Geri Dön

Energy management of P2 hybrid electric vehicle based on event triggered nonlinear model predictive control and deep Q network

Olay tetiklemeli nonlineer model öngörülü kontrol ve derin Q ağı temelli P2 hibrit elektrikli aracın enerji yönetimi

PDF İndir

  1. Tez No: 854833
  2. Yazar: MEHMET CÜNEYT HASPOLAT
  3. Danışmanlar: DOÇ. DR. YAPRAK YALÇIN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 137

Özet

Bir P2 hibrit elektrikli aracın enerji yönetimi sorunu, mevcut enerjinin içten yanmalı motor ile elektrik motoru arasında nasıl tahsis edileceğini ve bataryada depolanmış enerjinin nasıl kullanılacağını belirlemeyi içerir. Enerji yönetim sisteminin amacı, aracın performansını ve sürüş özelliklerini korurken yakıt tüketimini en aza indirmektir. P2 HEV'nin enerji yönetim problemi, birden çok hedef ve kısıtlamayı, belirsiz ve değişen sürüş koşullarını içerdiği için zorlu bir problemdir. Sistem, aracın güç talebini motor ve bataryadan mevcut güç ile dengelemek zorundadır. Ayrıca, bataryanın şarj durumu, bileşenlerin verimliliği ve aracın sürüş döngüsü gibi faktörleri de dikkate almalıdır. Bu çalışmada, Simscape ile gerçekleştirilmiş P2 Hibrit Elektrikli Araç (HEV) modeli, içten yanmalı motor, elektrik motoru, batarya, şanzıman ve araç dinamiği gibi bileşenleri içerir. Kia Niro 2018 araç özellikleri, bu bileşenlerin güç değerleri, verimlilikleri ve fiziksel boyutları gibi özellikleri hakkında bilgi sağlar. Bu bilgi, Simscape modeli ile birleştirilerek, P2 HEV'nin farklı sürüş koşullarında davranışı simüle edilmiştir. Simscape modeli, fiziksel denklemler ve prensiplere dayandığı için P2 HEV'nin davranışıyla ilgili doğru ve güvenilir tahminler sağlar. Model, aracın performansını farklı senaryolarda analiz etmek için kullanılmıştır. Kia Niro 2018 araç özellikleri referans alınarak, P2 HEV modeli doğrulanmıştır. Daha sonra, Dünya Uyumlu Hafif Araç Test Prosedürü (WLTP) temelli bir P2 hibrit elektrikli araç için istenen hız profiline uyum sağlamak için ilk önce bir model öngörü kontrolörü (MPC) uygulanmıştır. MPC, aracın dinamiği ve güç aktarma organlarının matematiksel bir modelini kullanarak belirli bir zaman çerçevesi içinde gelecekteki davranışları tahmin etmek için ISO 2631-5'e göre ivme sınırlarını dikkate alınmıştır. Referans sinyal, WLTP standart hız profiline dayanarak belirlenmiştir ve bir amaç fonksiyonu, referans sinyalinden sapmayı minimize etmek için tanımlanmıştır. İstenen hız profiline ek olarak, P2 HEV'deki elektrik motoru ve içten yanmalı motor arasındaki tork dağıtımı da ikinci bir MPC kullanarak kontrol edilmiştir. MPC, aracın güç aktarma organlarının matematiksel bir modelini kullanarak, pil, motor ve motorun fiziksel sınırlarını dikkate alarak belirli bir zaman çerçevesi içinde gelecekteki davranışları tahmin etmek için kullanılmıştır. Bu MPC'nin amacı, motor ve motor arasındaki torku optimal bir şekilde dağıtarak istenen performans metriklerini elde etmektir, örneğin güç kayıplarını en aza indirmek. Sistemde, motor ve elektrikli motorun maksimum ve minimum torku, pilin şarj durumu ve akım limitlemeleri ve toplam torku eşitliği gibi kısıtlamalar belirlenmiştir. Doğrusal olmayan problemlerde, belirli bir hedef doğrultusunda birden çok optimal veya alt-optimal çözümler mevcuttur. Derin Q Ağı (DQN), belirli bir durumda alınabilecek en iyi eylemi seçmek için kullanılan bir yaklaşımdır. DQN, Q öğrenme adı verilen bir yaklaşıma dayanır. Q öğrenme, bir durumda bir eylem seçmenin ne kadar iyi olacağını tahmin eden bir fonksiyonu ögrenir. Daha sonra, bu tahmini kullanarak, en iyi eylemi seçilebilir. DQN, bu tahmin edici fonksiyonu öğrenmek için bir derin sinir ağı kullanır. Derin sinir ağı, birçok katmandan oluşan ve her katmanda birçok nöronu içeren bir yapay sinir ağıdır. Bu ağ, bir durumdan bir eylem seçmenin ne kadar iyi olacağını tahmin etmek için kullanılır. DQN, ayrıca bir deneyim tekrarlamalı öğrenme yaklaşımı kullanır. Bu, ajanın çevreyle etkileşimde bulunurken ögrendiği deneyimlerin bir belleğinde tutulması ve ardından bu deneyimlerin rastgele örneklerinin kullanılarak ağın eğitilmesidir. Bu sayede, DQN ajanı çevresindeki durumlara ve eylemlere uyum sağlayabilir ve daha iyi bir performans gösterir. DQN, görsel ortamlarda, robotik uygulamalarda ve enerji yönetimi gibi pek çok uygulama alanında kullanılmaktadır. Bu avantajlarından yararlanmak için, P2 hibrit elektrikli araçlarda hesaplama maliyetini azaltmak için, bir Deep Q Network (DQN) algoritması kullanılarak bir olay tetiklemeli mekanizma oluşturulmuştur. Bu mekanizma daha önce tasarlanan MPC'lere eklenmiştir. Bu mekanizma, model öngörülü kontrolörleri yalnızca gerektiğinde tetikler, hesaplama yükünü azaltır ve sistemdeki enerji verimliliğini artırır. DQN algoritması, sistem durumuna bağlı olarak tork dağıtım MPC'sini tetiklemek için bir politika öğrenmek için kullanılmıştır. Algoritma, değer fonksiyonunu tahmin etmek ve beklenen uzun vadeli maliyeti en aza indirecek eylemleri seçmek için bir sinir ağı kullanır. Olay tetiklemeli mekanizma, değişen sürüş koşullarına dayalı gerçek zamanlı ayarlamalara izin veren esnek ve uyarlanabilir bir enerji yönetimi yaklaşımı sağlar. DQN kullanımı, hesaplama yükünü azaltarak ve etkili ve verimli karar verme imkanı sağlayarak, P2 HEV'nin genel performansını ve verimliliğini artırılmıştır. Son olarak, iki model öngörülü kontrolöre sahip bir P2 hibrit elektrikli araç enerji yönetim sisteminde, ikinci MPC'nin maliyet fonksiyonunun ağırlıkları derin Q ağı algoritması kullanılarak belirlenmiştir. Model öngörülü kontrol kullanan bir kontrol sisteminde, maliyet fonksiyonu optimal kontrol eylemlerinin belirlenmesinde önemli bir rol oynar. Maliyet fonksiyonu, sistemin istenen performansını nicelendiren matematiksel bir ifade olup sistemin ne kadar iyi performans gösterdiğinin bir ölçüsünü sağlar. Optimal performansı elde etmek için doğru ağırlıkların maliyet fonksiyonu için seçilmesi önemlidir. MPC bağlamında, DQN maliyet fonksiyonu için optimal ağırlıkları öğrenmek için kullanılmıştır. Hedef, DQN'yi sistemin mevcut durumuna dayanarak maliyet fonksiyonu için optimal ağırlıkları tahmin etmek üzere eğitmektir. Eğitim sırasında, DQN algoritması, sistemin durumunu ve sonuçta elde edilen kontrol eylemlerini gözlemlemek için MPC kontrolörü ile etkileşir. Algoritma daha sonra sinir ağı ağırlıklarını optimal eylem-değer fonksiyonunu yaklaşık olarak hesaplamak üzere günceller ve bu fonksiyon maliyet fonksiyonu için optimal ağırlıkları tahmin etmek için kullanılır. Ağırlıklar, tahmin edilen eylem-değer fonksiyonu değerleri ile gerçek değerler arasındaki farkı en aza indirecek şekilde güncellenir. DQN eğitildikten sonra, kontrol sistemi mevcut duruma bağlı olarak maliyet fonksiyonunun ağırlıklarını dinamik olarak ayarlamak için kullanılmıştır. Bu, değişen işletme koşullarına gerçek zamanlı uyum sağlamak için MPC kontrolörünün iyileştirilmiş performans ve verimlilikle sonuçlanmasını sağlamıştır. Bu yaklaşım, pil, motor ve motorun fiziksel sınırlarının yanı sıra diğer istenen performans metriklerini de dikkate alarak, elektrik motoru ve içten yanmalı motor arasındaki torkun optimal dağılımına olanak tanımıştır. Sistemin mevcut durumuna göre maliyet fonksiyonunun ağırlığı ayarlanarak, P2 HEV optimal enerji yönetimi ve geliştirilmiş performans ve verimlilik elde edilmiştir. DQN kullanımı, sistem performansını artırarak etkili ve verimli karar verme imkanı sağlamıştır.

Özet (Çeviri)

The energy management problem of a P2 hybrid electric vehicle (HEV) involves determining how to allocate the available energy between the internal combustion engine and the electric motor, as well as how to use the energy stored in the battery. The goal of the energy management system is to minimize the fuel consumption of the vehicle while maintaining its performance and drivability. The energy management problem of a P2 HEV is challenging because it involves multiple objectives and constraints, as well as uncertain and varying driving conditions. The system must balance the power demand of the vehicle with the available power from the engine and battery, while also considering factors such as the state of charge of the battery, the efficiency of the components, and the driving cycle of the vehicle. In this study, the P2 Hybrid Electric Vehicle (HEV) model in Simscape includes components such as the internal combustion engine, electric motor, battery, transmission, and vehicle dynamics. The Kia Niro 2018 vehicle specification provides information about the characteristics of these components, such as their power ratings, efficiencies, and physical dimensions. By combining this information with the Simscape model, the behavior of the P2 HEV is simulated under different driving conditions. The Simscape model is based on physical equations and principles, which means that it provides accurate and reliable predictions of the behavior of the P2 HEV. The model is used to analyze the performance of the vehicle under different scenarios, such as different driving cycles or changes in environmental conditions. By using the Kia Niro 2018 vehicle specification as a reference, the P2 HEV model is validated and adjusted to improve its accuracy. After that, to track the desired velocity profile for a P2 hybrid electric vehicle (HEV) based on the World Harmonized Light Vehicle Test Procedure (WLTP), first model predictive controller (MPC) is implemented. The MPC uses a mathematical model of the vehicle dynamics and powertrain components to predict future behavior over a certain time horizon, taking into account acceleration limits according to ISO 2631-5. The reference signal is determined based on the WLTP standard velocity profile, and an objective function is defined to minimize deviation from the reference signal. In addition to tracking the desired velocity profile, the torque distribution between the engine and motor in a P2 HEV is controlled using a second MPC. The MPC uses a mathematical model of the vehicle's powertrain components to predict future behavior over a certain time horizon, taking into account physical limits of the battery, engine, and motor. The objective of this MPC is to distribute the torque between the engine and motor in an optimal way to achieve the desired performance metrics, such as minimizing power losses. Constraints are established on the system, such as maximum and minimum torque of the engine and electric motor, state of charge of the battery, and current limits of the battery and total torque equality. To decrease the computational cost, an event-triggered mechanism is constructed in a P2 HEV energy management system using a Deep Q Network (DQN) algorithm. This mechanism triggers the model predictive controllers only when needed, reducing the computational burden and improving the energy efficiency of the system. The DQN algorithm is used to learn a policy that determines when to trigger the torque distribution MPC based on the current state of the system. The algorithm uses a neural network to estimate the value function and select actions that minimize the expected long-term cost. The event-triggered mechanism provides a flexible and adaptive approach to energy management in the P2 HEV, allowing for real-time adjustments based on changing driving conditions. The use of DQN allows for efficient and effective decision-making, improving the overall performance and efficiency of the P2 HEV. As a last, in a P2 hybrid electric vehicle (HEV) energy management system with two model predictive controllers (MPCs), the weights of the second MPC's cost function are trained using a deep Q-network (DQN) algorithm. This approach allows for the optimal distribution of torque between the engine and motor, taking into account physical limits of the battery, engine, and motor, as well as other desired performance metrics. By adjusting the weight of the cost function based on the current state of the system, the P2 HEV achieves optimal energy management and improved performance and efficiency. The use of DQN allows for efficient and effective decision-making, reducing the computational burden and improving the overall performance of the system.

Benzer Tezler

  1. Tez No

    676401

    Adaptive equivalent consumption minimization strategy with driving pattern recognition for hybrid electric vehicles

    Hibrit elektrikli araçlar için sürüş tanıma ile uyarlanabilir eşdeğer yakıt tüketimi minimizasyonu stratejisi

    BARIŞ KALAYCI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. VOLKAN SEZER

  2. Tez No

    880008

    Farklı makine öğrenmesi teknikleri kullanılarak Beyşehir Gölü su seviyesinin tahmini

    Estimation of Beyşehir Lake water level using different machine learning techniques

    MEHMET ALİ TAMER

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    İnşaat MühendisliğiKTO Karatay Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. VAHDETTİN DEMİR

  3. Tez No

    476778

    İşletmelerde bakım yönetim sistemlerinin yapılandırılması ve EÜAŞ İstanbul A doğalgaz kombine çevrim santraline uygulanması

    Maintenance management system configuration in plants and application to euas Istanbul A natural gas combined cycle power plant

    ÇAĞATAY ARAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    PROF. DR. ÜNER ÇOLAK

  4. Tez No

    775676

    Kentsel katı atık düzenli depolama tesisi sızıntı suyunda Yarrowia lipolytica'nın çoğaltılması

    Growth of Yarrowia lipolytica in sanitary landfill leachate

    SARE KARŞİT

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Çevre Mühendisliğiİstanbul Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MAHMUT ALTINBAŞ

  5. Tez No

    540350

    Utilizing corine land cover data in diverse spatial decision making and management processes

    Çeşitli mekansal karar alım ve yönetim süreçlerinde corine arazi örtüsü verisinden yararlanılması

    ARTAN HYSA

    Doktora

    İngilizce

    İngilizce

    2018

    Peyzaj Mimarlığıİstanbul Teknik Üniversitesi

    Peyzaj Mimarlığı Ana Bilim Dalı

    DOÇ. DR. FATMA AYÇİM TÜRER BAŞKAYA

Geri Dön