون [5] و رویکردهای مبتنی بر بهینهسازی. EMSهای مبتنی بر قانون، از جمله کنترل فازی [6]، در درجه اول به دانش تخصصی و قوانین اکتشافی وابسته هستند. کنترل فازی قادر به مدیریت دینامیکهای غیرخطی و جبران محدودیتهای استراتژیهای مبتنی بر قانون است. با این حال، در مقابله با پیچیدگی سیستم و برآورده کردن الزامات بهینهسازی کلی با مشکلاتی روبرو است.
در مقابل، الگوریتمهای بهینهسازی پتانسیل دستیابی به مدیریت انرژی با مصرف سوخت تقریباً بهینه را ارائه میدهند [7]. برنامهنویسی پویا (DP) با به حداقل رساندن مصرف سوخت، بهینهسازی کلی مدیریت انرژی را امکانپذیر میکند [8]. علاوه بر این، یک مطالعه مبتنی بر DP در مورد بهینهسازی همزمان برنامهریزی سرعت و مدیریت انرژی برای کامیونهای پیل سوختی در سناریوهای تعقیب خودرو، بر کاهش هزینههای عملیاتی و در عین حال تضمین کارایی تأکید دارد [9]. با پیشرفت در حمل و نقل هوشمند و فناوریهای شبکهسازی خودرو، کنترل پیشبینیکننده مدل (MPC) برای فعال کردن EMS پیشبینیکننده به کار گرفته شده است [10،11]. علاوه بر این، یک روش EMS که پیشبینی سرعت را با DP و MPC ادغام میکند، برای بهینهسازی جریان انرژی و افزایش کارایی سیستم پیشنهاد شده است [12]. کاربرد یادگیری تقویتی عمیق (DRL) در EMS اخیراً توجه زیادی را به خود جلب کرده است [13،14]. به عنوان مثال، الگوریتم Deep-Q برای کامیونهای برقی هیبریدی اعمال شده است و مدیریت انرژی را از طریق سیاستهای آموختهشده افزایش میدهد [15].
به طور مشابه، یک رویکرد DRL که اطلاعات محیطی و جادهای را ادغام میکند، برای بهینهسازی مدیریت انرژی برای اتوبوسهای پیل سوختی هیدروژنی پیشنهاد شده است [16]. علاوه بر این، پتانسیل بهینهسازی چندهدفه برای کامیونهای سنگین پیل سوختی دو پشتهای (HDTs) بررسی شده است، که در آن یک استراتژی مبتنی بر DRL به طور همزمان راندمان سوخت و دوام سیستم را بهینه میکند [17]. با این وجود، پیچیدگی روشهای مبتنی بر بهینهسازی، چالشهای قابل توجهی را برای استقرار در زمان واقعی ایجاد میکند. به عنوان مثال، MPC نیاز به حل مسائل بهینهسازی در هر گام زمانی دارد که میتواند از نظر محاسباتی، به ویژه در محیطهای رانندگی پویا، طاقتفرسا باشد [18،19]. به طور مشابه، DRL به آموزش مدلهای یادگیری عمیق متکی است که ممکن است به منابع و زمان محاسباتی قابل توجهی نیاز داشته باشد و در نتیجه کاربرد آنها را در شرایط به سرعت در حال تغییر و در زمان واقعی محدود کند [20]. این چالشها، اولویت مداوم صنعتی برای استراتژیهای اکتشافی را برجسته میکند، که علیرغم سادگی آنها [21،22]، برای کاربردهای مهندسی در دنیای واقعی، که در آن راندمان محاسباتی و عملکرد در زمان واقعی بسیار مهم هستند، عملیتر باقی میمانند.
سیستم مدیریت حرارتی (TMS) و EMS به طور نزدیکی به هم متصل هستند و همین امر ادغام آنها را بسیار مهم میکند. با این حال، مطالعات قبلی در مورد EMS اغلب تأثیر TMS را بر EMS و عملکرد خودرو نادیده گرفتهاند. در کاربردهای عملی، ایمنی دمایی پیلهای سوختی به طور قابل توجهی بر ویژگیهای رانندگی خودرو و دمای دودکش تأثیر میگذارد، عاملی که به طور گسترده در مطالعات اخیر مورد تجزیه و تحلیل قرار گرفته است [23،24]. فنگ و همکارانش یک بررسی تجربی از جریان انرژی در HDTها انجام دادند و تجزیه و تحلیل دقیقی از ویژگیهای TMS انجام دادند [25]. وو و همکارانش یک EMS برای اتوبوسهای هیبریدی پیشنهاد کردند که محدودیتهای حرارتی و سلامت باتری را در تنظیم دمای باتری در نظر میگیرد [26]. با این حال، این استراتژی مدیریت حرارتی سیستم پیل سوختی را نادیده میگیرد. برای تنظیم دمای پیل سوختی، یک روش مدیریت حرارتی لایهای مبتنی بر یادگیری ماشین پیشنهاد شده است [27]. در همین حال، برای بهینهسازی TMS، لیان و همکارانش یک استراتژی بهینهسازی مدیریت حرارتی برای خودروهای الکتریکی مبتنی بر DP پیشنهاد کردند [28].
در رابطه با همافزاییهای EMS و TMS، یک EMS مشارکتی برای تنظیم حرارتی باتری و راحتی سرنشینان با استفاده از الگوریتم نرم بازیگر-منتقد توسعه داده شده است [29]. مطالعه دیگری ادغام DRL و یادگیری ماشین را در EMS برای خودروهای پیل سوختی هیدروژنی تجزیه و تحلیل کرده و پتانسیل تحولآفرین این فناوریها را در افزایش کارایی کلی سیستم برجسته کرده است [30]. علاوه بر این، مدیریت انرژی حرارتی آگاه از سلامت که با یادگیری تقویتی عمیق چندعاملی مشارکتی ادغام شده است، اثربخشی خود را در بهینهسازی مشارکتی برای خودروهای الکتریکی هیبریدی متصل نشان داده است [31]. این مطالعات نشان میدهند که EMS و TMS به هم وابسته هستند و به طور مشترک بر عملکرد کلی سیستم تأثیر میگذارند. با این حال، مطالعات کمی تنظیم حرارتی FCS را با استراتژیهای تقسیم توان در سیستمهای هیبریدی پیل سوختی ادغام کردهاند یا پتانسیل عملی آنها را مورد بحث قرار دادهاند.
برای پرداختن به این شکاف، این مطالعه یک چارچوب طراحی و بهینهسازی یکپارچه برای EMS و TMS در HDTها، همراه با یک الگوریتم جدید اندازهگیری پارامتر در مقیاس بزرگ، پیشنهاد میدهد. سهم کلیدی سهگانه است.
1. یک TMS مبتنی بر میرایی برای HDTها پیشنهاد شده است تا تخلفات دما را کاهش دهد. TMS با بهینهسازی تنظیم دما، راندمان انرژی سیستم انتقال قدرت پیل سوختی را نیز بهبود میبخشد.
2. یک بهینهسازی جامع از پارامترهای انرژی و حرارتی برای جلوگیری از راهحلهای غیربهینه ناشی از بهینهسازی پارامتر مجزا انجام میشود. این رویکرد یکپارچه، خروجی انرژی و اتلاف حرارتی را متعادل میکند و در نتیجه راندمان کلی سیستم را افزایش میدهد.
3. یک الگوریتم بهینهسازی ازدحام ذرات پلیکان-ترکیبی (HPPSO) برای افزایش قابلیت جستجوی سراسری برای بهینهسازی پارامتر یکپارچه پیشنهاد شده است که به پیشرفتهای قابل توجهی در راندمان انرژی و تنظیم حرارتی دست مییابد.
ادامه این مقاله به شرح زیر سازماندهی شده است: بخش 2 معماری سیستم انتقال قدرت را ارائه میدهد و مدلسازی آن را توسعه میدهد. بخش 3 کنترلکنندههای منطق فازی برای EMS و TMS را ارائه میدهد. بخش 4 چارچوب بهینهسازی یکپارچه مبتنی بر HPPSO را شرح میدهد. نتایج شبیهسازی مقایسهای و بحثها در بخش 5 ارائه شده است و پس از آن نتیجهگیری در بخش 6 آمده است.(منبع).