Estrategia de Gestión Energética para Camiones R-EEV
En un avance significativo para los vehículos eléctricos de autonomía extendida (R-EEV), investigadores de la Universidad de Ciencia y Tecnología de Kunming han desarrollado una nueva estrategia de gestión energética que mejora notablemente el rendimiento y la eficiencia del vehículo. El estudio, liderado por Sun Yunxiang, Wang Guiyong y Wang Weichao, presenta un enfoque innovador utilizando un algoritmo de optimización de efímeras mejorado (IMA) para optimizar el sistema de gestión energética de un camión ligero R-EEV. Este logro no solo mejora el rendimiento general del vehículo, sino que también establece un nuevo estándar para la integración de algoritmos avanzados en la ingeniería automotriz.
La investigación, publicada en la revista Mechanical Science and Technology for Aerospace Engineering, aborda el desafío crítico de equilibrar la economía de combustible, las emisiones y la vida útil de la batería en los vehículos R-EEV. Estos vehículos, que combinan un sistema de tracción eléctrica con una unidad de potencia auxiliar (APU) típicamente alimentada por un pequeño motor de combustión interna, ofrecen una solución práctica a las limitaciones de autonomía de los vehículos eléctricos puros. Sin embargo, optimizar el sistema de gestión energética para garantizar una operación eficiente y sostenible ha sido una tarea compleja, especialmente en condiciones de conducción dinámicas.
Sun Yunxiang, estudiante de maestría en la Universidad de Ciencia y Tecnología de Kunming, y su equipo reconocieron la necesidad de una estrategia de control más sofisticada que pudiera adaptarse a condiciones de conducción variables mientras mantenía un rendimiento óptimo. Las estrategias tradicionales de gestión energética, como las estrategias termostáticas y de seguimiento de potencia, a menudo no logran un rendimiento equilibrado en múltiples objetivos. La estrategia termostática, por ejemplo, se centra en mantener un punto de operación constante para la APU, lo que puede llevar a un consumo de combustible subóptimo y un aumento de las emisiones. Por otro lado, la estrategia de seguimiento de potencia, aunque más sensible a los cambios en la demanda, puede resultar en un cambio frecuente de la APU, lo que reduce la eficiencia y aumenta el desgaste del motor.
Para superar estas limitaciones, el equipo desarrolló una estrategia de control de gestión energética de múltiples puntos basada en el algoritmo de optimización de efímeras mejorado. El IMA es una técnica de optimización inspirada en la naturaleza que imita el comportamiento de apareamiento de las efímeras. Combina elementos de la optimización por enjambre de partículas, algoritmos genéticos y algoritmos de luciérnagas, proporcionando un marco robusto para resolver problemas de optimización complejos. La innovación clave en el IMA es la introducción de factores de aprendizaje dinámicos y de aprendizaje global, que mejoran la capacidad del algoritmo para explorar el espacio de soluciones en las etapas iniciales de la optimización y converger rápidamente en las etapas posteriores.
Los investigadores comenzaron estableciendo un modelo de optimización multiobjetivo para el R-EEV, teniendo en cuenta varios indicadores de rendimiento, como la economía de combustible, las emisiones (NOx, HC, CO) y la vida útil de la batería. El modelo fue diseñado para evaluar el rendimiento general del vehículo bajo diferentes condiciones de operación. Para garantizar la precisión y confiabilidad del proceso de optimización, el equipo utilizó datos experimentales para calibrar los indicadores de rendimiento de cada componente del tren de potencia, incluyendo el motor, el generador y la batería.
El proceso de optimización implicó definir el espacio de soluciones utilizando la velocidad y el par de la APU como variables. Cada individuo de efímera en el algoritmo representaba una solución potencial, y la función de aptitud fue diseñada para minimizar la suma de los indicadores de rendimiento ponderados. Luego, el IMA se aplicó para realizar una optimización fuera de línea, buscando los puntos de operación óptimos que maximizarían el rendimiento general del vehículo.
Uno de los principales desafíos en la implementación de la estrategia de gestión energética optimizada fue garantizar el control en tiempo real de la APU. Para abordar esto, el equipo desarrolló un controlador difuso que utiliza la potencia de demanda del vehículo y el estado de carga (SOC) de la batería como parámetros de entrada. El controlador difuso ajusta dinámicamente el tiempo mínimo de mantenimiento del punto de operación actual de la APU, evitando cambios frecuentes y asegurando una operación estable. Las reglas del controlador fueron diseñadas para equilibrar los compromisos entre la eficiencia del combustible, las emisiones y la salud de la batería, basándose en las condiciones de conducción en tiempo real.
La efectividad de la estrategia propuesta de control de gestión energética de múltiples puntos se evaluó mediante extensas simulaciones utilizando MATLAB/Simulink y CRUISE, un software ampliamente utilizado para la simulación de dinámica de vehículos y trenes de potencia. Las simulaciones se realizaron bajo el Procedimiento de Prueba de Vehículos Ligeros del Mundo (WLTP), un ciclo de conducción estandarizado que imita de cerca las condiciones de conducción del mundo real. Los resultados se compararon con los obtenidos utilizando las estrategias termostáticas y de seguimiento de potencia tradicionales.
Los resultados de las simulaciones demostraron una mejora significativa en el rendimiento general del R-EEV al utilizar la estrategia de gestión energética de múltiples puntos basada en el IMA. En comparación con la estrategia termostática, el nuevo enfoque logró una mejora del 16,2% en el rendimiento integral, mientras que superó a la estrategia de seguimiento de potencia en un 7,8%. Las mejoras fueron particularmente notables en términos de economía de combustible y emisiones. La estrategia basada en el IMA redujo el consumo específico de combustible en 8,328 g/(kW·h) en comparación con la estrategia de seguimiento de potencia, y también logró emisiones más bajas de NOx, CO y THC.
Además de las mejoras en el rendimiento, la estrategia basada en el IMA también contribuyó a una mejor gestión de la batería. La variación del SOC de la batería se mantuvo dentro de un rango moderado, reduciendo el riesgo de sobrecarga y extendiendo la vida útil de la batería. Las ampere-horas (A·h) acumuladas absolutas durante el ciclo de prueba fueron significativamente más bajas que las observadas con la estrategia termostática, indicando un uso más equilibrado y sostenible de la batería.
Los investigadores también realizaron un análisis detallado de las condiciones de operación de la APU bajo las diferentes estrategias de control. Los resultados mostraron que la estrategia basada en el IMA redujo efectivamente la frecuencia de cambio de la APU, lo que condujo a una operación más estable y eficiente. Esto, a su vez, contribuyó a la mejora general del rendimiento del vehículo y redujo el desgaste del motor.
Los hallazgos del estudio tienen importantes implicaciones para el futuro de la tecnología R-EEV. Al demostrar la efectividad de la estrategia de gestión energética de múltiples puntos basada en el IMA, los investigadores han proporcionado una herramienta valiosa para ingenieros automotrices y fabricantes. La estrategia puede adaptarse a diferentes plataformas de vehículos y condiciones de conducción, lo que la convierte en una solución versátil para mejorar la eficiencia y sostenibilidad de los vehículos R-EEV.
Además, el uso de algoritmos de optimización avanzados como el IMA resalta la creciente importancia de los métodos computacionales en la ingeniería automotriz. A medida que los vehículos se vuelven cada vez más complejos, con múltiples sistemas y componentes interrelacionados, la capacidad de optimizar el rendimiento a través de algoritmos sofisticados será aún más crítica. El IMA, con sus capacidades mejoradas de búsqueda global y convergencia más rápida, representa un paso significativo en esta dirección.
La investigación también subraya la importancia de la colaboración interdisciplinaria para abordar desafíos de ingeniería complejos. El equipo de la Universidad de Ciencia y Tecnología de Kunming reunió experiencia en ingeniería mecánica, ciencias de la computación y sistemas de control para desarrollar una solución integral. Este enfoque colaborativo es probable que sea una característica de los avances futuros en el campo.
En conclusión, el trabajo de Sun Yunxiang, Wang Guiyong y Wang Weichao representa una contribución significativa al campo de la gestión energética de vehículos R-EEV. Su uso innovador del algoritmo de optimización de efímeras mejorado no solo ha mejorado el rendimiento de un camión ligero R-EEV, sino que también ha establecido un nuevo estándar para la integración de algoritmos avanzados en la ingeniería automotriz. A medida que la industria automotriz continúa evolucionando, las ideas obtenidas de este estudio desempeñarán sin duda un papel crucial en la configuración del futuro del transporte sostenible.
Sun Yunxiang, Wang Guiyong, Wang Weichao, et al., Mechanical Science and Technology for Aerospace Engineering, DOI: 10.13433/j.cnki.1003-8728.20230067