Hình 3.8 Dịng điện u cầu của hệ thống truyền động
Trong nghiên cứu này, mục tiêu chính của hệ năng lượng lai là giảm thiểu các yếu tố gây sức ép cho pin không chỉ ở giá trị rms mà cịn cả sự thay đổi nhanh chóng của dịng điện. Các kết quả mơ phỏng dịng điện của pin với ba thuật toán đề xuất dựa được thể hiện trong Hình 3.9 và Hình 3.10.
33 .
Hình 3.10 Dịng điện pin với các chiến lược điều khiển với chu trình Artemis
Tiếp theo, Hình 3.11 đưa ra so sánh về các chỉ tiêu chất lượng của dòng điện pin bao gồm giá trị rms và độ lệnh chuẩn giữa 4 thuật toán với hệ năng lượng lai và thêm vào đó là xe chạy thuần pin. Pin và siêu tụ lúc này đều được sạc đầy. Mục tiêu của thuật toán đề xuất là làm giảm được giá trị rms của dòng pin cũng như giảm sự dao động được thể hiện qua nhân tố độ lệch chuẩn, qua đó có khả năng làm tăng tuổi thọ của pin dựa trên cơ sở nghiên cứu về pin LiFePO4 [37].
34 Hình 3.11a cho thấy xe điện chạy thuần pin ln phải chịu dịng điện rms của pin cao nhất. Ở chu trình NEDC, thuật tốn dựa trên SOC siêu tụ cho thấy hiệu quả tốt nhất khi đã giảm được lần lượt 20% và 14% dòng rms của pin so với xe điện chạy pin thuần và thuật toán LPF truyền thống. Ngồi ra, độ lệch chuẩn dịng điện của thuật toán SOC cũng là thấp nhất ở trên Hình 3.11b. Thuật tốn dựa trên năng lượng siêu tụ là kém hiệu quả nhất trong số ở thuật tốn đề xuất, tuy nhiên nó cũng vẫn tốt hơn so với thuật tốn LPF truyền thống.
Với chu trình Artemis Urban, những chiến lược điều khiển đề xuất và hệ năng lượng lại cho thấy những hiệu quả đáng kể. Phương pháp dựa trên năng lượng siêu tu cho hiệu quả cao nhất khi nó giảm thiểu lên tới 69% và 55% dòng rms của pin so với xe điện chạy pin thuần và thuật toán LPF truyền thống. Độ lệch chuẩn dịng điện của thuật tốn này khi đó là 3.1A và chỉ bằng 17% độ lệch chuẩn dịng điện của xe chạy pin. Thuật tốn dựa trên SOC và điện áp siêu tụ cũng cho kết quả tốt hơn thuật tốn truyền thống. Từ đây có thể thấy rằng, sự biến động lớn tác động xấu lên pin của xe đã được giảm thiểu nhiều.
Tóm lại, chiến lược dựa trên năng lượng mang lại hiệu quả lớn nhất cho các chu kỳ đơ thị có điều kiện lái xe thay đổi đáng kể và liên tục. Chiến lược dựa trên SOC và chiến lược dựa trên điện áp hiệu quả hơn chiến lược dựa trên năng lượng khi chúng hoạt động trong điều kiện lái xe ít biến động. Do giảm thiểu đáng kể dịng điện cực đại và dòng điện rms của pin, sự sụt giảm điện áp của pin cũng được hạn chế. Vì vậy, tác dụng khơng mong muốn trên hệ thống truyền động điện được tránh nhờ vào hoạt động của cấu hình hệ năng lượng lại bán chủ động và chiến lược quản lý năng lượng [38]. Do đó, có thể thấy rằng hệ thống nguồn lai và các chiến lược lọc thích ứng được đề xuất thích hợp hơn dành cho ô tô điện trong thành phố so với các loại xe điện khác hoạt động với trong điều kiện ít biến động.
35
Hình 3.13 Điện áp siêu tụ với các chiến lược quản lý ở chu trình Artemis
Hình 3.12 và Hình 3.13 cho thấy sự hoạt động của siêu tụ điện ở các mức điện áp ban đầu khác nhau. Có thể thấy siêu tụ ln được giới hạn trong vùng hoạt động đã định trước. Các chiến lược bộ lọc thích nghi cho thấy sự hiệu quả rõ rệt trong việc tận dụng khả năng của siêu tụ điện so với thuật toán lọc truyền thống. Qua đây có thể thấy được sự bền vững và hiệu quả của hệ thống điều khiển và quản lý năng lượng.
Thực nghiệm kiểm chứng
3.3.3.1. Xây dựng hệ thống thực nghiệm
Phương pháp mơ phỏng tích hợp phần cứng cấp độ tín hiệu (Signal HIL) [39] được sử dụng để kiểm chứng khả năng triển khai trên vi điều khiển theo thời gian thực của các thuật tốn đề xuất.
36
Hình 3.15 Hệ thống thực nghiệm mơ phỏng Signal HIL
Dựa theo lý thuyết đã trình bày ở phụ lục, Hình 3.14 và Hình 3.15 đưa ra sơ đồ nguyên lý và triển khai thực tế hệ thống thực nghiệm cho nghiên cứu này. Đầu tiên, mơ hình của hệ năng lượng lai và hệ truyền động của xe điện được mô phỏng trên trạm điều khiển dSPACE DS1103. Tiếp theo, Kit vi điều khiển TI C2000 được sử dụng để triển khai các bộ điều khiển và chiến lược quản lý năng lượng. Hai vi điều khiển sẽ tương tác với nhau thông qua mạch kết nối, điều này sẽ mang lại sự tương tác về mặt tín hiệu giống như trên thực tế. Hệ thống mạch kết nối bao gồm các DAC cung cấp tín hiệu tương tự cho các biến đo về giống như các cảm biến dòng điện, điện áp, các ADC giúp cho C2000 thu thập tín hiệu đo về và hệ thống CAN bus truyền tín hiệu điều khiển từ C2000 đến mơ hình hệ thống ở trên trạm điều khiển dSPACE [40].
3.3.3.2. Kết quả thực nghiệm
Mô phỏng offline chỉ ra rằng chiến lược dựa trên năng lượng cho thấy hiệu quả tốt nhất trong điều kiện lái xe biến động. Do đó, kịch bản được đánh giá cho mơ phỏng HIL tín hiệu của hệ thống được nghiên cứu là thuật toán dựa trên năng lượng trong một chu trình lái có biến động khác: chu trình WLTC class 2. Chu trình này đại diện cho những kiểu lái xe của các phương tiện giao thông ở Ấn Độ, Nhật Bản, Châu Âu và hiện đang được sử dụng để đánh giá hiệu suất khí thải đối với các xe ô tô thương mại. Siêu tụ cũng sẽ được sạc đầy ở giai đoạn đầu vì đây là điều kiện hoạt động phổ biến nhất của xe điện cho lần chạy đầu tiên vào buổi sáng. Đáp ứng tốc độ của xe được thể hiện trên Hình 3.16. Kết quả thực nghiệm của hệ thống mơ phỏng HIL được thể hiện trên Hình 3.17 và Hình 3.18. Có thể thấy rằng các dịng điện của hệ năng lượng trong thực nghiệm giống với mô phỏng. Điện áp siêu tụ thực nghiệm cũng cho thấy điều đó với độ đập mạch rất nhỏ.
37 Tuy nhiên, có một số sai lệch nhỏ giữa kết quả thử nghiệm và kết quả mô phỏng do nhiễu đo trong quá trình giao tiếp giữa các vi điều khiển được minh họa trong Hình 3.17b và Hình 3.18b.
Hình 3.16 Đáp ứng tốc độ với chu trình WLTC
38
Hình 3.18 Điện áp siêu tụ thực nghiệm
Kết luận, kết quả mơ phỏng HIL cấp độ tín hiệu đã chứng minh rằng chiến lược quản lý năng lượng được đề xuất khả thi và có thể hiện thực hóa hiệu quả trên ECU tích hợp. Thời gian tính tốn u cầu của thuật toán trong ECU là rất nhỏ với tốc độ lấy mẫu là 0.5 ms. Các hành vi của hệ thống khi mô phỏng offline đã được kiểm chứng lại bằng hệ thống thực nghiệm thời gian thực trên.
39
CHƯƠNG 4. 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 năng lượng lai bằng thuật tốn alt-PMP
Vấn đề chính của hệ năng lượng lai bán chủ động là tìm ra chiến lược quản lý năng lượng phù hợp để phân phối năng lượng cho từng loại nguồn. Theo nguyên lý EMR, thuật toán quản lý được thực hiện trong khối Strategy để tạo ra dữ liệu đặt cho 𝑖𝑏𝑎𝑡_𝑟𝑒𝑓. Để đạt được kết quả tối ưu cho dòng điện pin, nghiên cứu này sử dụng một phương pháp được cơng bố gần đây có tên là thuật tốn alt-PMP [24]. Bằng cách thay đổi cách nhìn về hệ thống dưới dạng cơng suất và năng lượng như trong Hình 4.1 thay vì sử dụng dịng điện và điện áp như các phương pháp thơng thường, bài toán về hệ thống được nghiên cứu trở nên đơn giản hơn và khả thi hơn để giải quyết. Theo đó, hệ truyền động của xe điện đưa ra yêu cầu công suất 𝑃𝑡𝑟𝑎𝑐 cần từ hệ năng lượng trong suốt quá trình hoạt động. 𝑃𝑏𝑎𝑡 và 𝑃𝑠𝑐 được phát ra từ pin và siêu tụ để đáp ứng nhu cầu.
Hình 4.1 Biểu diễn dịng cơng suất của hệ thống
Bài toán được bắt đầu từ siêu tụ, mối quan hệ giữa năng lượng và công suất của siêu tụ được biểu diễn trong phương trình dưới đây:
𝑑
𝑑𝑡𝐸𝑠𝑐 =
𝑢𝑐ℎ 𝑟𝑒𝑓 𝑢𝑏𝑎𝑡 𝑚𝑒𝑎
PT 4.1
Từ PT 4.1, mơ hình hóa của hệ thống được đưa ra chỉ bằng một phương trình đơn giản như sau:
𝑑
𝑑𝑡𝐸𝑠𝑐 = 𝑃𝑏𝑎𝑡 − 𝑃𝑡𝑟𝑎𝑐
PT 4.2
Có thể thấy được từ PT 4.2 rằng năng lượng siêu tụ 𝐸𝑠𝑐 chính là biến trạng thái của hệ thống. Bên cạnh đó, hệ thống năng lượng sẽ được điều khiển thông qua biến
𝑃𝑏𝑎𝑡 với nhiễu là 𝑃𝑡𝑟𝑎𝑐.
Theo kết quả được đưa ra trong bài báo [24], nghiệm tối ưu cho bài toán năng lượng nêu trên sẽ là:
𝑃𝑏𝑎𝑡 = −λ 2
PT 4.3
với λ được gọi là biến đồng trạng thái được tính tốn ra bởi chương trình alt-PMP ứng với mỗi chu trình lái thử nghiệm.
40
4.2 Chiến lược điều khiển biến đồng trạng thái bằng dự báo mơ hình
Điều khiển dự báo mơ hình hệ thống (Model predictive control-MPC) là một hướng tiếp cận đầy hứa hẹn để điều khiển tối ưu quản lý hệ năng lượng lai theo thời gian thực. Ý tưởng của phương pháp này là biến một bài tốn điều khiển thơng thường thành một bài tốn về tối ưu hóa. Sau đó giải quyết bài tốn đó trong một khoảng thời gian được dự báo trước trong mỗi bước điều khiển rời rạc. Hình 4.2 [41] là sơ đồ biểu diễn tổng quát hệ năng lượng lai được điều khiển bởi chiến lược MPC.
Hình 4.2 Chiến lược quản lý năng lượng dựa trên phương pháp MPC
Trên thế giới, phương pháp này được các nhà nghiên cứu ứng dụng vào rất nhiều những bài tốn điều khiển nói chung và đặc biệt phù hợp cho bài tốn quản lý năng lượng cho xe ơ tơ điện. Ví dụ trong bài báo [42], việc quản lý hệ năng lượng lai pin-siêu tụ được chia thành 2 cấp điều khiển. Cấp phía trên sẽ xác định ngưỡng công suất của pin. Điều này được thực hiện bởi thuật toán MPC. Cấp dưới sẽ là chiến lược điều khiển đưa ra lượng đặt cơng suất thích hợp cho pin và siêu tụ dựa trên ngưỡng công suất đã được dự báo. Còn trong bài báo [43], thuật toán MPC sẽ dựa vào dữ liệu tình hình giao thơng để điều khiển SoC của pin. Chiến lược quản lý hệ năng lượng được chia thành cấp dài hạn với việc thu thập thông tin về vận tốc của luồng giao thông dành cho kế hoạch điều khiển SoC. Và cấp ngắn hạn với việc dự báo vận tốc xe tức thời. SoC của pin khi đó và vận tốc được dự báo theo thời gian sẽ đưa vào khối MPC để tính tốn ra lượng đặt cho mơ-men và tốc độ của xe. Mục tiêu sẽ là tối thiểu hóa mức tiêu thụ năng lượng và sự chuyển trạng thái của động cơ.
Prim. S. Sec. S. Trac. SS. ss1 es1 scon1 ecoup scon2 econ2 Energy Coupling Energy Conversion Optimization solving in receding horizon w(k+1), …, w(k+Np)
Every time step
Strategy
u(k) x(k)
41
Đặt vấn đề
Nhờ vào kết quả tối ưu cho bài tốn năng lượng có được từ thuật tốn alt- PMP, thuật toán điều khiển cận tối ưu cho quản lý năng lượng có khả năng chạy thời gian thực được phát triển như sau. Đầu tiên, từ PT 4.2 và PT 4.3, mơ hình hệ thống có thể được viết lại dưới dạng:
{ 𝑑 𝑑𝑡𝐸𝑠𝑐 = − λ 2− 𝑃𝑡𝑟𝑎𝑐 λ = λ𝑎𝑣𝑔 + λ𝑐, PT 4.4 suy ra: 𝑑 𝑑𝑡𝐸𝑠𝑐 = − λ𝑎𝑣𝑔 2 − λ𝑐 2 − 𝑃𝑡𝑟𝑎𝑐 PT 4.5
với λ𝑎𝑣𝑔 là giá trị trung bình tối ưu của biến đồng trạng thái trên tồn bộ chu trình và λ𝑐 là tín hiệu điều khiển từ bộ điều khiển biến đồng trạng thái.
Cuối cùng, theo PT 4.5, cấu trúc điều khiển cho biến đồng trạng thái được đưa ra ở Hình 4.3. Trong nghiên cứu này, có hai phương pháp cho bộ điều khiển λ được đề xuất bao gồm: phương pháp điều khiển dự báo mơ hình (MPC) và bộ điều khiển PI truyền thống để so sánh hiệu quả.
Hình 4.3 Cấu trúc điều khiển cho biến đồng trạng thái
Bộ điều khiển MPC
MPC là một thuật toán điều khiển cận tối ưu với rất nhiều ưu điểm, đặc biệt kể đến đó là xử lý bài tốn của một hệ thống có nhiều ràng buộc. Vì vậy, trong những nghiên cứu về hệ năng lượng lai cho xe điện, MPC là một sự lựa chọn tốt để trở thành bộ điều khiển cho λ với rất nhiều những ràng buộc vật lý như: công suất tối đa của pin, năng lượng của siêu tụ và độ biến thiên của tín hiệu điều khiển. Để sử dụng được bộ điều khiển MPC, mơ hình của hệ thống được viết lại dưới dạng không gian trạng thái như sau. Từ PT 4.5:
{𝐸̇𝑠𝑐 = A𝐸𝑠𝑐 + Bλ𝑐− 𝑃𝑡𝑟𝑎𝑐 𝐸𝑠𝑐 = 𝐶𝐸𝑠𝑐 + 𝐷λ𝑐 PT 4.6 với: { 𝐴 = 0 𝐵 = −1 2 𝐶 = 1 𝐷 = 0
42 Từ PT 4.6, mơ hình rời rạc của hệ thống được hình thành với bước thời gian trích mẫu Δt như sau:
{𝐸̇𝑠𝑐 (𝑘+1) = A𝑑𝐸𝑠𝑐 𝑘+ 𝐵𝑑λ𝑐 𝑘 − 𝑃𝑡𝑟𝑎𝑐 𝑘 𝐸𝑠𝑐 𝑘 = 𝐶𝑑𝐸𝑠𝑐 𝑘 + 𝐷𝑑λ𝑐 𝑘, PT 4.7 với: { A𝑑 = 0 𝐵𝑑 = −1 2Δt 𝐶𝑑 = 1 𝐷𝑑 = 0
Với mơ hình rời rạc trên, phiếm hàm mục tiêu dạng toàn phương được định nghĩa như sau: 𝐽 =1 2 [𝑒𝑘 𝑇𝑄𝑘𝑒𝑘 + λ𝑐 𝑘−1𝑇 𝑅𝑘−1λ𝑐 𝑘−1 + Δλ𝑐 𝑘−1𝑇 𝑃𝑘−1Δλ𝑐 𝑘−1, PT 4.8 trong đó: {𝑒𝑘 = 𝐸𝑠𝑐 𝑟𝑒𝑓 𝑘−𝐸𝑠𝑐 𝑘 Δλ𝑐 𝑘 = λ𝑐 𝑘 − λ𝑐 𝑘−1. PT 4.9
Ngoài ra, 𝑄𝑘, 𝑅𝑘−1 và 𝑃𝑘−1 là các ma trận trọng số xác định dương của hàm mục tiêu. Đây là những yếu tố tác động trực tiếp đến chất lượng điều khiển và cần được chỉnh một cách hợp lý.
Các điều kiện ràng buộc của hệ thống năng lượng được đưa ra như sau:
{
𝐸𝑠𝑐 𝑚𝑖𝑛 ≤ 𝐸𝑠𝑐 𝑘 ≤ 𝐸𝑠𝑐 𝑚𝑎𝑥 λ𝑐 𝑚𝑖𝑛 ≤ λ𝑐 𝑘 ≤ λ𝑐 𝑚𝑎𝑥 Δλ𝑐 𝑚𝑖𝑛 ≤ Δλ𝑐 𝑘 ≤ Δλ𝑐 𝑚𝑎𝑥.
PT 4.10
Để có thể giải quyết bài tốn tối ưu toàn phương, một phương pháp thường được sử dụng là Quadratic Programming (QP). Phương pháp này đòi hỏi vấn đề cần giải phải ở dưới dạng tồn phương chính tắc như sau [44]:
𝐽 =1 2 𝑧 𝑇𝐻𝑧 + 𝑐𝑇𝑧, PT 4.11 với dạng ràng buộc: { 𝐴𝑒𝑧 = 𝐵𝑒 𝐴𝑖𝑧 ≤ 𝐵𝑖 𝑧𝑙𝑜𝑤𝑒𝑟 ≤ 𝑧 ≤ 𝑧𝑢𝑝𝑝𝑒𝑟. PT 4.12
z ở đây là vector chứa tất cả các biến của hệ thống. Ta có: { 𝑧𝑇 = (λ𝑐𝑇, ∆λ𝑐𝑇, 𝐸𝑠𝑐 𝑥𝑇 , 𝑒𝑇, 𝐸𝑠𝑐 𝑦𝑇 ) λ𝑐𝑇 = (λ𝑐 0𝑇 , λ𝑇𝑐 1, … , λ𝑐 𝑁−1𝑇 ), λ𝑐𝑇 ∈ 𝑅1𝑥𝑁𝑛𝑢 ∆λ𝑐𝑇 = (∆λ𝑐 0𝑇 , ∆λ𝑐 1𝑇 , … , ∆λ𝑐 𝑁−1𝑇 ), ∆λ𝑐𝑇 ∈ 𝑅1𝑥𝑁𝑛𝑢 𝐸𝑠𝑐 𝑥𝑇 = (E𝑠𝑐 𝑥 1𝑇 , E𝑇𝑠𝑐 𝑥 2, … , E𝑠𝑐 𝑥 𝑁𝑇 ), 𝐸𝑠𝑐 𝑥𝑇 ∈ 𝑅1𝑥𝑁𝑛𝑥 𝑒𝑇 = 𝑒1𝑇, 𝑒2𝑇, … , 𝑒𝑁𝑇, 𝑒𝑇 ∈ 𝑅1𝑥𝑁𝑛𝑦 𝐸𝑠𝑐 𝑥𝑇 = (E𝑠𝑐 𝑦 1𝑇 , E𝑇𝑠𝑐 𝑦 2, … , E𝑠𝑐 𝑦 𝑁𝑇 ), 𝐸𝑠𝑐 𝑦𝑇 ∈ 𝑅1𝑥𝑁𝑛𝑦 PT 4.13
43 với N là số bước tính tốn trong một cửa sổ dự báo của MPC [31].
Tổng số biến trong vector z từ k=1 đến k=N là:
𝑛𝑧 = 𝑁(𝑛𝑢+ 𝑛𝑢+ 𝑛𝑥 + 𝑛𝑦+ 𝑛𝑦), PT 4.14
Trong nghiên cứu này, vì hệ thống có một biến trạng thái, một biến điều khiển và một đầu ra nên: 𝑛𝑥 = 𝑛𝑦 = 𝑛𝑢 = 1.
Sau khí định nghĩa được vector biến z, từ PT 4.11 phiếm hàm mục tiêu dạng tồn phương chính tắc có thể được viết lại như sau:
𝐽 = 1 2 [ λ𝑐 Δλ𝑐 𝐸𝑠𝑐 𝑥 𝑒 𝐸𝑠𝑐 𝑦] 𝑇 [ 𝐻11 0 0 0 0 0 𝐻22 0 0 0 0 0 𝐻33 0 0 0 0 0 𝐻44 0 0 0 0 0 𝐻55][ λ𝑐 Δλ𝑐 𝐸𝑠𝑐 𝑥 𝑒 𝐸𝑠𝑐 𝑦] + [ 𝑐1 𝑐2 𝑐3 𝑐4 𝑐5] 𝑇 [ λ𝑐 Δλ𝑐 𝐸𝑠𝑐 𝑥 𝑒 𝐸𝑠𝑐 𝑦] PT 4.15
Một cách tương tự, những điều kiện rang buộc được viết lại như sau: