Hình 4.7 Dịng điện của pin với các thuật tốn đề xuất
Đồ thị phân phối công suất của hệ năng lượng lai với bộ điều khiển PI và MPC được đưa ra ở Hình 4.5 và Hình 4.6. Dịng điện của pin với các chiến lược đề xuất, lời giải alt-PMP và dòng điện của xe chạy thuần pin được đề cập đến trong Hình 4.7. Từ những đồ thị này, sự so sánh giữa các dịng điện pin được nhìn thấy một cách rõ ràng. Trong đó, dịng điện pin được sinh ra bởi chiến lược điều khiển biến đồng trạng thái bằng MPC có biên độ gần với lời giải tối ưu alt-PMP hơn cả ssau các chu trình kiểm thử.
49
Hình 4.8 Các chỉ tiêu chất lượng của dòng điện pin
Các chỉ số chất lượng của dịng điện pin được chỉ ra ở Hình 4.8. Có thể thấy trên hình rằng, hệ xe chạy thuần pin ln có dịng pin rms cao nhất với 21.4 A ở chu trình FTP và 19.6 A ở chu trình WLTC. Chiến lược MPC mang lại hiệu quả tốt hơn cả, thể hiện qua việc giảm thiểu đến 34.6% và 26.9% dòng pin rms so với xe thuần pin lần lượt ở chu trình FTP và WLTC. Hơn nữa, kết quả của thuật toán MPC cũng đạt tới gần kết quả tối ưu alt-PMP nhất. Bộ điều khiển PI cũng mang lại kết quả tương đối tốt so với trường hợp hệ thuần pin với con số 15.94 A (FTP) và 15.92 A (WLTC) dòng pin rms. Ở đồ thị thứ hai của Hình 4.8, chỉ số độ lệch chuẩn đại diện cho sự biến thiên của dòng điện pin được thể hiện. Chiến lược với bộ MPC vẫn mang lại kết quả tốt nhất, tất nhiên trừ ra kết quả tối ưu offline của alt-PMP. Độ lệch chuẩn của dịng điện pin với thuật tốn MPC có giá trị 9.7 A (FTP) và 8.9 A (WLTC), những con số này chỉ bằng 51% và 54.4% giá trị độ lệch chuẩn của hệ thuần pin. Bộ điều khiển PI cũng có tác dụng tốt khi giảm tới 34.8% và 31% giá trị độ lệch chuẩn so với xe chạy thuần pin với hai chu trình FTP và WLTC.
50
Hình 4.9 Điện áp siêu tụ với các thuật toán đề xuất
Cuối cùng, đồ thị điện áp siêu tụ được đưa ra ở Hình 4.9. Có thể thấy một cách rõ ràng rằng siêu tụ làm việc hiệu quả hơn với thuật toán MPC so với bộ điều khiển PI trong vùng điện áp ràng buộc. Bên cạnh đó, điện áp siêu tụ ln được sạc về mức 95-100% điện áp định mức ở cuối chu trình, cho thấy được khả năng hoạt động ổn định của siêu tụ với các thuật toán đề xuất. Tất cả các kết quả mô phỏng đã chứng minh được sự hiệu quả của các chiến lược quản lý năng lượng đề xuất dưới nhiều điều kiện hoạt động khác nhau. Điều này có thể mang lại tiềm năng lớn trong giai đoạn tiếp theo khi triển khai trên ứng dụng thời gian thực.
51
CHƯƠNG 5. KẾT LUẬN
5.1 Kết luận
Sau khoảng thời gian làm thạc sĩ với đề tài luận văn: “Điều khiển và quản lý năng lượng lai trên xe ô tô điện”, tác giả đã tổng hợp lại được lượng lớn kiến thức được học trong khóa học vừa qua và vận dụng tìm tịi nghiên cứu để có được những kết quả tích cực.
Nội dung của luận văn tốt nghiệp đã đi đúng hướng của yêu cầu đặt ra và đạt được những kết quả chứng minh tính khả thi của hướng nghiên cứu. Những kết quả dưới đây là nền tảng vững chắc cho những công việc tiếp theo trong tương lai.
• Nghiên cứu tổng quan về xe điện và các nguồn năng lượng sử dụng cho xe ô tơ điện
• Nghiên cứu về hệ truyền động điện của xe ơ tơ điện Mitsubishi i-MiEV, mơ hình hóa và thiết kế điều khiển cho hệ truyền động động cơ IPM của xe dựa trên phép biểu diễn EMR
• Nghiên cứu về phương pháp mơ phỏng HIL và ứng dụng vào việc xây dựng cấu hình hệ thống mô phỏng HIL cho hệ năng lượng lai trên ơ tơ điện
• Đề xuất hai chiến lược quản lý năng lượng mới cho hệ năng lượng lai: Chiến lược bộ lọc thích nghi và chiến lược điều khiển biến đồng trạng thái bằng phương pháp dự báo mơ hình
• Tiến hành mơ phỏng hệ thống bằng thư viện EMR với phần mềm MATLAB®/Simulink® 2019a từ đó so sánh và đánh giá kết quả thu được.
• Tiến hành thực nghiệm kiểm chứng bằng phương pháp mơ phỏng HIL cấp độ tín hiệu cho chiến lược bộ lọc thích nghi
• Tổng hợp kết quả và viết bài báo khoa học.
5.2 Hướng phát triển của nghiên cứu trong tương lai
Với những kết quả đã đạt được ở luận văn tốt nghiệp này. Trong tương lai, đề tài có thể được tiếp tục nghiên cứu theo các định hướng như sau:
• Tiếp tục tiến hành thực nghiệm kiểm chứng bằng mơ phỏng HIL cấp độ tín hiệu cho chiến lược điều khiển biến đồng trạng thái
• Xây dựng hệ thống mô phỏng HIL cấp độ cơng suất
• Nghiên cứu đề xuất thêm những chiến lược quản lý năng lượng tốt hơn cho hệ năng lượng lai và thực nghiệm kiểm chứng với hệ thống HIL ở cả cấp độ tín hiệu và cấp độ cơng suất
• Nghiên cứu phương pháp dự báo nhiễu Ptrac để kết hợp cùng các thuật toán quản lý năng lượng.
52
TÀI LIỆU THAM KHẢO
[1] 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-electric- cars-by-2030/.
[2] 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.
[3] L. V. Doanh, Đ. C. Dũng, and N. V. Thanh, “Siêu tụ điện,” Tự động hóa
ngày nay, vol. 100, no. 1, 2018.
[4] “Alternative Fuels Data Center: How Do Fuel Cell Electric Vehicles Work Using Hydrogen?,” 2019. https://afdc.energy.gov/vehicles/how-do-fuel- cell-electric-cars-work.
[5] 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. [6] 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.
[7] 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.
[8] 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.
[9] 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.
[10] 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.
[11] 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.
[12] 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.
[13] Salmasi, F.R. “Control Strategies for Hybrid Electric Vehicles: Evolution, Classification, Comparison, and Future Trends”. IEEE Transactions on Vehicular Technology, 56, 2393–2404, 2007.
53 [14] Peng, J.; Wang, R.; Liao, H.; Zhou, Y.; Li, H.; Wu, Y.; Huang, Z. “A Real-
Time 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. “Multi- objective 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
54 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 computing- based 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 bản 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 Power- Split 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 graphite- LiFePO4 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
55 [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.