Avances en Ingeniería del Automóvil
Acceso abierto

abstracto

Predicción del estado de carga óptimo de la batería HEV: un enfoque inspirado en la serie temporal

Sabiduría Enang

La eficiencia del combustible en los vehículos eléctricos híbridos requiere un equilibrio fino entre el uso del motor de combustión y la energía de la batería, utilizando un algoritmo de control cuidadosamente diseñado. Debido a la naturaleza transitoria de la dinámica de los HEV, la predicción de las condiciones de conducción se ha convertido inevitablemente en una parte vital de la gestión de la energía de los HEV. El uso de la telemática a bordo del vehículo para la predicción de las condiciones de conducción ha sido ampliamente investigado y documentado en la literatura, y la mayoría de estos estudios identifican el alto costo del equipo y la falta de información de ruta (para rutas desconocidas para el GPS) como factores que actualmente impiden la comercialización de HEV predictivo. control mediante telemática. En vista de este desafío, este estudio inspira un enfoque de gestión de energía HEV anticipado, que utiliza predictores de series de tiempo (redes neuronales o cadenas de Markov), para pronosticar el estado de carga futuro de la batería, para un horizonte dado, a lo largo del frente óptimo (óptimo). trayectoria del estado de carga de la batería). La principal contribución de este artículo es una evaluación teórica detallada y una comparación de la red neuronal y los predictores de series temporales de la cadena de Markov en diferentes escenarios de conducción (FTP72, SC03, ARTEMIS U130 y WLTC 3 ciclos de conducción). Con base en el análisis realizado en este estudio, se extraen las siguientes inferencias útiles: 1. La precisión de la predicción disminuye masiva y desproporcionadamente en promedio con un mayor horizonte de predicción para redes neuronales de múltiples entradas, 2. En una red de predicción de entrada única/horizonte único , el rendimiento tanto de la red neuronal como de los predictores de la cadena de Markov son similares y casi óptimos, con un error porcentual absoluto medio inferior al 0,7 % y un error cuadrático medio inferior al 0,6 para todos los ciclos de conducción analizados, 3. Las cadenas de Markov atraen como un prometedor predictor de series temporales para aplicaciones vehiculares en línea, ya que afecta la ventaja relativa de alta precisión y tiempo de cálculo moderado.