Perché Optimal Control Matters per le prestazioni del veicolo elettrico

I veicoli elettrici rappresentano un cambiamento fondamentale nell'ingegneria automobilistica, ma la loro diffusa adozione si basa sulla risoluzione di due sfide intercorrenti: massimizzare la gamma di guida e preservare la salute della batteria sulla vita del veicolo. Questi obiettivi spesso si estendono in direzioni opposte. L'accelerazione aggressiva e la guida ad alta velocità possono fornire prestazioni emozionanti ma rapidamente esaurire l'algoritmo e accelerare il degrado.

Le confezioni di batterie possono rappresentare il 30 al 40 per cento del costo totale di un EV, e il degrado prematuro può portare a costosi sostituzioni o a un valore di rivendita ridotto. L'ansia di gamma rimane una delle barriere principali all'adozione di EV, con i driver interessati a essere bloccati con una batteria esaurita. Il controllo ottimale affronta direttamente entrambe le preoccupazioni estraendo la massima energia utilizzabile da ogni ciclo di carica, riducendo al minimo le sollecitazioni chimiche e le sollecitazioni della batteria.

Comprendere il controllo ottimale nei veicoli elettrici

Nel contesto dei veicoli elettrici, le azioni di controllo includono richieste di coppia al motore elettrico, intensità di frenata rigenerativa, velocità di ricarica e di scarico, funzionamento del sistema di gestione termica, e anche carichi ausiliari come il riscaldamento cabina o condizionamento dell'aria. I risultati desiderati includono tipicamente minimizzare il consumo totale di energia, ridurre il calo della velocità del conducente della batteria.

Ciò che rende il controllo ottimale particolarmente impegnativo in EVs è la natura dinamica e incerta delle condizioni di guida. Una strategia di controllo che funziona bene su un'autostrada piana può eseguire scarsamente nel traffico di città di stop-and-go o su gradi di montagna ripidi. Resistenza al vento, condizioni di superficie stradale, modelli di traffico, e anche il tempo tutto influenzano il consumo energetico.

Obiettivi chiave delle strategie di controllo ottimali

Gli obiettivi principali del controllo ottimale negli EV possono essere raggruppati in diverse categorie, ognuna con le proprie metriche e trade-off. Capire questi obiettivi aiuta a chiarire perché un approccio di controllo unico raramente basta e perché gli algoritmi adattativi sono necessari.

  • Extend gamma di guida[[] – Massimizzare la distanza per ciclo di carica è l'obiettivo più visibile. Ciò comporta l'ottimizzazione del flusso di energia attraverso la powertrain, minimizzare le perdite nel motore e inverter, recuperare l'energia attraverso frenata rigenerativa, e ridurre i carichi parassitari. Anche piccoli miglioramenti nell'efficienza possono tradurre in significativi range di guadagni di gamma.
  • Preservare la salute della batteria[ – Le batterie agli ioni di litio si degradano attraverso diversi meccanismi, tra cui la crescita interfase dell'elettrolita, la placcatura del litio, la fesura delle particelle e la decomposizione dell'elettrolita. Il tasso di degrado dipende da fattori come la temperatura, la profondità di scarico, la carica e il numero di operazioni di limite di scarica.
  • Assicurare il comfort dei passeggeri[[] – Il riscaldamento e il raffreddamento della cabina sono tra i carichi ausiliari più grandi di un EV, in particolare in condizioni di tempo estremo. Le strategie di controllo ottimali possono gestire questi carichi in modo intelligente, precondizionando la cabina mentre il veicolo è collegato, utilizzando riscaldatori di seduta invece di riscaldamento dell'aria della cabina quando possibile, e coordinando la gestione termica della batteria e cabina per ridurre al minimo l'uso totale di energia senza sacrificare il comfort.
  • Ridurre i costi energetici[[ – Per gli operatori della flotta e i singoli proprietari, il costo dell'elettricità è una spesa operativa significativa. Il controllo ottimale può pianificare la ricarica durante le ore di fuori quota quando i tassi di energia elettrica sono inferiori, gestire la carica per evitare le spese di richiesta in ambienti commerciali, e anche partecipare a programmi veicolo-da-grid che forniscono entrate mentre il veicolo è parcheggiato.
  • La vita dei componenti[[] – Oltre alla batteria, l'inverter, il motore e l'elettronica di potenza beneficiano anche di un controllo ottimizzato. Ridurre il ciclismo termico, evitando le condizioni di sovratensione, e lisciare i transienti di coppia può prolungare la vita di questi componenti e ridurre i costi di manutenzione durante la vita del veicolo.

Metodi di base del controllo ottimale

Sono stati sviluppati diversi metodi matematici e computazionali per implementare un controllo ottimale negli EV. Ogni metodo ha punti di forza e di debolezza in termini di complessità computazionale, adattabilità e capacità di gestire i vincoli. La scelta del metodo dipende dalla specifica applicazione, risorse computazionali disponibili e la fedeltà dei modelli utilizzati.

Controllo predittivo del modello (MPC)

Il controllo predittivo del modello è uno dei metodi di controllo ottimali più diffusi sia nell'industria che nella ricerca. MPC utilizza un modello dinamico del veicolo e del suo ambiente per prevedere il comportamento futuro su un orizzonte temporale finito. Ad ogni punto del tempo, il controller risolve un problema di ottimizzazione per trovare la sequenza di controllo che minimizza una funzione di costo, soddisfando i vincoli.

Nelle applicazioni EV, MPC può incorporare informazioni di rotta dai sistemi di navigazione, dai dati del traffico e dai profili di elevazione per anticipare le esigenze energetiche future. Ad esempio, se il percorso include una sezione di salita lunga seguita da una discesa in discesa, il controller può ridurre la scarica della batteria prima della salita alla capacità di riserva, quindi massimizzare la frenata rigenerativa durante la discesa. MPC può anche gestire la temperatura della batteria regolando il funzionamento del sistema di raffreddamento basato sulle esigenze di potenza previste future di alimentazione.

Programmazione dinamica

La Dynamic Programming è un metodo di ottimizzazione matematica che risolve i problemi di controllo complessi, distruggendoli in una sequenza di sotto-problemi più semplici. Garantisce la soluzione ottimale a livello globale per un dato modello e funzione di costo, rendendolo uno strumento potente per l'ottimizzazione di benchmarking e offline. Nel contesto EV, Dynamic Programming può determinare il profilo di velocità ottimale, cambi di marcia (se applicabile), e la divisione di potenza per un ciclo di guida noto, fornendo un limite superiore teorico sull'efficienza realizzabile.

La limitazione primaria della programmazione dinamica è il suo alto costo computazionale, che cresce esponenzialmente con il numero di variabili statali e la lunghezza dell'orizzonte temporale. Ciò rende impraticabile per il controllo in tempo reale nella maggior parte delle applicazioni. Tuttavia, rimane prezioso per lo sviluppo e la convalida di controller più semplici, generando dati di formazione per approcci di apprendimento automatico, e analizzando i trade-off tra diversi obiettivi di controllo.

Apprendimento di rinforzo

L'apprendimento delle forze di forza (RL) è un paradigma di apprendimento automatico in cui un agente impara a prendere decisioni interagendo con il suo ambiente e ricevendo ricompense o sanzioni per le sue azioni. Nel tempo, l'agente impara una politica che massimizza la ricompensa cumulativa.

I recenti progressi nell'apprendimento dei rinforzi hanno permesso l'uso delle reti neurali come approssimatori della funzione, permettendo a RL di gestire spazi di stato e di azione ad alta dimensione. Ad esempio, un agente RL profondo può prendere ingressi come lo stato della batteria, la temperatura, la velocità del veicolo, la domanda di accelerazione e il grado di percorso in arrivo, quindi l'output di metodi di coppia e frenatura rigenerativa ottimale.

La scienza dietro la degradazione della batteria e il controllo

Per apprezzare il controllo ottimale preserva la salute della batteria, è utile comprendere i meccanismi di degradazione primaria che influiscono sulle cellule di litio-ione. Mentre la chimica della batteria continua ad evolversi, la maggior parte delle batterie EV oggi utilizzano varianti di ossido di cobalto di litio nichel manganese o fosfato di ferro di litio con anodi di grafite.

La temperatura[]] è forse il fattore più critico. Le alte temperature accelerano le reazioni chimiche che causano la dissolvenza della capacità, mentre le basse temperature aumentano la resistenza interna e possono portare alla placcatura del litio durante la ricarica. I sistemi di controllo ottimali gestiscono attivamente la temperatura della batteria regolando i tassi di flusso di partenza, coinvolgendo o bypassando i riscaldatori, e limitando la potenza quando la batteria è fuori della portata ottimale.

La profondità di scarico[] svolge anche un ruolo importante. Ciclismo di una batteria tra lo 0 e il 100 per cento di stato di carica provoca significativamente più degradazione del ciclismo all'interno di una finestra più stretta, come il 20-80 per cento. Le strategie di controllo ottimali possono limitare la capacità utilizzabile della batteria per proteggere la sua salute a lungo termine, consentendo allo stesso tempo di occasionali scarichi completi quando è necessario la portata massima.

I tassi di carico e di scarico[ influiscono sulla degradazione attraverso diversi meccanismi. Le alte correnti causano una maggiore generazione di calore, la placcatura di litio sull'anodo durante la ricarica rapida, e lo stress meccanico sulle particelle di elettrodo a causa di rapidi cambiamenti di volume.

Vantaggi reali delle strategie di controllo ottimali

I vantaggi teorici del controllo ottimale si traducono in vantaggi tangibili per i proprietari di EV e gli operatori della flotta. Gli studi di campo e i risultati della simulazione mostrano costantemente miglioramenti su più metriche. Quando si confrontano i veicoli dotati di algoritmi di controllo ottimali contro quelli che utilizzano strategie convenzionali basate sulle regole, le differenze sono spesso sostanziali.

  • L'aumento della gamma di guida per carica[[] – Il controllo ottimale può migliorare l'efficienza energetica del 5 al 15 per cento a seconda del ciclo di guida e delle condizioni. Su un veicolo con un rating EPA di 300 miglia, questo si traduce in un ulteriore 15 a 45 miglia della gamma reale.
  • L'usura della batteria e la durata della vita più lunga[[] – evitando stati di carica estremi, limitando il funzionamento ad alta corrente e mantenendo temperature ottimali, il controllo ottimale può rallentare la degradazione della batteria del 20-40% rispetto alla vita del veicolo.
  • Migliora efficienza energetica[[] – Oltre all'estensione della gamma, l'efficienza migliorata significa che meno energia viene sprecata come calore. Questo riduce il carico sul sistema di raffreddamento, migliorando ulteriormente l'efficienza in un ciclo virtuoso.
  • Esperienza di guida avanzata[[] – Il controllo ottimale può offrire un'accelerazione e una decelerazione più fluide coordinando coppia motore, frenata rigenerativa e freni di attrito. Questo riduce i movimenti appiccicosi e rende la corsa più confortevole per i passeggeri. Inoltre, il controller può adattarsi allo stile del conducente, fornendo prestazioni reattive quando desiderato, massimizzando l'efficienza durante la crociera rilassata.

Sfide di attuazione e considerazioni pratiche

Nonostante i vantaggi chiari, l'implementazione di un controllo ottimale negli EV di produzione presenta diverse sfide che devono essere affrontate per offrire sistemi affidabili, sicuri e convenienti, che abbracciano hardware, software e domini di validazione.

La complessità computazionale[] rimane una barriera significativa, soprattutto per gli approcci di apprendimento MPC e di rinforzo. I problemi di ottimizzazione che devono essere risolti ad ogni fase di controllo possono essere computazionalmente intensivi, richiedendo potenti processori incorporati con sistemi operativi in tempo reale.

L'accuratezza della modella] è un altro fattore critico. Gli algoritmi di controllo ottimali si basano su modelli della batteria, del motore, dell'inverter e delle dinamiche del veicolo. Se questi modelli sono inesatti, il controller può prendere decisioni sub-ottili o addirittura dannose. I modelli della batteria sono particolarmente impegnativi perché i loro parametri cambiano con l'età, la temperatura e lo stato di carica.

La libertà di movimento all'incertezza[[]] deve essere affrontata perché le condizioni di guida sono intrinsecamente imprevedibili. Un controller che assume la perfetta conoscenza del traffico futuro, del tempo e del percorso può svolgere scarsamente quando la realtà si diverte dalle aspettative.

La sicurezza e la certificazione[[] pongono ostacoli aggiuntivi. I sistemi di controllo automobilistico devono soddisfare standard di sicurezza rigorosi come ISO 26262, che definiscono requisiti di sicurezza funzionali per i sistemi elettrici ed elettronici.

L'integrazione con le architetture esistenti dei veicoli[[]] è anche non banale. I sistemi di controllo ottimali devono interfacciarsi con numerosi sottosistemi di veicolo, tra cui il sistema di gestione della batteria, il controllore del motore, il sistema di gestione termica, il sistema di frenatura, l'infotainment o il sistema di navigazione.

Le direzioni e le tecnologie emergenti

Il campo di controllo ottimale per gli EV sta avanzando rapidamente, guidato da miglioramenti nell'hardware di calcolo, nella tecnologia di rilevamento e nella ricerca algoritmica.

L'integrazione di Veicolo-Ottimo (V2X) promette di migliorare il controllo ottimale fornendo informazioni in tempo reale sui segnali di traffico, le condizioni stradali e altri veicoli. Ad esempio, conoscere il tempo dei prossimi semafori consente al controller di pianificare i profili di velocità che minimizzano le fermate e le partenze, riducendo il consumo energetico. La comunicazione V2X può anche consentire manovre coordinate come chiusura di viaggio multi-X, in cui il controllo di velocità di marciare, ridurre l', più volte, più volte, più, più,

L'ottimizzazione collegata alla cloud[[] sta diventando più pratica come le reti cellulari e l'infrastruttura di cloud computing maturano. I veicoli possono caricare i dati di guida e ricevere strategie di controllo aggiornate attraverso gli aggiornamenti over-the-air. L'ottimizzazione basata su cloud può anche gestire attività computazionalmente intensive come la pianificazione del percorso con dati di elevazione dettagliati e di traffico, generando velocità ottimizzate e profili di ricarica che vengono poi scaricati al processore al processore al processore al processore al processore.

La tecnologia gemella digitale[] crea una replica virtuale del veicolo fisico che si evolve accanto a esso, incorporando i dati dei sensori in tempo reale, i cambiamenti legati all'età e la storia operativa. Il gemello digitale può essere utilizzato per simulare e valutare le strategie di controllo prima che vengano implementate nel veicolo fisico, riducendo il rischio di comportamenti inaspettati.

Le estensioni dei sistemi di gestione della batteria[[[]] consentono un controllo più granulare a livello cellulare piuttosto che a livello di pacchetto. Alcuni nuovi modelli di batterie incorporano sensori all'interno delle singole celle per misurare la temperatura, la pressione e la tensione con alta precisione.

Per ulteriori informazioni sulle basi tecniche di controllo ottimale in EVs, si rimanda a recente IEEE recensioni sul modello di controllo predittivo per la gestione dell'energia elettrica del veicolo e Journal of Energy Storage's special issue on Battery degradtion modeling].

Conclusioni

Il controllo ottimale dei veicoli elettrici rappresenta uno dei più promettenti viali per l'estensione della gamma, la conservazione della salute della batteria e il miglioramento dell'esperienza di proprietà generale. Grazie a algoritmi avanzati come il controllo predittivo del modello, la programmazione dinamica e l'apprendimento del rinforzo, questi sistemi possono prendere decisioni intelligenti e in tempo reale che bilanciano gli obiettivi concorrenti in modo adattativo.

Tuttavia, i rapidi progressi nel calcolo incorporato, la tecnologia dei sensori, la connettività e l'apprendimento automatico stanno rendendo queste soluzioni sempre più pratiche per i veicoli di produzione. Poiché l'industria dei trasporti continua la sua transizione verso l'elettrificazione e la mobilità intelligente, il controllo ottimale svolgerà un ruolo essenziale nel garantire che gli EVs forniscano un controllo strategico sostenibile, pratico e sofisticato per i trasporti.