Điều khiển và quản lý hệ năng lượng lai trên xe điện

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Điều khiển quản lý hệ lượng lai xe điện NGUYỄN TRẦN HOÀI LINH Ngành Kỹ thuật điều khiển Tự động hóa Giảng viên hướng dẫn: TS Võ Duy Thành Trường: Điện – Điện tử HÀ NỘI, 2022 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Điều khiển quản lý hệ lượng lai xe điện NGUYỄN TRẦN HOÀI LINH Ngành Kỹ thuật Điều khiển Tự động hóa Giảng viên hướng dẫn: TS Võ Duy Thành Chữ ký GVHD Trường: Điện – Điện tử HÀ NỘI, 2022 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn: Nguyễn Trần Hoài Linh Đề tài luận văn: Điều khiển Quản lý hệ lượng lai xe điện Ngành: Kỹ thuật điều khiển Tự động hóa Mã số HV: 20202541M Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 04 tháng 05 năm 2022 với nội dung sau: + Giải thích cách rõ ràng kết mô thực nghiệm + Bổ sung bảng danh mục từ tiếng Anh từ viết tắt + Sốt lại lỗi tả có luận văn Giảng viên hướng dẫn TS Võ Duy Thành Hà Nội, ngày tháng năm 2022 Tác giả luận văn Nguyễn Trần Hoài Linh CHỦ TỊCH HỘI ĐỒNG PGS TS Trần Trọng Minh LỜI CẢM ƠN Em xin gửi lời cảm ơn chân thành đến thầy giáo hướng dẫn TS Võ Duy Thành suốt khoảng thời gian vừa qua ln tận tình định hướng, bảo tạo điều kiện tốt cho em để em hồn thành luận văn Ngoài ra, em xin cảm ơn TS Nguyễn Bảo Huy Phịng thí nghiệm Nghiên cứu Xe điện (CTI) dành thời gian giúp đỡ, hỗ trợ em nhiều Mặc dù cố gắng q trình nghiên cứu em cịn hạn chế mặt kinh nghiệm, kỹ thời gian thực nên nghiên cứu em khơng tránh khỏi thiếu sót hay phương án giải chưa tối ưu Vì em hy vọng nhận lời nhận xét định hướng q báu thầy để phát triển đề tài tương lai Em xin chân thành cảm ơn! Hà Nội, ngày 15 tháng 05 năm 2022 Học Viên Nguyễn Trần Hoài Linh MỤC LỤC CHƯƠNG TỔNG QUAN VỀ HỆ NĂNG LƯỢNG LAI TRÊN XE ĐIỆN 1.1 Giới thiệu chung 1.2 Khái quát chung xe ô tô điện 1.3 Hệ lượng lai ô tô điện Một số loại nguồn sử dụng cho ô tô điện Phân tích, lựa chọn hệ lượng lai cho hướng nghiên cứu 1.4 Đề xuất hướng nghiên cứu 1.5 Cấu trúc phần luận văn CHƯƠNG MƠ HÌNH HĨA Ơ TƠ ĐIỆN VÀ HỆ NGUỒN LAI 10 2.1 Giới thiệu phương pháp biểu diễn vĩ mô lượng 10 2.2 Mơ hình hóa thiết kế điều khiển cho hệ truyền động điện xe ô tô điện i-MiEV 12 Mơ hình hóa Inverter 12 Mô hình hóa động IPM 14 Mơ hình hộp số bánh xe 15 Mơ hình hóa hệ trục khung, gầm xe 15 Mơ hình động lực học thân xe 16 Biểu diễn EMR điều khiển hệ truyền động điện xe 17 2.3 Mơ hình hóa thiết kế điều khiển cho hệ thống lượng lai 21 Mơ hình toán phần tử hệ thống 21 Biểu diễn EMR điều khiển hệ lượng lai 24 CHƯƠNG CHIẾN LƯỢC QUẢN LÝ NĂNG LƯỢNG SỬ DỤNG BỘ LỌC THÍCH NGHI 27 3.1 Thuật toán lọc thích nghi 27 3.2 Thuật toán giới hạn điện áp siêu tụ 28 3.3 Mô phỏng, thực nghiệm kiểm chứng bình luận 29 Kịch mô 29 Mô offline 31 Thực nghiệm kiểm chứng 35 CHƯƠNG QUẢN LÝ NĂNG LƯỢNG BẰNG PHƯƠNG PHÁP ĐIỀU KHIỂN BIẾN ĐỒNG TRẠNG THÁI THEO MÔ HÌNH DỰ BÁO 39 4.1 Điều khiển tối ưu cho hệ lượng lai thuật toán alt-PMP 39 4.2 Chiến lược điều khiển biến đồng trạng thái dự báo mơ hình 40 Đặt vấn đề 41 Bộ điều khiển MPC 41 Bộ điều khiển PI cho biến đồng trạng thái 45 4.3 Kết mơ bình luận 46 Kịch mô 46 Kết mơ bình luận 47 CHƯƠNG KẾT LUẬN 51 5.1 Kết luận 51 5.2 Hướng phát triển nghiên cứu tương lai 51 TÀI LIỆU THAM KHẢO 52 DANH MỤC HÌNH VẼ Hình 1.1 Các cấu hình xe tơ điện Hình 1.2 Đồ thị Ragone số loại nguồn lượng Hình 1.3 Hệ lượng Fuel Cell ô tô điện Toyota Mirai Hình 1.4 Hệ lượng gồm Pin máy phát điện Hình 1.5 Sơ đồ khối trình tự phát triển đề tài nghiên cứu Hình 2.1 Các phần tử EMR 10 Hình 2.2 Cấu trúc điều khiển vòng hở 11 Hình 2.3 Cấu trúc điều khiển phản hồi vịng kín 11 Hình 2.4 Nguyên lý thiết kế điều khiển với hệ thống biểu diễn EMR 11 Hình 2.5 Cấu hình hệ lượng truyền động điện xe i-MiEV 12 Hình 2.6 Cấu trúc biến đổi điện áp 13 Hình 2.7 Mơ hình liên tục động IPM hệ tọa độ dq 14 Hình 2.8 Hệ lực môi trường tác động lên xe ô tô 16 Hình 2.9 Biểu diễn EMR cho hệ truyền động xe i-MiEV 17 Hình 2.10 Cấu trúc vịng điều khiển cho tốc độ xe 18 Hình 2.11 Cấu trúc điều khiển vịng dịng điện hệ tọa độ d-q 19 Hình 2.12 Mạch tương đương chuyển mạch HESS 23 Hình 2.13 Mạch tương đương cuộn kháng L 23 Hình 2.14 Biểu diễn EMR hệ lượng lai Pin-Siêu tụ 24 Hình 2.15 Cấu trúc điều khiển vòng dòng điện qua cuộn kháng L 25 Hình 3.1 Biến đổi thuật tốn lọc thích nghi 27 Hình 3.2 Khối điều khiển sạc siêu tụ điện 28 Hình 3.3 Bộ giới hạn điện áp siêu tụ 29 Hình 3.4 Sơ đồ triển khai khối Strategy 29 Hình 3.5 Xe tơ điện Mitsubishi i-MiEV 30 Hình 3.6 Siêu tụ điện NESSCAP EMHSR-0062C0-125R0SR2 30 Hình 3.7 Đáp ứng tốc độ xe điện 32 Hình 3.8 Dịng điện u cầu hệ thống truyền động 32 Hình 3.9 Dòng điện pin với chiến lược điều khiển với chu trình NEDC 32 Hình 3.10 Dịng điện pin với chiến lược điều khiển với chu trình Artemis 33 Hình 3.11 Chỉ tiêu chất lượng dịng điện pin 33 Hình 3.12 Điện áp siêu tụ với chiến lược quản lý chu trình NEDC 34 Hình 3.13 Điện áp siêu tụ với chiến lược quản lý chu trình Artemis 35 Hình 3.14 Sơ đồ nguyên lý mô Signal HIL 35 Hình 3.15 Hệ thống thực nghiệm mô Signal HIL 36 Hình 3.16 Đáp ứng tốc độ với chu trình WLTC 37 Hình 3.17 Dịng điện hệ lượng lai thực nghiệm 37 Hình 3.18 Điện áp siêu tụ thực nghiệm 38 Hình 4.1 Biểu diễn dịng cơng suất hệ thống 39 Hình 4.2 Chiến lược quản lý lượng dựa phương pháp MPC 40 Hình 4.3 Cấu trúc điều khiển cho biến đồng trạng thái 41 Hình 4.4 Đáp ứng tốc độ xe với hai chu trình lái 46 Hình 4.5 Phân phối công suất hệ lượng lai với PI 47 Hình 4.6 Phân phối công suất hệ lượng lai với MPC 48 Hình 4.7 Dịng điện pin với thuật toán đề xuất 48 Hình 4.8 Các tiêu chất lượng dòng điện pin 49 Hình 4.9 Điện áp siêu tụ với thuật toán đề xuất 50 DANH MỤC BẢNG BIỂU Bảng 3.1 Thông số kỹ thuật hệ thống 30 DANH MỤC TỪ VIẾT TẮT HIL EV HEV ESS HESS SoC DoD ECU IS IPM Motor Batt SC LPF EMR MPC rms : Hardware-In-the-Loop : Electric Vehicle – Phương tiện chạy điện : Hybrid Electric Vehicle – Phương tiện lai điện : Energy Storage System – Hệ lưu trữ lượng : Hybrid Energy Storage System – Hệ lượng lai : State of Charge – Trạng thái sạc : Depth of Discharge : Electronic Control Unit – Phần tử điều khiển điện tử : Interface System – Hệ thống cổng giao tiếp : Interior Permanent Magnet Motor – Động đồng nam châm vĩnh cửu chìm : Battery – Pin/ắc-qui : Supercapacitor – Siêu tụ điện : Low-Pass Filter – Lọc thông thấp : Energetic Macroscopic Representation – Phương pháp biểu diễn vĩ mô lượng : Model predictive control – điều khiển dự báo mơ hình : root mean square Từ PT 4.6, mơ hình rời rạc hệ thống hình thành với bước thời gian trích mẫu Δt sau: 𝐸̇ = A𝑑 𝐸𝑠𝑐 𝑘 + 𝐵𝑑 λ𝑐 𝑘 − 𝑃𝑡𝑟𝑎𝑐 𝑘 PT 4.7 { 𝑠𝑐 (𝑘+1) 𝐸𝑠𝑐 𝑘 = 𝐶𝑑 𝐸𝑠𝑐 𝑘 + 𝐷𝑑 λ𝑐 𝑘 , A𝑑 = với: 𝐵𝑑 = − Δt 𝐶𝑑 = { 𝐷𝑑 = Với mơ hình rời rạc trên, phiếm hàm mục tiêu dạng toàn phương định nghĩa sau: PT 4.8 𝐽 = [𝑒𝑘𝑇 𝑄𝑘 𝑒𝑘 + λ𝑇𝑐 𝑘−1 𝑅𝑘−1 λ𝑐 𝑘−1 + Δλ𝑇𝑐 𝑘−1 𝑃𝑘−1 Δλ𝑐 𝑘−1 , đó: 𝑒𝑘 = 𝐸𝑠𝑐 𝑟𝑒𝑓 𝑘 −𝐸𝑠𝑐 𝑘 PT 4.9 { Δλ𝑐 𝑘 = λ𝑐 𝑘 − λ𝑐 𝑘−1 Ngoài ra, 𝑄𝑘 , 𝑅𝑘−1 𝑃𝑘−1 ma trận trọng số xác định dương hàm mục tiêu Đây yếu tố tác động trực tiếp đến chất lượng điều khiển cần chỉnh cách hợp lý Các điều kiện ràng buộc hệ thống lượng đưa sau: 𝐸𝑠𝑐 𝑚𝑖𝑛 ≤ 𝐸𝑠𝑐 𝑘 ≤ 𝐸𝑠𝑐 𝑚𝑎𝑥 PT 4.10 { λ𝑐 𝑚𝑖𝑛 ≤ λ𝑐 𝑘 ≤ λ𝑐 𝑚𝑎𝑥 Δλ𝑐 𝑚𝑖𝑛 ≤ Δλ𝑐 𝑘 ≤ Δλ𝑐 𝑚𝑎𝑥 Để giải tốn tối ưu tồn phương, phương pháp thường sử dụng Quadratic Programming (QP) Phương pháp đòi hỏi vấn đề cần giải phải dạng tồn phương tắc sau [44]: PT 4.11 𝐽 = 𝑧 𝑇 𝐻𝑧 + 𝑐 𝑇 𝑧, với dạng ràng buộc: 𝐴𝑒 𝑧 = 𝐵𝑒 PT 4.12 𝐴𝑖 𝑧 ≤ 𝐵𝑖 { 𝑧𝑙𝑜𝑤𝑒𝑟 ≤ 𝑧 ≤ 𝑧𝑢𝑝𝑝𝑒𝑟 z vector chứa tất biến hệ thống Ta có: 𝑇 𝑇 𝑇 𝑧 𝑇 = (λ𝑇𝑐 , ∆λ𝑇𝑐 , 𝐸𝑠𝑐 𝑥 , 𝑒 , 𝐸𝑠𝑐 𝑦 ) λ𝑇𝑐 = (λ𝑇𝑐 , λ𝑇𝑐 , … , λ𝑇𝑐 𝑁−1 ), λ𝑇𝑐 ∈ 𝑅1𝑥𝑁𝑛𝑢 ∆λ𝑇𝑐 = (∆λ𝑇𝑐 , ∆λ𝑇𝑐 , … , ∆λ𝑇𝑐 𝑁−1 ), ∆λ𝑇𝑐 ∈ 𝑅1𝑥𝑁𝑛𝑢 𝑇 𝑇 𝑇 𝑇 𝑇 1𝑥𝑁𝑛𝑥 𝐸𝑠𝑐 𝑥 = (E𝑠𝑐 𝑥 , E𝑠𝑐 𝑥 , … , E𝑠𝑐 𝑥 𝑁 ), 𝐸𝑠𝑐 𝑥 ∈ 𝑅 𝑒 𝑇 = 𝑒1𝑇 , 𝑒2𝑇 , … , 𝑒𝑁𝑇 , 𝑒 𝑇 ∈ 𝑅1𝑥𝑁𝑛𝑦 1𝑥𝑁𝑛𝑦 𝑇 𝑇 𝑇 𝑇 𝑇 {𝐸𝑠𝑐 𝑥 = (E𝑠𝑐 𝑦 , E𝑠𝑐 𝑦 , … , E𝑠𝑐 𝑦 𝑁 ), 𝐸𝑠𝑐 𝑦 ∈ 𝑅 PT 4.13 42 với N số bước tính tốn cửa sổ dự báo MPC [31] Tổng số biến vector z từ k=1 đến k=N là: 𝑛𝑧 = 𝑁(𝑛𝑢 + 𝑛𝑢 + 𝑛𝑥 + 𝑛𝑦 + 𝑛𝑦 ), PT 4.14 Trong nghiên cứu này, hệ thống có biến trạng thái, biến điều khiển đầu nên: 𝑛𝑥 = 𝑛𝑦 = 𝑛𝑢 = Sau khí định nghĩa vector biến z, từ PT 4.11 phiếm hàm mục tiêu dạng tồn phương tắc viết lại sau: λ𝑐 𝑇 𝐻11 Δλ𝑐 𝐽 = 𝐸𝑠𝑐 𝑥 𝑒 [𝐸𝑠𝑐 𝑦 ] [ 𝑐1 𝑇 λ𝑐 λ𝑐 0 0 𝑐2 Δλ𝑐 Δλ𝑐 𝐻22 0 0 𝐻33 0 𝐸𝑠𝑐 𝑥 + 𝑐3 𝐸𝑠𝑐 𝑥 PT 4.15 𝑐4 𝑒 𝑒 0 𝐻44 [ 𝑐 ] 0 𝐻55 ] [𝐸𝑠𝑐 𝑦 ] [𝐸𝑠𝑐 𝑦 ] Một cách tương tự, điều kiện rang buộc viết lại sau: λ𝑐 𝐴𝑒1 λ𝑐 𝐴𝑒1 ∆λ𝑐 𝐴𝑒1 𝐸𝑠𝑐 𝑥 𝐴𝑒1 e 𝐴𝑒1 𝐸𝑠𝑐 𝑦 𝑏𝑒1 𝑇 𝐴𝑒2 λ𝑐 𝐴𝑒2 ∆λ𝑐 𝐴𝑒2 𝐸𝑠𝑐 𝑥 𝐴𝑒2 e 𝐴𝑒2 𝐸𝑠𝑐 𝑦 Δλ𝑐 𝑏 PT 4.16 𝐸𝑠𝑐 𝑥 = [ 𝑒2 ] 𝐴𝑒3 λ𝑐 𝐴𝑒3 ∆λ𝑐 𝐴𝑒3 𝐸𝑠𝑐 𝑥 𝐴𝑒3 e 𝐴𝑒3 𝐸𝑠𝑐 𝑦 𝑏𝑒3 𝑒 𝑏𝑒4 [𝐴𝑒4 λ𝑐 𝐴𝑒4 ∆λ𝑐 𝐴𝑒4 𝐸𝑠𝑐 𝑥 𝐴𝑒4 e 𝐴𝑒4 𝐸𝑠𝑐 𝑦 ] [𝐸𝑠𝑐 𝑦 ] λ𝑐 𝐴𝑖1 λ𝑐 𝐴𝑖1 ∆λ𝑐 𝐴𝑖1 𝐸𝑠𝑐 𝑥 𝐴𝑖1 e 𝐴𝑖1 𝐸𝑠𝑐 𝑦 𝑏𝑖1 𝑇 𝐴𝑖2 λ𝑐 𝐴𝑖2 ∆λ𝑐 𝐴𝑖2 𝐸𝑠𝑐 𝑥 𝐴𝑖2 e 𝐴𝑖2 𝐸𝑠𝑐 𝑦 Δλ𝑐 𝑏 PT 4.17 𝐸𝑠𝑐 𝑥 ≤ [ 𝑖2 ] 𝐴𝑖3 λ𝑐 𝐴𝑖3 ∆λ𝑐 𝐴𝑖3 𝐸𝑠𝑐 𝑥 𝐴𝑖3 e 𝐴𝑖3 𝐸𝑠𝑐 𝑦 𝑏𝑖3 𝑒 𝑏𝑖4 [𝐴𝑖4 λ𝑐 𝐴𝑖4 ∆λ𝑐 𝐴𝑖4 𝐸𝑠𝑐 𝑥 𝐴𝑖4 e 𝐴𝑖4 𝐸𝑠𝑐 𝑦 ] [𝐸𝑠𝑐 𝑦 ] Từ PT 4.7, 4.8, 4.10, 4.12, 4.15, 4.16 4.17, ma trận H, c, Ae, be, Ai, bi, zupper zlower tìm biến đổi đại số thông thường [45] Kết cuối ma trận đặc trưng cho QP sau: 𝑅0 0 ⋯ 𝑅1 PT 4.18 ] = 𝐼𝑁𝑢 ⊗ 𝑅 𝐻11 = [ ⋮ ⋱ ⋮ ⋯ 𝑅𝑁−1 𝑅0 = 𝑅1 = ⋯ = 𝑅𝑁−1 = 𝑅 với 𝑅 ∈ R𝑛𝑢 × 𝑛𝑢 ma trận trọng số cho biến điều khiển, I ma trận đơn vị 𝑃0 0 ⋯ 𝑃1 PT 4.19 ] = 𝐼𝑁𝑛𝑢 ⊗ 𝑃 𝐻22 = [ ⋮ ⋱ ⋮ ⋯ 𝑃𝑁−1 𝑃0 = 𝑃1 = ⋯ = 𝑃𝑁−1 = 𝑃 với 𝑃 ∈ R𝑛𝑢 × 𝑛𝑢 ma trận trọng số cho độ biến thiên điều khiển 𝐻33 = 𝐼𝑁𝑛𝑥 ⊗ 0𝑁𝑛𝑥×𝑛𝑥 PT 4.20 { 𝐻55 = 𝐼𝑁𝑛𝑦 ⊗ 0𝑁𝑛𝑦×𝑛𝑦 43 𝑄1 = [ 𝑄2 0 PT 4.21 ] = 𝐼𝑁𝑛𝑢 ⊗ 𝑄 𝐻44 ⋮ ⋱ ⋮ ⋯ 𝑄𝑁 𝑄1 = 𝑄2 = ⋯ = 𝑄𝑁 = 𝑄 với 𝑄 ∈ R𝑛𝑦 × 𝑛𝑦 ma trận trọng số cho sai lệch e 0𝑁𝑛𝑢 ×1 𝑐1 0𝑁𝑛𝑢 ×1 𝑐2 PT 4.22 𝑐 = 𝑐3 = 0𝑁𝑛𝑥×1 𝑐4 0𝑁𝑛𝑦×1 [𝑐5 ] [0𝑁𝑛𝑦×1 ] ⋯ 𝐴𝑒1 λ𝑐 = 𝐼𝑁 ⊗ 𝐵 𝐴𝑒1 ∆λ𝑐 = 0𝑁𝑛𝑥×𝑁𝑛u 𝐴𝑒1 𝐸𝑠𝑐 𝑥 = 𝐼𝑁𝑛𝑥 − (𝐼𝑁,−1 ⊗ 𝐴) 𝐴𝑒1 e = 0𝑁𝑛𝑥×𝑁𝑛𝑦 𝐴𝑒1 𝐸𝑠𝑐 𝑦 = 0𝑁𝑛𝑥×𝑁𝑛𝑦 { PT 4.23 với ma trận 𝐼𝑁,−1 có dạng: 𝐼𝑁,−1 𝐼 = ⋮ [0 0 𝐼 ⋱ 0 0 ⋱ ⋯ … … ⋱ 𝐼 0 ⋮ 0] Tiếp theo, 𝐴𝑒2 λ𝑐 = 0𝑁𝑛𝑦×𝑁𝑛u 𝐴𝑒2 ∆λ𝑐 = 0𝑁𝑛𝑦×𝑁𝑛u 𝐴𝑒2 𝐸𝑠𝑐 𝑥 = −𝐼𝑁 ⊗ 𝐶 𝐴𝑒2 e = 0𝑁𝑛𝑦×𝑁𝑛𝑦 { 𝐴𝑒2 𝐸𝑠𝑐 𝑦 = 𝐼𝑁𝑛𝑦 PT 4.24 𝐴𝑒3 λ𝑐 = 0𝑁𝑛𝑦×𝑁𝑛u 𝐴𝑒3 ∆λ𝑐 = 0𝑁𝑛𝑦×𝑁𝑛u 𝐴𝑒3 𝐸𝑠𝑐 𝑥 = 0𝑁𝑛𝑦×𝑁𝑛𝑥 PT 4.25 𝐴𝑒3 e = 𝐼𝑁𝑛𝑦×𝑁𝑛𝑦 { 𝐴𝑒3 𝐸𝑠𝑐 𝑦 = 𝐼𝑁𝑛𝑦 44 𝐴𝑒4 λ𝑐 = 𝐼𝑁𝑛𝑢 − (𝐼𝑁𝑛𝑢,−1 ) 𝐴𝑒4 ∆λ𝑐 = 𝐼𝑁𝑛𝑢 𝐴𝑒4 𝐸𝑠𝑐 𝑥 = 0𝑁𝑛𝑢×𝑁𝑛𝑥 𝐴𝑒4 e = 𝐼𝑁𝑛𝑢 ×𝑁𝑛𝑦 { 𝐴𝑒4 𝐸𝑠𝑐 𝑦 = 𝐼𝑁𝑛𝑢 ×𝑁𝑛𝑦 PT 4.26 𝐴𝑥0 ] − 𝑃𝑡𝑟𝑎𝑐 ∆𝑡 𝑏𝑒1 = [0 ((𝑁−1)𝑛𝑥 ×1) 𝑏𝑒2 = 0𝑁𝑛𝑦×1 𝑦𝑟𝑒𝑓 𝑦𝑟𝑒𝑓 𝑏𝑒3 = [ ⋮ ] 𝑦𝑟𝑒𝑓 𝑁 λ𝑐 𝑜𝑝𝑡1 (𝑛𝑢×1) ] 𝑏𝑒 = [ 0((𝑁−𝑛𝑢)𝑛𝑢 ×1) { PT 4.27 Ma trận be là: Các ma trận Ai bi nghiên cứu đặt ma trận rỗng Các ràng buộc hệ thống triển khai ma trận biên z zupper zlower: (𝑃𝑏𝑎𝑡 𝑚𝑎𝑥 − λ𝑎𝑣𝑔 ) ⊗ 1𝑁𝑛𝑢×1 ∆λ𝑐 𝑚𝑎𝑥 ⊗ 1𝑁𝑛𝑢×1 𝐸𝑠𝑐 𝑚𝑎𝑥 ⊗ 1𝑁𝑥×1 𝑧𝑢𝑝𝑝𝑒𝑟 = 𝑖𝑛𝑓 ⊗ 1𝑁𝑦×1 𝐸𝑠𝑐 𝑚𝑎𝑥 ⊗ 1𝑁𝑦×1 [ ] PT 4.28 −(𝑃𝑏𝑎𝑡 𝑚𝑎𝑥 − λ𝑎𝑣𝑔 ) ⊗ 1𝑁𝑛𝑢×1 −∆λ𝑐 𝑚𝑎𝑥 ⊗ 1𝑁𝑛𝑢×1 𝐸𝑠𝑐 𝑚𝑖𝑛 ⊗ 1𝑁𝑥×1 𝑧𝑙𝑜𝑤𝑒𝑟 = −𝑖𝑛𝑓 ⊗ 1𝑁𝑦×1 𝐸𝑠𝑐 𝑚𝑖𝑛 ⊗ 1𝑁𝑦×1 { [ ] Cuối cùng, sau có tất ma trận trên, toán tối ưu tồn phương cho hệ lượng lai giải hàm giải thuật tích hợp MATLAB (quadprog): PT 4.29 𝑧𝑜𝑝𝑡 = 𝑞𝑢𝑎𝑑𝑝𝑟𝑜𝑔(𝐻, 𝑐, [ ], [ ], 𝐴𝑒 , 𝑏𝑒 , 𝑧𝑢𝑝𝑝𝑒𝑟 , 𝑧𝑙𝑜𝑤𝑒𝑟 Bộ điều khiển PI cho biến đồng trạng thái Theo mục 4.2.1, mô hình hệ lượng lai coi khâu tích phân đơn giản Do đó, điều khiển PI sử dụng trường hợp Hàm truyền hệ hở hệ thống cho sau: λ𝑐 𝐸𝑠𝑐 = (− − 𝑃𝑡𝑟𝑎𝑐 ) 𝑠 PT 4.30 { 𝑘𝐼 𝐺𝑃𝐼 = 𝑘𝑃 + 𝑠 45 𝑘𝑃 𝑘𝐼 hệ số điều khiển PI Từ PT 4.30, hàm truyền hệ kín hệ thống là: 𝑘 (𝑘𝑃 + 𝐼 ) 𝑠 𝑠 = 𝑘𝑃 𝑠 + 𝑘 𝐼 𝐺= 𝑘 𝑠 + 𝑘𝑃 𝑠 + 𝑘𝐼 + (𝑘𝑃 + 𝐼 ) 𝑠 𝑠 Hàm truyền khâu dao động bậc có dạng chuẩn là: 2𝜉𝜔𝑛 𝑠 + 𝜔𝑛 𝐺2 = 𝑠 + 2𝜉𝜔𝑛 𝑠 + 𝜔𝑛 𝜉 hệ số tắt dần 𝜔𝑛 tần số góc tự nhiên PT 4.31 PT 4.32 Đồng hệ số PT 4.31 4.32 suy 𝑘𝑃 𝑘𝐼 tính sau: 𝜉=1 2𝜋 𝜔𝑛 = PT 4.33 𝑇𝑟𝑒𝑠 𝑘𝑃 = 2𝜉𝜔𝑛 { 𝑘𝐼 = 𝜔𝑛 với 𝑇𝑟𝑒𝑠 thời gian đáp ứng hệ thống 𝜉 chọn nhằm triệt tiêu dao động độ điều chỉnh Tác dụng điều khiển lên hệ lượng điều chỉnh thơng qua 𝑇𝑟𝑒𝑠 4.3 Kết mơ bình luận Kịch mô Để làm rõ hiệu thuật toán điều khiển biến đồng trạng thái đề xuất, hai chu trình lái kiểm nghiệm FTP WLTC class sử dụng Những chu trình lái thường xuyên đưa vào để kiểm tra cho xe điện chúng biểu diễn lại hành vi lái xe thu thập từ liệu thực tế Hình 4.4 đưa đáp ứng tốc độ hệ truyền động xe i-MiEV với hai chu trình lái nói Hình 4.4 Đáp ứng tốc độ xe với hai chu trình lái 46 Có thể thấy xe đáp ứng tốc độ đặt cách nhanh chóng khơng có độ q điều chỉnh Vì vậy, mơ hình hệ truyền động điện xe mang lại tác động xác tới hệ lượng lai Giá trị λ𝑎𝑣𝑔 tính tốn trước alt-PMP với chu trình WLTC class Giá trị sử dụng cho tồn phần mơ kiểm chứng chu trình WLTC phản ánh hầu hết điều kiện lái xe từ liệu thực [12] Pin sạc đầy siêu tụ sạc tới mức 95% điện áp định mức trạng thái ban đầu Kết mơ bình luận Mục tiêu việc phát triển chiến lược quản lý lượng cho hệ lượng lai giảm thiểu cách tối đa ảnh hưởng gây hại cho tuổi thọ pin mà phải đáp ứng yêu cầu công suất xe Vì thế, việc mơ so sánh thực với ba đối tượng: xe điện chạy pin, xe điện với hệ lượng lai dùng chiến lược quản lý với MPC xe điện hệ lượng lai với điều khiển PI Bên cạnh đó, lời giải tối ưu phương pháp alt-PMP đưa để làm mốc so sánh Hình 4.5 Phân phối cơng suất hệ lượng lai với PI 47 Hình 4.6 Phân phối cơng suất hệ lượng lai với MPC Hình 4.7 Dịng điện pin với thuật tốn đề xuất Đồ thị phân phối công suất hệ lượng lai với điều khiển PI MPC đưa Hình 4.5 Hình 4.6 Dịng điện pin với chiến lược đề xuất, lời giải alt-PMP dòng điện xe chạy pin đề cập đến Hình 4.7 Từ đồ thị này, so sánh dòng điện pin nhìn thấy cách rõ ràng Trong đó, dịng điện pin sinh chiến lược điều khiển biến đồng trạng thái MPC có biên độ gần với lời giải tối ưu alt-PMP ssau chu trình kiểm thử 48 Hình 4.8 Các tiêu chất lượng dòng điện pin Các số chất lượng dịng điện pin Hình 4.8 Có thể thấy hình rằng, hệ xe chạy pin ln có dịng pin rms cao với 21.4 A chu trình FTP 19.6 A chu trình WLTC Chiến lược MPC mang lại hiệu tốt cả, thể qua việc giảm thiểu đến 34.6% 26.9% dòng pin rms so với xe pin chu trình FTP WLTC Hơn nữa, kết thuật toán MPC đạt tới gần kết tối ưu alt-PMP Bộ điều khiển PI mang lại kết tương đối tốt so với trường hợp hệ pin với số 15.94 A (FTP) 15.92 A (WLTC) dòng pin rms Ở đồ thị thứ hai Hình 4.8, số độ lệch chuẩn đại diện cho biến thiên dòng điện pin thể Chiến lược với MPC mang lại kết tốt nhất, tất nhiên trừ kết tối ưu offline alt-PMP Độ lệch chuẩn dịng điện pin với thuật tốn MPC có giá trị 9.7 A (FTP) 8.9 A (WLTC), số 51% 54.4% giá trị độ lệch chuẩn hệ pin Bộ điều khiển PI có tác dụng tốt giảm tới 34.8% 31% giá trị độ lệch chuẩn so với xe chạy pin với hai chu trình FTP WLTC 49 Hình 4.9 Điện áp siêu tụ với thuật tốn đề xuất Cuối cùng, đồ thị điện áp siêu tụ đưa Hình 4.9 Có thể thấy cách rõ ràng siêu tụ làm việc hiệu với thuật toán MPC so với điều khiển PI vùng điện áp ràng buộc Bên cạnh đó, điện áp siêu tụ sạc mức 95-100% điện áp định mức cuối chu trình, cho thấy khả hoạt động ổn định siêu tụ với thuật toán đề xuất Tất kết mô chứng minh hiệu chiến lược quản lý lượng đề xuất nhiều điều kiện hoạt động khác Điều mang lại tiềm lớn giai đoạn triển khai ứng dụng thời gian thực 50 CHƯƠNG KẾT LUẬN 5.1 Kết luận Sau khoảng thời gian làm thạc sĩ với đề tài luận văn: “Điều khiển quản lý lượng lai xe ô tô điện”, tác giả tổng hợp lại lượng lớn kiến thức học khóa học vừa qua vận dụng tìm tịi nghiên cứu để có kết tích cực Nội dung luận văn tốt nghiệp hướng yêu cầu đặt đạt kết chứng minh tính khả thi hướng nghiên cứu Những kết tảng vững cho cơng việc tương lai • Nghiên cứu tổng quan xe điện nguồn lượng sử dụng cho xe tơ điện • Nghiên cứu hệ truyền động điện xe ô tô điện Mitsubishi i-MiEV, mơ hình hóa thiết kế điều khiển cho hệ truyền động động IPM xe dựa phép biểu diễn EMR • Nghiên cứu phương pháp mô HIL ứng dụng vào việc xây dựng cấu hình hệ thống mơ HIL cho hệ lượng lai tơ điện • Đề xuất hai chiến lược quản lý lượng cho hệ lượng lai: Chiến lược lọc thích nghi chiến lược điều khiển biến đồng trạng thái phương pháp dự báo mơ hình • Tiến hành mơ hệ thống thư viện EMR với phần mềm MATLAB®/Simulink® 2019a từ so sánh đánh giá kết thu • Tiến hành thực nghiệm kiểm chứng phương pháp mơ HIL cấp độ tín hiệu cho chiến lược lọc thích nghi • Tổng hợp kết viết báo khoa học 5.2 Hướng phát triển nghiên cứu tương lai Với kết đạt luận văn tốt nghiệp Trong tương lai, đề tài tiếp tục nghiên cứu theo định hướng sau: • Tiếp tục tiến hành thực nghiệm kiểm chứng mô HIL cấp độ tín hiệu cho chiến lược điều khiển biến đồng trạng thái • Xây dựng hệ thống mơ HIL cấp độ cơng suất • Nghiên cứu đề xuất thêm chiến lược quản lý lượng tốt cho hệ lượng lai thực nghiệm kiểm chứng với hệ thống HIL cấp độ tín hiệu cấp độ cơng suất • Nghiên cứu phương pháp dự báo nhiễu Ptrac để kết hợp thuật toán quản lý lượng 51 TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] M J Coren, “Automakers may have completely overestimated how many people want electric cars,” Quarts Daily Brief, 2019 https://qz.com/1533976/automakers-may-overproduce-14-million-electriccars-by-2030/ S F Tie and C W Tan, “A review of energy sources and energy management system in electric vehicles,” Renew Sustain Energy Rev., vol 20, pp 82–102, 2013 L V Doanh, Đ C Dũng, and N V Thanh, “Siêu tụ điện,” Tự động hóa ngày nay, vol 100, no 1, 2018 “Alternative Fuels Data Center: How Do Fuel Cell Electric Vehicles Work Using Hydrogen?,” 2019 https://afdc.energy.gov/vehicles/how-do-fuelcell-electric-cars-work Barré, A.; Deguilhem, B.; Grolleau, S.; Gérard, M.; Suard, F.; Riu, D “A review on lithium-ion battery ageing mechanisms and estimations for automotive applications”, Journal of Power Sources, 241, 680–689, 2013 Ma, S.; Jiang, M.; Tao, P.; Song, C.; Wu, J.; Wang, J.; Deng, T.; Shang, W “Temperature effect and thermal impact in lithium-ion batteries: A review” Progress in Natural Science: Materials International, 28, 653–666, 2018 Han, X.; Lu, L.; Zheng, Y.; Feng, X.; Li, Z.; Jianqiu, L.; Ouyang, M “A review on the key issues of the lithium ion battery degradation among the whole life cycle” eTransportation, 1, 100005, 2019 Tran, D.D.; Vafaeipour, M.; El Baghdadi, M.; Barrero, R.; Van Mierlo, J.; Hegazy, O “Thorough state-of-the-art analysis of electric and hybrid vehicle powertrains: Topologies and integrated energy management strategies” Renewable and Sustainable Energy Reviews, 119, 109596, 2020 Schaltz, E.; Khaligh, A.; Rasmussen, P.O “Influence of Battery/Ultracapacitor Energy-Storage Sizing on Battery Lifetime in a Fuel Cell Hybrid Electric Vehicle” IEEE Transactions on Vehicular Technology, 58, 3882–3891, 2009 Song, Z.; Hofmann, H.; Li, J.; Hou, J.; Han, X.; Ouyang, M “Energy management strategies comparison for electric vehicles with hybrid energy storage system” Applied Energy, 134, 321–331, 2014 Trovão, J.P.; Silva, M.A.; Antunes, C.H.; Dubois, M.R “Stability enhancement of the motor drive DC input voltage of an electric vehicle using on-board hybrid energy storage systems” Applied Energy, 205, 244–259, 2017 Nguyen, B.H.; German, R.; Trovao, J.P.F.; Bouscayrol, A “Real-time energy management of battery/supercapacitor electric vehicles based on an adaptation of pontryagin’s minimum principle” IEEE Transactions on Vehicular Technology, 68, 203–212, 2019 Salmasi, F.R “Control Strategies for Hybrid Electric Vehicles: Evolution, Classification, Comparison, and Future Trends” IEEE Transactions on Vehicular Technology, 56, 2393–2404, 2007 52 [14] Peng, J.; Wang, R.; Liao, H.; Zhou, Y.; Li, H.; Wu, Y.; Huang, Z “A RealTime Layer-Adaptive Wavelet Transform Energy Distribution Strategy in a Hybrid Energy Storage System of EVs” Energies, 12, 2019 [15] Thounthong, P.; Rael, S “The benefits of hybridization” Industrial Electronics Magazine, IEEE, 3, 25–37, 2009 [16] Wang, L.; Collins, E.G.; Li, H “Optimal Design and Real-Time Control for Energy Management in Electric Vehicles” IEEE Transactions on Vehicular Technology, 60, 1419–1429, 2011 [17] Rajabzadeh, M.; Bathaee, S.M.T.; Aliakbar Golkar, M “Dynamic modeling and nonlinear control of fuel cell vehicles with different hybrid power sources” International Journal of Hydrogen Energy, 41, 3185–3198, 2016 [18] Yu, Y.b.; Liu, X.; Min, H.; Sun, H.; Xu, L “A novel fuzzy-logic based control strategy for a semi-active battery/super-capacitor hybrid energy storage system in vehicular applications” Journal of Intelligent & Fuzzy Systems, 29, 2575–2584, 2015 [19] Wang, Y.; Wang, W.; Zhao, Y.; Yang, L.; Chen, W “A Fuzzy-Logic Power Management Strategy Based on Markov Random Prediction for Hybrid Energy Storage Systems” Energies, 9, 2016 [20] Xiong, R.; Cao, J.; Yu, Q “Reinforcement learning-based real-time power management for hybrid energy storage system in the plug-in hybrid electric vehicle” Applied Energy, 211, 538–548, 2017 [21] Hu, Y.; Li, W.; Xu, K.; Zahid, T.; Qin, F.; Li, C “Energy management strategy for a hybrid electric vehicle based on deep reinforcement learning” Applied Sciences, 8, 2018 [22] Adnane, M.; Nguyễn, B.H.; Khoumsi, A.; Trovão, J.P.F “Driving Mode Predictor-based Real-Time Energy Management for Dual-Source Electric Vehicle” IEEE Transactions on Transportation Electrification, p 1, 2021 [23] Trovão, J.P.; Pereirinha, P.G.; Jorge, H.M.; Antunes, C.H “A multi-level energy management system for multi-source electric vehicles – An integrated rule-based meta-heuristic approach” Applied Energy, 105, 304– 318, 2013 [24] Yao, L.; Damiran, Z.; Lim, W.H “Optimal charging and discharging scheduling for electric vehicles in a parking station with photovoltaic system and energy storage system” Energies, 10, 2017 [25] Sundstrom, O.; Guzzella, L “A generic dynamic programming Matlab function” IEEE Control Applications, (CCA) & Intelligent Control, (ISIC), 2009, pp 1625–1630 [26] Nguyễn, B.H.; Vo-Duy, T.; Henggeler Antunes, C.; Trovão, J.P.F “Multiobjective benchmark for energy management of dual-source electric vehicles: An optimal control approach” Energy, 223, 119857, 2021 [27] Nguyễn, B.H.; Vo-Duy, T.; Ta, M.C.; Trovão, J.P.F “Optimal Energy Management of Hybrid Storage Systems Using an Alternative Approach of 53 Pontryagin’s Minimum Principle” IEEE Transactions on Transportation Electrification, pp 1–1, 2021 [28] Nguyen, B.H.; Trovão, J.P.F.; German, R.; Bouscayrol, “A Real-time energy management of parallel hybrid electric vehicles using linear quadratic regulation” Energies, 13, 1–19, 2020 [29] Golchoubian, P.; Azad, N.L “Real-Time Nonlinear Model Predictive Control of a Battery–Supercapacitor Hybrid Energy Storage System in Electric Vehicles” IEEE Transactions on Vehicular Technology 2017, 66, 9678–9688 [30] Zhang, Y.; Liu, H.; Zhang, Z.; Luo, Y.; Guo, Q.; Liao, S “Cloud computingbased real-time global optimization of battery aging and energy consumption for plug-in hybrid electric vehicles” Journal of Power Sources, 479, 229069, 2020 [31] Bouscayrol, A “Graphic Formalisms for the Control of Multi-Physical Energetic Systems: COG and EMR In Systemic Design Methodologies for Electrical Energy Systems”; Wiley, 2013; pp 89–124 [32] Nguyen H-LT, Nguyễn B-H, Vo-Duy T, Trovão JPF “A Comparative Study of Adaptive Filtering Strategies for Hybrid Energy Storage Systems in Electric Vehicles” Energies.; 14(12): 3373, 2021 [33] Nam, K “AC Motor Control and Electrical Vehicle Applications”, 2nd ed.; CRC Press: Boca Raton, 2018 [34] N P Quang, “Điều khiển Vector truyền động điện xoay chiều ba pha” Nhà xuất Bách khoa Hà Nội, 2016 [35] Lee, S.C.; Jung, W.Y “Analogical understanding of the Ragone plot and a new categorization of energy devices” Energy Procedia, 88, 526–530, 2016 [36] Trovão, J.P.F.; Roux, M.; Ménard, É.; Dubois, M.R “Energy- and PowerSplit Management of Dual Energy Storage System for a Three-Wheel Electric Vehicle” IEEE Transactions on Vehicular Technology, 66, 5540– 5550, 2017 [37] Wang, J.; Liu, P.; Hicks-Garner, J.; Sherman, E.; Soukiazian, S.; Verbrugge, M.; Tataria, H.; Musser, J.; Finamore, P.; “Cycle-life model for graphiteLiFePO4 cells” J Power Sources, 196, 3942-3948, 2011 [38] Nguyen, C.T.P.; Nguyễn, B.H.; Trovão, J.P.F.; Ta, M.C “Effect of battery voltage variation on electric vehicle performance driven by induction machine with optimal flux-weakening strategy” IET Electrical Systems in Transportation, 10, 351–359, 2020 [39] B M Wilamowski and J D Irwin, “Control and mechatronics”, 2016 [40] Vo-Duy, T.; Ta, M.C.; Nguyễn, B.H.; Trovão, J.P.F “Experimental Platform for Evaluation of On-Board Real-Time Motion Controllers for Electric Vehicles” Energies, 13, 2020 [41] N Bao-Huy, “Energy management strategies of Electric and Hybrid vehicles supplied by Hybrid Energy Storage System,”, Thesis, Lille1 University, Sherbrooke University, 2019 54 [42] Y V Pant, T X Nghiem, and R Mangharam, “Peak power reduction in hybrid energy systems with limited load forecasts,” Proceedings of the American Control Conference pp 4212–4217, 2014 [43] C Sun, S Moura, X Hu, J Hedrick, and F Sun, “Dynamic Traffic Feedback Data Enabled Energy Management in Plug-in Hybrid Electric Vehicles,” Control Syst Technol IEEE Trans., vol 23, pp 1075–1086, 2015 [44] Liuping Wang: “Model Predictive Control: Design and implementation using MATLAB”, Springer, 2009 [45] Roshan Sharma: “Lecture notes for the course IIA 4117: Model Predictive Control”, University of South-Eastern Norway, Porsgrunn, 2019 55 56 ... tích lũy lượng phải tích phân đầu vào ➢ Nguyên lý điều khiển nghịch đảo: Theo lý thuyết điều khiển tuyến tính, có hai cấu trúc điều khiển là: điều khiển vòng hở điều khiển vịng kín Với điều khiển. .. IPMSM Hệ thống xe điện phức tạp bao gồm hệ lượng lai, hệ truyền động ba pha hệ thống khí xe Để xử lý vấn đề phức tạp thiết kế điều khiển cho hệ thống trên, phương pháp EMR sử dụng Cấu hình hệ thống... thực 38 CHƯƠNG QUẢN LÝ NĂNG LƯỢNG BẰNG PHƯƠNG PHÁP ĐIỀU KHIỂN BIẾN ĐỒNG TRẠNG THÁI THEO MƠ HÌNH DỰ BÁO 4.1 Điều khiển tối ưu cho hệ lượng lai thuật toán alt-PMP Vấn đề hệ lượng lai bán chủ động