Geri Dön

Hibrit elektrikli araçlarda batarya performans ve yakıt tüketimi değerlerinin modellenmesi ve optimizasyonu

Modeling and optimization of battery performance and fuel consumption in hybrid electric vehicles

PDF İndir

  1. Tez No: 877791
  2. Yazar: YAVUZ ERAY ALTUN
  3. Danışmanlar: DOÇ. DR. OSMAN AKIN KUTLAR
  4. Tez Türü: Doktora
  5. Konular: Makine Mühendisliği, Mekatronik Mühendisliği, Otomotiv Mühendisliği, Mechanical Engineering, Mechatronics Engineering, Automotive Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Makine Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 257

Özet

Otomotiv sektöründe giderek katılaşan emisyon regülasyonları, yakıt ekonomisi ile ilgili katı mevzuatlar, sürekli artan petrol fiyatları, küresel ısınma ve çevre kirliliği ile ilgili artan tüketici farkındalığı, otomobil üreticilerinin sera gazı emisyonlarını ve yakıt tüketimini azaltmak için etkili bir önlem oldukları için elektrikli ve hibrit güç aktarma sistemlerine yönelmesine yol açmıştır. Bu teknolojilerin geliştirilmesinde, hibrit elektrikli araçların enerji yönetim sistemlerine yönelik optimizasyon çalışmaları kritik önem taşımaktadır. Yapılan bu çalışmada, ilk olarak güç bölünmüş hibrit elektrikli araç konfigürasyonuna sahip aracın güç aktarma sisteminin matematiksel modeli Matlab/Simulink ortamında oluşturularak gerçek araç dinamometre test verileriyle doğrulanarak, geliştirilen optimizasyon ve derin öğrenme tabanlı hibrit elektrikli aracın enerji yönetim algoritmalarının simülasyonlarının yapılacağı ve sonuçların analiz edilebileceği gerçekçi bir sanal test platformu geliştirilmiştir. Daha sonraki aşamada farklı sürüş çevrimleri kullanılarak aracın başlangıç batarya şarj durumu (SoC) koşullarındaki simülasyon sonuçlarının karşılaştırılması sonucunda elde edilen içten yanmalı motorun özgül yakıt tüketimine (BSFC) bağlı olarak sürüş çevrimi sonunda tüketilen toplam yakıt miktarı ve elektrik motor-jeneratör çalışma verimlerine bağlı olarak sürüş çevrimi sonunda bataryadan kullanılan toplam elektrik enerjisi tüketimi analiz edilerek kullanılan farklı enerji yönetim tekniklerinin birbirlerine göre üstünlükleri ve avantajları karşılaştırılmıştır. İlk aşamada, sürüş çevrimleri ile ilgili önceden bilgi gerektiren optimizasyon tabanlı enerji algoritmaları olan ayrıklaştırılmış dinamik programlama (DDP) ve Pontryagin'in minimum prensibi (PMP) metotlarının sonuçları, literatürde bir referans olarak kabul edilen ve geliştirilmesi için yoğun araç testleri ve kalibrasyon çalışmalarına ihtiyaç duyan klasik kural tabanlı algoritması ile karşılaştırılmıştır. Daha sonra bu optimizasyon tabanlı algoritmalarının simülasyon sonuçları kullanılarak önceden sürüş çevrimi ile ilgli bilgiye ihtiyaç duymayan derin öğrenme tabanlı farklı Yapay Sinir Ağları (YSA) yapıları Levenberg Marquard (LM), Bayes regülasyonu (BR), ölçeklendirilmiş konjuge gradyan (SCG) gibi farklı optimizasyon yöntemleri vasıtasıyla farklı sürüş çevrimleri ve batarya başlangıç kapasite (SoC) koşulları için eğitilerek derin öğrenme tabanlı hibrit mod seçim kontrolü algoritması elde edilmiştir. Bu aşamada, simülasyon sonuçlarının bir kısmı algoritmaların eğitimi ve bir kısmı doğrulama testleri için kullanılarak, farklı yapay sinir ağ yapıları ve gerçek zamanlı model test verileri ile eğitilen diğer yöntemlerin sonuçları birbiriyle karşılaştırılarak derin öğrenme tabanlı enerji yönetim sisteminin yüksek performansı, kesinliği ve doğruluğu ortaya konulmuştur. Simülasyon sonuçlarına göre en iyi performans sonuçları hesaplama yükü en ağır olan Pontryagin'in minimum prensibi (PMP) tabanlı kontrol algoritması kullanılarak elde edilmiştir. Ayrıklaştırılmış dinamik programlama (DDP) Yöntemi, hesaplama hızının yüksek olması nedeniyle literatürde yaygın olarak kullanılan bir yöntem olup, simülasyon sonuçlarına göre Pontryagin'in minimum prensibi (PMP) yöntemine benzer ve kural tabanlı kontrol algoritmasından çok daha iyi bir performans göstermiştir. Son olarak bu optimizasyon yöntemleriyle elde edilen simülasyon verileriyle eğitilen derin öğrenme tabanlı enerji yönetim algoritması çok daha düşük bir hesaplama yükü ile farklı çevrimlerde başarılı sonuçlar göstermiştir. Derin öğrenme tabanlı farklı yapay sinir ağı eğitim yöntemlerinin, klasik kural tabanlı enerji yönetimi kontrol yöntemlerine olan üstünlükleri ortaya konmuş, kural tabanlı referans algoritma ile farklı sürüş çevrimlerinde karşılaştırıldığında yakıt ekonomisinde sürekli bir iyileştirme sağladığı ve ne kadar başarılı sonuçlar verebileceği gösterilmiştir.

Özet (Çeviri)

Increasingly stringent emission regulations in the automotive sector, strict legislation on fuel economy, ever-increasing oil prices, and growing consumer awareness of global warming and environmental pollution have led automakers to turn to electric and hybrid powertrains as an effective measure to reduce greenhouse gas emissions and fuel consumption. In the development of these technologies, optimization studies for the energy management systems of hybrid electric vehicles are critical. In the first part of this thesis, mathematical model of the power-split hybrid electric vehicle powertrain configuration is created in Matlab/Simulink environment. The powertrain model consist of internal combustion engine (ICE), two different electric machnies (MGA-MGB), high voltage battery, planet-sun gear automatic transmission, vehicle dynamic model and driver model. After that developed mathematical model is verified with real vehicle dynamometer test data based on Urban Dynamometer Driving Schedule (UDSS) drive cycle for both charge sustaining and charge depleting hybrid drive modes. By this was, a realistic virtual test platform is developed, in where the optimization and deep learning-based hybrid electric vehicle energy management algorithms can be simulated and their results can be analyzed. In the next stage, the total amount of fuel consumed at the end of the driving cycle depending on the specific fuel consumption (BSFC) of the internal combustion engine obtained as a result of comparing the simulation results at the initial battery state of charge (SoC) conditions of the vehicle using different driving cycles and the total amount of electrical energy consumption used from the high voltage battery at the end of the driving cycle depending on the electric motor-generator operating efficiencies are analyzed. In the second part of this thesis, different hybrid electric vehicle energy management methods developed and simulated. First, the results of discrete dynamic programming (DDP) and Pontryagin's minimum principle (PMP) methods, which are optimization-based energy algorithms that require prior knowledge of the driving cycles, are compared with the classical rule-based algorithm, which is considered as a reference in the literature and needs intensive vehicle testing and calibration studies for its development. Then, using the simulation results of these optimization-based algorithms, a deep learning-based hybrid mode selection control algorithm is obtained by training different deep learning-based artificial neural network (ANN) structures that do not require prior knowledge of the driving cycle for different driving cycles and battery initial capacity (SoC) conditions through different optimization methods such as Levenberg Marquard, Bayesian Regularization, Scaled Conjugate Gradient. At this stage, some of the simulation results are used for training the algorithms and some for validation tests, and the results of other methods trained with different artificial neural network structures and real-time model test data are compared with each other to demonstrate the high performance, precision and accuracy of the deep learning-based energy management system. According to the simulation results, the best performance results are obtained by using Pontryagin's Minimum Principle (PMP) based control algorithm with the heaviest computational load. The Discrete Dynamic Programming (DDP) method, which is widely used in the literature due to its high computational speed, outperformed the rule-based control algorithm according to the simulation results. Finally, the deep learning-based energy management algorithm trained with simulation data obtained with these optimization methods showed successful results in different cycles with a much lower computational load. The superiority of different deep learning based neural network training methods over the classical rule-based energy management control methods has been demonstrated, and it has been shown that the rule-based reference algorithm provides a continuous improvement in fuel economy when compared with the rule-based reference algorithm in different driving cycles. The main contributions of this study to the literature mainly include the following aspects: (1) Development of a validated virtual test platform for simulation of different energy management systems. (2) Development of PMP and DP based algorithms to optimize the control parameters of the power split hybrid vehicle to reduce the energy consumption for driving cycles defined as offline simulation. (3) Based on the results of DDP and PMP optimization algorithms, develop neural network based energy management systems with three different optimization methods (Levenberg Marquart, Bayesian Regulation, Scaled Conjugate Gradient) to improve fuel economy and battery electrical energy consumption that can be used for real-time applications. The thesis is organized as follows: First section presents the aim of the thesis, the extensive literature review and the hypothesis developed. Second section describes the critical importance of hybrid electric vehicles in terms of emissions and fuel economy, their history and different hybrid powertrain configurations. Then, the operating modes and power transmission characteristics of the power split hybrid electric vehicle configuration to be used in the modeling studies are explained. In the third section, a detailed description of the mathematical modeling of the components such as configuration parameters, internal combustion engine, electric motors, transmission, battery and vehicle dynamics of the hybrid electric vehicle to be modeled is presented together with the theory. Furthermore, the characteristics of the drive model and the driving cycles used in the simulations are also described in this chapter. At the end of this chapter, the hybrid electric vehicle model validation results in the Urban Dynamometer Driving Schedule (UDSS) driving cycle are presented and analyzed based on vehicle dynamometer data to present the high maturity of the simulation models. In the section four, classification and main objectives of energy management systems explained. In this section, the control and optimization techniques to be used in the simulations of hybrid electric vehicles with power split configuration are explained with their advantages and disadvantages. Furthermore, the detailed mathematical modeling of the optimization and deep learning based methods used for the simulations is explained. Last section of the thesis presents the simulation results and discusses and explains the qualitative and quantitative findings for the developed energy management systems in different drive cycles. In the conclusion and recommendations section, conclusions are discussed based on the simulation results obtained.

Benzer Tezler

  1. Tez No

    728212

    6x6 seri hibrit elektrikli bir zırhlı personel taşıyıcının modellenmesi

    Modeling of a 6x6 series hybrid electric armored personnel carrier

    AHMET ONUR KIYAKLI

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Makine MühendisliğiGazi Üniversitesi

    Otomotiv Mühendisliği Ana Bilim Dalı

    PROF. DR. HAMİT SOLMAZ

  2. Tez No

    878246

    Reinforcement learning based battery thermal management controller for electric vehicle charge time optimization using horizon data

    Ufuk verileri kullanılarak takviyeli öğrenme tabanlı batarya termal yönetim kontrolü ile elektrikli araçlarda şarj süresinin iyileştirilmesi

    YUNUS TURHAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT YILMAZ

  3. Tez No

    126942

    Esas tahrik unsuru yakıt pili olan elektrikli araç uygulaması ve konfigürasyonu

    Demonstration and configuration of electric vehicles which use fuelcell as a main movement unit

    MUSTAFA KILIÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2002

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Ana Bilim Dalı

    PROF. DR. ABDURRAHMAN KILIÇ

  4. Tez No

    363554

    Menzili uzatılmış elektrikli araçlarda eş değer yakıt tüketimi ile yakıt ve nox optimizasyonu

    Nox and fuel optimization on range extended vehicles using equivalent consumption of minimization strategy

    AYŞEGÜL KURŞUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. SALMAN KURTULAN

  5. Tez No

    432032

    Hibrit elektrikli otobüste (PHILEAS) sürücü sistemlerinin modellenmesi ve güç aktarma organlarının tasarımı

    Modelling of the drive system and design of powertrain at hybrid electric vehicles (PHILEAS)

    BİLAL TİMUÇİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Makine MühendisliğiYıldız Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEMİH SEZER

Geri Dön