استراتژی مدیریت انرژی با پیش‌بینی مدل برای کامیون‌های هیبریدی پیل سوختی با در نظر گرفتن جرم خودرو و شیب جاده

استراتژی مدیریت انرژی با پیش‌بینی مدل برای کامیون‌های هیبریدی پیل سوختی با در نظر گرفتن جرم خودرو و شیب جاده

کامیون‌ها اغلب با نوسانات قابل توجهی در بارهای حمل و نقل مواجه می‌شوند و در جاده‌هایی با شیب‌های پیچیده فعالیت می‌کنند. استراتژی‌های سنتی مدیریت انرژی، که صرفاً بر سرعت خودرو تمرکز دارند، اغلب در بهینه‌سازی مصرف انرژی شکست می‌خورند و منجر به هزینه‌های عملیاتی جامع بالا، به ویژه برای کامیون‌های هیبریدی پیل سوختی، می‌شوند. برای پرداختن به این چالش‌ها، این مقاله یک استراتژی کنترل پیش‌بین مدل ارائه می‌دهد که اثرات جرم و شیب (MS-MPC) را بر اساس تجزیه و تحلیل جامعی از چگونگی تأثیر سرعت، جرم و شیب بر هزینه‌های عملیاتی جامع، ادغام می‌کند. در ابتدا، عوامل تغییر جرم و سرعت گذرا به عنوان شاخص‌های کلیدی برای توسعه یک روش حداقل مربعات بازگشتی با ضریب فراموشی (FFRLS)، همراه با فیلتر کالمن توسعه‌یافته، برای دستیابی به جداسازی و تخمین مؤثر جرم و شیب، به کار گرفته می‌شوند. برای افزایش دقت تخمین، یک مکانیسم تطبیقی ​​برای به‌روزرسانی پویای عامل فراموشی در FFRLS و تخصیص مجدد ماتریس کوواریانس معرفی می‌شود. متعاقباً، با استفاده از نتایج تخمین زده شده و اطلاعات سرعت خودرو، از یک روش تشخیص الگو برای تطبیق شرایط عملیاتی در مدل پیش‌بینی شبکه عصبی تابع پایه شعاعی استفاده می‌شود. در نهایت، برنامه‌ریزی پویا برای بهینه‌سازی توزیع انرژی بر اساس اطلاعات پیش‌بینی شده اعمال می‌شود. نتایج شبیه‌سازی نشان می‌دهد که استراتژی پیشنهادی به طور قابل توجهی دقت تخمین جرم و شیب را بهبود می‌بخشد، خطاهای پیش‌بینی سرعت و شیب را کاهش می‌دهد و به طور موثر هزینه‌های عملیاتی جامع وسیله نقلیه را کاهش می‌دهد.

مقدمه

سیستم ذخیره انرژی کامپوزیتی متشکل از پیل‌های سوختی و باتری‌ها مزایایی مانند انتشار صفر، راندمان بالا، سوخت‌گیری سریع هیدروژن و بازیابی انرژی ترمز احیاکننده را ارائه می‌دهد و آن را به عنوان یک منبع انرژی ایده‌آل برای کامیون‌ها معرفی می‌کند [1]، [2]، [3]. با این حال، از آنجایی که کامیون‌ها به عنوان دارایی‌های سودمحور عمل می‌کنند، بهینه‌سازی هماهنگی سیستم‌های ذخیره انرژی کامپوزیتی برای به حداقل رساندن هزینه‌های عملیاتی در شرایط عملیاتی پیچیده، به عنوان یک تمرکز تحقیقاتی برجسته ظهور کرده است [4].

استراتژی‌های مدیریت انرژی (EMS) راه‌حل‌های موثری برای پرداختن به مسائل فوق‌الذکر هستند. استراتژی‌های EMS بلادرنگ فعلی عمدتاً شامل استراتژی‌های مبتنی بر قانون [5]، استراتژی‌های کمینه‌سازی مصرف معادل (ECMS) [6] و استراتژی‌های کنترل پیش‌بینی مدل (MPC) [7]، [8] هستند. دو استراتژی اول برای ساخت پایگاه‌های داده پارامتر به داده‌های گسترده آزمایش خودرو و قطعات متکی هستند که منجر به چرخه‌های توسعه طولانی و افزایش سرمایه‌گذاری می‌شود. اثربخشی چنین استراتژی‌هایی کاملاً به کامل بودن و دقت پایگاه داده پارامترهای از پیش تعیین شده بستگی دارد که می‌تواند منجر به تغییر مکرر منبع انرژی و افزایش هزینه‌های عملیاتی شود [8]، [9]. در مقابل، استراتژی MPC از طریق مکانیسم خود-به‌روزرسانی پویا برای متغیرهای کنترل، از اتکا به پایگاه‌های داده پارامتر از پیش ساخته شده اجتناب می‌کند و در نتیجه بر محدودیت‌های ذاتی دو استراتژی قبلی غلبه می‌کند [10]. در هر زمان نمونه‌برداری، استراتژی MPC یک رابطه نگاشت پویا بین شرایط رانندگی آینده و تقاضای توان خودرو ایجاد می‌کند. این استراتژی یک مدل بهینه‌سازی برای متغیرهای حالت، متغیرهای کنترل و تابع هدف بر اساس محدودیت‌های حالت سیستم انتقال قدرت ایجاد می‌کند، الگوریتم‌های بهینه‌سازی را برای دستیابی به توزیع بهینه انرژی اعمال می‌کند و متغیرهای کنترل را بر اساس اصل حوزه زمان غلتان خروجی می‌دهد [11]، [12]، [13]. نگاشت دقیق شرایط رانندگی آینده به تقاضای توان خودرو، لایه اجرایی اصلی استراتژی MPC است و دقت پیش‌بینی آن مستقیماً تعیین می‌کند که نتایج توزیع انرژی چقدر به هزینه عملیاتی بهینه جهانی نزدیک است. تحقیقات فعلی با هدف بهبود دقت نگاشت، عمدتاً بر دو رویکرد فنی تمرکز دارد [14]، [15]: (1) ساخت یک مدل پیش‌بینی توان از ابتدا تا انتها؛ (2) بهینه‌سازی دقت پیش‌بینی شرایط رانندگی برای دستیابی به نگاشت حلقه بسته توان خودرو.

در رویکرد فنی اول، محققان مستقیماً توان را از داده‌های رانندگی تاریخی بدون در نظر گرفتن رابطه نگاشت بین شرایط رانندگی آینده و تقاضای برق پیش‌بینی می‌کنند. سونگ و همکارانش [16] یک مدل پیش‌بینی توان مبتنی بر حافظه کوتاه‌مدت بلند (LSTM) را با استفاده از یک کتابخانه چرخه معمولی توسعه دادند و با کاهش تداخل ناشی از محیط‌های رانندگی غیرخطی، به پیش‌بینی توان از ابتدا تا انتها دست یافتند. مرجع [17] یک استراتژی کنترل پیل سوختی را بر اساس پیش‌بینی توان بار متوسط پیشنهاد کرد. اگرچه این رویکرد پیچیدگی محاسباتی شبکه عصبی را کاهش داد، اما دقت پیش‌بینی آن توسط کامل بودن داده‌های بار تاریخی محدود شد. برای کاهش وابستگی به داده‌های تاریخی، چن و همکارانش [18] یک مدل پیش‌بینی زمان واقعی بر اساس روش حداقل مربعات توسعه دادند که فقط به ورودی فعلی برای تخمین توان آینده نیاز دارد. لی و همکارانش [19] تبدیل موجک را با الگوریتم لونبرگ-مارکوارت ادغام کردند تا استراتژی توزیع توان سیستم ذخیره‌سازی انرژی هیبریدی را از طریق تحلیل حوزه فرکانس سیگنال‌های توان بهینه کنند. این روش، تأثیرات پویای عوامل کلیدی مانند تغییرات جرم و شیب جاده بر رفتار رانندگی را در نظر نمی‌گرفت، که این امر سازگاری آن را با شرایط عملیاتی دنیای واقعی محدود می‌کرد.

در رویکرد فنی دوم، محققان پروفایل‌های سرعت را پیش‌بینی می‌کنند و آنها را با مدل‌های دینامیک طولی ادغام می‌کنند تا توان آینده را تخمین بزنند. سان و همکاران [20] به طور سیستماتیک عملکرد سه روش پیش‌بینی سرعت، یعنی روش نمایی تعمیم‌یافته، زنجیره مارکوف و شبکه‌های عصبی را در چارچوب MPC ارزیابی کردند. مطالعه تطبیقی نشان داد که شبکه‌های عصبی مزایای قابل توجهی در ایجاد تعادل بین دقت پیش‌بینی و کارایی محاسباتی نشان می‌دهند. برای کاهش نوسانات در خطاهای پیش‌بینی، لین و همکاران [21] یک مدل پیش‌بینی سرعت دو لایه ارائه دادند که از یک شبکه عصبی تابع پایه شعاعی (RBF) برای اصلاح پیش‌بینی‌های یک شبکه عصبی پس انتشار (BP) استفاده می‌کند. لیو و همکاران [22] یک مدل پیش‌بینی سرعت بر اساس LSTM ساختند و الگوریتم جستجوی گنجشک (SSA) را برای بهینه‌سازی ساختار شبکه آن معرفی کردند. به طور مشابه، مراجع [23]، [24]، [25]، [26] پارامترهای ساختاری شبکه‌های عصبی را با استفاده از یک الگوریتم بهینه‌سازی هوشمند بهبود بخشیدند، که به طور قابل توجهی دقت پیش‌بینی را افزایش و هزینه‌های عملیاتی خودرو را کاهش داد. در پاسخ به الزامات زمان واقعی استراتژی‌های مدیریت انرژی، گو و همکارانش [27] یک استراتژی MPC مبتنی بر Continuation/Generalized Minimal Residual (C/GMRES) پیشنهاد کردند که زمان اجرای تک مرحله‌ای را از طریق یک روش تقریب پیوسته به زیر 1.2 میلی‌ثانیه کاهش می‌دهد. با این حال، تأثیر دامنه پیش‌بینی بر دقت مدل مورد تجزیه و تحلیل قرار نگرفت. متعاقباً، مرجع [28] نتایج خروجی MPC را برای دامنه‌های پیش‌بینی از 5 تا 25 ثانیه بر اساس مدل پیش‌بینی سرعت شبکه عصبی RBF بررسی کرد. نتایج شبیه‌سازی همبستگی منفی بین دامنه پیش‌بینی و کارایی محاسباتی را نشان داد، بدون هیچ رابطه ثابتی بین دامنه پیش‌بینی و هزینه‌های عملیاتی. مدل‌های پیش‌بینی سرعت در مطالعات فوق‌الذکر، سازگاری محدودی را در شرایط رانندگی پیچیده و متغیر نشان می‌دهند که منجر به انحرافات قابل توجهی در دقت پیش‌بینی می‌شود. این امر مانع از دستیابی به بهینه‌سازی هزینه‌های عملیاتی جهانی در سطح سیستم می‌شود و نشان‌دهنده یک گلوگاه کلیدی برای بهبود عملکرد استراتژی‌های مدیریت انرژی است. ما و همکاران [29] یک ماشین بردار پشتیبان دوبخشی همراه با زنجیره مارکوف برای پیش‌بینی سرعت پیشنهاد کردند که از کتابخانه‌ای از شرایط عملیاتی چرخه‌ای معمول استفاده می‌کند و در نتیجه سازگاری مدل پیش‌بینی سرعت را با شرایط عملیاتی متغیر افزایش می‌دهد. مراجع [22]، [30]، [31]، [32] نشان می‌دهند که ترکیب روش‌های تشخیص شرایط با مدل‌های پیش‌بینی می‌تواند سازگاری استراتژی‌های MPC را به طور قابل توجهی افزایش داده و مصرف انرژی را کاهش دهد. این مطالعات فقط سرعت را به عنوان شرایط عملیاتی خودرو در نظر می‌گیرند و نمی‌توانند تقاضای برق را به طور دقیق ترسیم کنند. نکته قابل توجه این است که شین و همکاران [33] در تحقیقات خود در مورد شرایط ترکیبی سرعت و جرم نشان دادند که معرفی تخمین جرم می‌تواند هزینه‌های عملیاتی را بهینه کند. با این حال، تجزیه و تحلیل آنها از تأثیر دقت تخمین جرم بر مصرف انرژی تحت کوپلینگ سرعت و جرم، رابطه بین سرعت، جرم و هزینه‌های عملیاتی را روشن نمی‌کند و تأثیر شیب را نادیده می‌گیرد. اگرچه زنگ و همکاران [34] متغیرهای شیب را در چارچوب MPC معرفی کردند، اما تأثیر تغییرات جرم را نادیده گرفتند، نتوانستند تأثیر خطاهای پیش‌بینی شیب بر مصرف انرژی را کمّی کنند و از زنجیره مارکوف برای پیش‌بینی همزمان سرعت و شیب استفاده کردند که منجر به دقت پیش‌بینی پایین برای هر دو شد.

به طور خلاصه، تحقیقات در مورد استراتژی‌های مدیریت انرژی MPC گسترده بوده است. این استراتژی‌ها معمولاً تقاضای برق خودرو را به طور مستقیم یا غیرمستقیم پیش‌بینی می‌کنند و توزیع برق منبع انرژی را از طریق الگوریتم‌های بهینه‌سازی بهینه می‌کنند تا به هزینه عملیاتی مطلوب دست یابند. با این وجود، عیب اصلی پیش‌بینی مستقیم تقاضای برق، نادیده گرفتن ویژگی‌های راننده و خودرو است که منجر به انحرافات قابل توجه بین نتایج پیش‌بینی شده و واقعی و همچنین کاهش استحکام در مدل پیش‌بینی می‌شود. این امر مانع از دستیابی هزینه عملیاتی به بهینه کلی می‌شود. در مقابل، تحقیقات در مورد پیش‌بینی غیرمستقیم تقاضای برق، بالغ‌تر است، اما اکثر مطالعات موجود بر بهبود دقت پیش‌بینی سرعت تمرکز دارند، که معمولاً فرض می‌کنند جرم خودرو ثابت است و وسیله نقلیه در محیطی بدون شیب کار می‌کند. مدل‌های دینامیک طولی نه تنها شامل متغیرهای سرعت هستند، بلکه جرم و شیب را نیز به عنوان عوامل کلیدی در نظر می‌گیرند. نادیده گرفتن هر یک از این عوامل، محاسبه دقیق تقاضای برق آینده را، به ویژه برای وسایل نقلیه تجاری با تغییرات بار قابل توجه، تحت تأثیر قرار می‌دهد. تجزیه و تحلیل سیستماتیک متون موجود نشان می‌دهد که هیچ مطالعه‌ای به طور همزمان پارامترهای سرعت، جرم و شیب را در معماری MPC ادغام نکرده است. علاوه بر این، اثرات پویای خطاهای پیش‌بینی بر هزینه‌های عملیاتی یکپارچه در طول سناریوهای تغییر پارامتر مستقل، همچنان باید به صورت کمی در سیستم‌های مدیریت انرژی بررسی شود.

برای غلبه بر محدودیت‌های استراتژی‌های MPC موجود و کاهش بیشتر هزینه‌های عملیاتی جامع وسایل نقلیه، این مقاله یک کامیون هیبریدی پیل سوختی (FCHT) با نسبت بار کامل به خالی 207٪ را بررسی می‌کند و یک استراتژی MPC را پیشنهاد می‌دهد که به طور جامع اثرات جرم و شیب (MS-MPC) را در نظر می‌گیرد. سهم اصلی این مطالعه به شرح زیر است: (1) مکانیسم‌های تأثیر تغییرات سرعت، جرم و شیب را در حوزه پیش‌بینی بر هزینه‌های عملیاتی جامع تجزیه و تحلیل کرد و در نتیجه دستورالعمل‌های بهینه‌سازی را برای توسعه استراتژی‌های مدیریت انرژی MPC کارآمد ارائه داد. (2) یک مدل تخمین جرم و شیب ایجاد کرد که حالت لحظه‌ای خودرو را برای به حداقل رساندن خطاهای تخمین در نظر می‌گیرد. (3) یک مدل پیش‌بینی با ترکیب تشخیص الگو با RBF ایجاد کرد و پایه و اساس بهبود سازگاری پیش‌بینی‌های سرعت و شیب را در شرایط عملیاتی مختلف بنا نهاد. (4) یک چارچوب MPC پیشنهاد کرد که به طور کامل اثرات جرم و شیب را برای کاهش مؤثر هزینه‌های عملیاتی جامع در نظر می‌گیرد.

ساختار این مقاله به شرح زیر است: بخش 2 مدل دینامیکی FCHT، مدل تخریب عمر پیل سوختی، مدل تخریب ظرفیت باتری و استراتژی MPC را به همراه تحلیل عمیقی از تأثیر تغییرات پارامتر در حوزه پیش‌بینی بر هزینه‌های عملیاتی جامع معرفی می‌کند. بخش 3 روشی برای بهبود استراتژی MPC معرفی می‌کند. بخش 4 تجزیه و تحلیل جامعی از عملکرد استراتژی بهبود یافته تحت شرایط عملیاتی مختلف خودرو ارائه می‌دهد. بخش 5 به نتیجه‌گیری مطالعه می‌پردازد.(منبع).