Оптимальный контроль электрических транспортных средств для расширенного диапазона и срока службы батареи

Почему оптимальный контроль имеет значение для эффективности электромобиля

Электрические транспортные средства представляют собой фундаментальный сдвиг в автомобильной технике, но их широкое внедрение зависит от решения двух взаимосвязанных задач: максимизация дальности движения и сохранение здоровья батареи в течение срока службы автомобиля. Эти цели часто тянутся в противоположных направлениях. Агрессивное ускорение и высокоскоростное вождение могут обеспечить захватывающую производительность, но быстро истощают батарею и ускоряют деградацию. И наоборот, чрезмерно консервативные стратегии вождения могут расширять диапазон, но расстраивать водителей и ограничивать полезность. Оптимальные стратегии управления предлагают сложную промежуточную основу, используя данные в реальном времени и прогностические алгоритмы для принятия интеллектуальных решений о распределении мощности, регенеративном торможении и управлении температурой. Благодаря непрерывной балансировке конкурирующих требований, эти системы помогают электромобилям работать с максимальной эффективностью практически при любых условиях, одновременно защищая самый дорогой компонент в транспортном средстве.

Ставки значительны. На аккумуляторные батареи приходится от 30 до 40 процентов общей стоимости электромобиля, а преждевременная деградация может привести к дорогостоящей замене или снижению стоимости перепродажи. Беспокойство по дальности остается одним из главных барьеров для внедрения электромобиля, при этом водители обеспокоены тем, что они застряли в истощенной батарее. Оптимальный контроль напрямую решает обе проблемы, извлекая максимальную полезную энергию из каждого цикла заряда при минимизации химических и механических напряжений, которые вызывают угасание емкости. По мере развития технологии батареи программное обеспечение управления этими системами становится все более важным дифференциатором среди производителей.

Понимание оптимального управления электромобилями

Оптимальное управление относится к классу алгоритмов, определяющих наилучшую последовательность действий управления для достижения желаемого результата при удовлетворении ограничений. В контексте электромобилей действия управления включают запросы крутящего момента к электродвигателю, интенсивность рекуперативного торможения, скорость зарядки и разрядки аккумулятора, работу системы управления теплом и даже вспомогательные нагрузки, такие как отопление кабины или кондиционирование воздуха. Желаемые результаты обычно включают минимизацию общего потребления энергии, снижение деградации батареи, удовлетворение потребности водителя в ускорении и скорости и поддержание комфорта пассажиров. Ограничения включают физические ограничения, такие как способность к крутящему моменту двигателя, напряжение батареи и пределы тока, тепловые ограничения и нормативные требования.

Что делает оптимальный контроль особенно сложным в электромобилях, так это динамичный и неопределенный характер условий вождения. Стратегия управления, которая хорошо работает на ровной автомагистрали, может плохо работать в пробках в городах или на крутых горных участках. Сопротивление ветрам, условия дорожного покрытия, модели движения и даже погода влияют на потребление энергии. Современные оптимальные системы управления включают модели трансмиссии автомобиля, электрохимию батареи и тепловую динамику, а затем используют данные датчиков в реальном времени и прогностические алгоритмы для корректировки своего поведения на лету. Эта адаптивная способность отделяет истинное оптимальное управление от более простых подходов, основанных на правилах, которые используют фиксированные пороги или таблицы поиска.

Основные цели оптимальных стратегий контроля

Основные цели оптимального управления в электромобилях можно сгруппировать в несколько категорий, каждая со своими метриками и компромиссами. Понимание этих целей помогает прояснить, почему одного подхода к управлению редко бывает достаточно и почему необходимы адаптивные алгоритмы.

• Расширение дальности движения — Максимальное расстояние, пройденное за цикл зарядки, является наиболее видимой целью. Это включает в себя оптимизацию потока энергии через трансмиссию, минимизацию потерь в двигателе и инверторе, восстановление энергии за счет рекуперативного торможения и снижение паразитных нагрузок. Даже небольшое повышение эффективности может привести к значимому увеличению дальности. 5-процентное снижение потребления энергии на 300-мильном транспортном средстве добавляет 15 миль полезного диапазона.
• Здоровье аккумулятора — Литий-ионные батареи разлагаются через несколько механизмов, включая межфазный рост твердого электролита, покрытие литием, растрескивание частиц и разложение электролита. Скорость деградации зависит от таких факторов, как температура, глубина разряда, скорость заряда и разряда и количество циклов. Оптимальный контроль может уменьшить деградацию, избегая экстремальных состояний заряда, ограничивая высокоточную работу, когда батарея холодная или горячая, и сглаживая требования к мощности для снижения напряжения на частицах электрода.
• Обеспечить комфорт пассажиров — Отопление и охлаждение кабины являются одними из самых больших вспомогательных нагрузок в электромобиле, особенно в экстремальную погоду. Оптимальные стратегии управления могут управлять этими нагрузками разумно, предварительно обуславливая кабину, в то время как транспортное средство подключено, используя нагреватели сидений вместо нагрева воздуха в салоне, когда это возможно, и координируя управление тепловой батареей и кабиной, чтобы минимизировать общее потребление энергии без ущерба для комфорта.
• Снизить затраты на электроэнергию — Для операторов автопарка и индивидуальных владельцев стоимость электроэнергии является значительным эксплуатационным расходом. Оптимальный контроль может планировать зарядку в непиковые часы, когда тарифы на электроэнергию ниже, управлять зарядкой, чтобы избежать сборов за спрос в коммерческих условиях, и даже участвовать в программах «транспортное средство в сеть», которые обеспечивают доход, пока транспортное средство припарковано.
• Расширение срока службы компонентов — Помимо батареи, инвертор, двигатель и силовая электроника также получают выгоду от оптимизированного управления. Снижение теплового цикла, избегание условий перенапряжения и сглаживание переходных моментов крутящего момента могут продлить срок службы этих компонентов и снизить затраты на техническое обслуживание в течение срока службы автомобиля.

Основные методы оптимального контроля

Для реализации оптимального управления в электромобилях разработано несколько математических и вычислительных методов. Каждый метод имеет сильные и слабые стороны с точки зрения вычислительной сложности, адаптивности и способности справляться с ограничениями. Выбор метода зависит от конкретного применения, имеющихся вычислительных ресурсов и точности используемых моделей.

Модель предиктивного контроля (MPC)

Модель Predictive Control является одним из наиболее широко используемых оптимальных методов управления как в промышленности, так и в исследованиях. MPC использует динамическую модель транспортного средства и его окружения для прогнозирования будущего поведения на конечном временном горизонте. На каждом этапе контроллер решает задачу оптимизации, чтобы найти последовательность управления, которая минимизирует функцию затрат при удовлетворении ограничений. Применяется только первое управляющее действие в последовательности, и процесс повторяется на следующем этапе времени, создавая подход уходящего горизонта, который может адаптироваться к изменяющимся условиям.

В приложениях EV MPC может включать в себя маршрутную информацию из навигационных систем, данные о трафике и профили высоты для прогнозирования будущих энергетических потребностей. Например, если маршрут включает в себя длинный участок подъема, за которым следует спуск вниз, контроллер может уменьшить разряд батареи до подъема до резервной емкости, затем максимизировать рекуперативное торможение во время спуска. MPC также может управлять температурой батареи, регулируя работу системы охлаждения на основе прогнозируемых будущих потребностей в мощности. Основным недостатком MPC является его вычислительная интенсивность, которая требует мощных бортовых процессоров, особенно для нелинейных моделей или горизонтов длительного прогнозирования. Однако достижения во встроенных вычислениях и упрощенных линейных моделях делают MPC в реальном времени возможным для производственных транспортных средств.

Динамическое программирование

Динамическое программирование — это математический метод оптимизации, который решает сложные проблемы управления, разбивая их на последовательность более простых подзадач. Он гарантирует поиск глобально оптимального решения для данной модели и функции затрат, что делает его мощным инструментом для бенчмаркинга и автономной оптимизации. В контексте EV динамическое программирование может определять оптимальный профиль скорости, переключения передач (если применимо) и разделение мощности для известного цикла вождения, обеспечивая теоретическую верхнюю границу достижимой эффективности.

Основным ограничением динамического программирования является его высокая вычислительная стоимость, которая растет экспоненциально с количеством переменных состояния и длиной временного горизонта. Это делает его непрактичным для управления в реальном времени в большинстве приложений. Однако он остается ценным для разработки и проверки более простых контроллеров, генерации данных обучения для подходов машинного обучения и анализа компромиссов между различными целями управления. Исследователи часто используют результаты динамического программирования в качестве базового уровня для оценки производительности контроллеров обучения MPC или подкрепления.

Усиление обучения

Усиление обучения (RL) является парадигмой машинного обучения, в которой агент учится принимать решения, взаимодействуя со своей средой и получая вознаграждения или штрафы за свои действия. Со временем агент узнает политику, которая максимизирует кумулятивное вознаграждение. В оптимальном управлении EV RL может обнаруживать стратегии, которые трудно вывести аналитически, особенно когда модель системы неопределенна или среда сильно изменчива. RL агенты могут научиться адаптироваться к конкретным стилям вождения, шаблонам движения и даже индивидуальным характеристикам батареи.

Последние достижения в глубоком обучении усилению позволили использовать нейронные сети в качестве приближенных функций, позволяя RL обрабатывать высокоразмерные пространства состояний и действий. Например, глубокий RL-агент может принимать входы, такие как состояние заряда батареи, температура, скорость транспортного средства, спрос на ускорение и предстоящий класс маршрута, затем выдавать оптимальные команды крутящего момента и рекуперативного торможения. Агент обучается на моделируемых сценариях вождения или реальных данных, постепенно улучшая его производительность посредством проб и ошибок. Одной из проблем является обеспечение безопасности во время процесса обучения, поскольку агент может принимать действия, нарушающие ограничения во время изучения. Безопасные RL-методы и автономные тренировки на исторических данных помогают смягчить этот риск.

Наука, стоящая за деградацией батареи и контролем

Чтобы понять, как оптимальный контроль сохраняет здоровье батареи, полезно понять первичные механизмы деградации, которые влияют на литий-ионные клетки. В то время как химия батареи продолжает развиваться, большинство батарей EV сегодня используют варианты оксида лития никеля марганца или фосфата лития с графитовыми анодами. Каждая химия имеет разные характеристики деградации, но несколько общих факторов влияют на старение во всех типах.

Температура, пожалуй, самый важный фактор. Высокие температуры ускоряют химические реакции, которые вызывают угасание емкости, в то время как низкие температуры увеличивают внутреннее сопротивление и могут привести к литиевому покрытию во время зарядки. Оптимальные системы управления активно управляют температурой батареи, регулируя скорости потока охлаждающей жидкости, привлекая или обходить нагреватели и ограничивая мощность, когда батарея находится за пределами своего оптимального температурного диапазона. Некоторые системы предварительно нагревают или предварительно охлаждают батарею, пока транспортное средство подключено, используя мощность сетки, а не энергию батареи, чтобы обусловить упаковку перед отправлением.

Глубина разряда также играет важную роль. Велосипедирование батареи в диапазоне от 0 до 100 процентов заряда вызывает значительно большую деградацию, чем езда на велосипеде в более узком окне, например, от 20 до 80 процентов. Оптимальные стратегии управления могут ограничить полезную емкость батареи для защиты ее долгосрочного здоровья, при этом все еще позволяя случайные полные разряды, когда требуется максимальный диапазон. Некоторые производители реализуют буферные зоны на обоих концах диапазона состояния заряда, резервируя небольшое количество энергии, которое никогда не доступно водителю.

Скорость зарядки и разряда влияет на деградацию через несколько механизмов. Высокие токи вызывают повышенную выработку тепла, литиевую покрытие анода во время быстрой зарядки и механическое напряжение на частицах электрода из-за быстрых изменений объема. Оптимальное управление сглаживает требования к мощности, используя область высокой эффективности двигателя, когда это возможно, и избегая резких шагов крутящего момента. Во время рекуперативного торможения контроллер может смешивать тормоза трения с рекуперативным торможением, чтобы ограничить ток, поступающий в батарею, при этом восстанавливая большую часть кинетической энергии.

Преимущества оптимальных стратегий контроля в реальном мире

Теоретические преимущества оптимального управления приводят к ощутимым преимуществам для владельцев электромобилей и операторов автопарка. Полевые исследования и результаты моделирования последовательно показывают улучшения по нескольким показателям. При сравнении транспортных средств, оснащенных оптимальными алгоритмами управления, с теми, которые используют обычные стратегии, основанные на правилах, различия часто существенны.

• Увеличение дальности движения на зарядку — Оптимальное управление может повысить энергоэффективность на 5-15 процентов в зависимости от цикла движения и условий. На транспортном средстве с 300-мильным рейтингом EPA это приводит к дополнительным 15-45 милям реального диапазона. Для путешественников на большие расстояния это может означать разницу между комфортным переходом на зарядную станцию или ощущением беспокойства за диапазон.
• Сокращение износа батареи и увеличение срока службы — Избегая экстремальных состояний заряда, ограничивая работу с высокой ток-током и поддерживая оптимальные температуры, оптимальное управление может замедлить деградацию батареи на 20-40% в течение срока службы автомобиля. Это увеличивает срок полезного использования аккумуляторной батареи, потенциально позволяя транспортному средству работать в течение 15-20 лет, прежде чем требовать замены. Для операторов автопарка это резко увеличивает общую стоимость владения.
• Повышение энергоэффективности — Помимо расширения диапазона, повышение эффективности означает, что меньше энергии тратится впустую в виде тепла. Это снижает нагрузку на систему охлаждения, еще больше повышает эффективность в добродетельном цикле. Более низкое потребление энергии также снижает воздействие на окружающую среду транспортного средства, независимо от того, поступает ли электричество из возобновляемых источников или из сети.
• Улучшенный опыт вождения — Оптимальное управление может обеспечить более плавное ускорение и замедление за счет координации крутящего момента двигателя, рекуперативного торможения и фрикционных тормозов. Это уменьшает резкие движения и делает поездку более комфортной для пассажиров. Кроме того, контроллер может адаптироваться к стилю водителя, обеспечивая отзывчивую производительность при желании, максимизируя эффективность во время расслабленного круиза.

Проблемы реализации и практические соображения

Несмотря на очевидные преимущества, внедрение оптимального управления в производственных электромобилях представляет собой несколько проблем, которые необходимо решить для обеспечения надежных, безопасных и экономически эффективных систем. Эти проблемы охватывают аппаратные, программные и валидационные области.

Вычислительная сложность остаётся значительным барьером, особенно для подходов к MPC и усилению обучения.Проблемы оптимизации, которые должны решаться на каждом этапе управления, могут быть вычислительно интенсивными, требующими мощных встроенных процессоров с операционными системами реального времени. Автопроизводители должны сбалансировать стоимость этих процессоров с преимуществами оптимального управления. В некоторых случаях упрощенные линейные или выпуклые формулы оптимизации могут снизить вычислительные требования, при этом обеспечивая значимые улучшения по сравнению с управлением на основе правил.

Точность модели является ещё одним критическим фактором. Оптимальные алгоритмы управления полагаются на модели батареи, двигателя, инвертора и динамики транспортного средства. Если эти модели неточны, контроллер может принимать неоптимальные или даже вредные решения. Модели батареи особенно сложны, потому что их параметры меняются с возрастом, температурой и состоянием заряда. Адаптивные методы моделирования, которые обновляют параметры онлайн, могут помочь, но они добавляют сложность и требуют тщательной проверки.

Необходимо учитывать устойчивость к неопределенности , поскольку условия вождения по своей сути непредсказуемы. Контроллер, который предполагает идеальное знание будущего трафика, погоды и маршрута, может работать плохо, когда реальность отличается от ожиданий. Стохастические MPC и надежные методы оптимизации могут справиться с неопределенностью, включив вероятностные модели или ограничения в худшем случае, но эти подходы еще больше увеличивают вычислительные требования.

Безопасность и сертификация создают дополнительные препятствия. Системы автомобильного контроля должны соответствовать строгим стандартам безопасности, таким как ISO 26262, который определяет требования функциональной безопасности для электрических и электронных систем. Оптимальные алгоритмы управления, использующие компоненты машинного обучения, сталкиваются с особым вниманием, поскольку их поведение может быть трудно проверить и проверить. Производители должны предоставить доказательства того, что система ведет себя безопасно во всех предсказуемых условиях, включая крайние случаи и режимы отказа.

Интеграция с существующими архитектурами транспортных средств также нетривиальна. Оптимальные системы управления должны взаимодействовать с многочисленными подсистемами транспортных средств, включая систему управления аккумулятором, контроллер двигателя, систему управления теплом, тормозную систему и информационно-развлекательную или навигационную систему. Каждый интерфейс вводит потенциальные точки отказа и требует тщательной координации протоколов связи, времени и согласованности данных.

Будущие направления и новые технологии

Область оптимального управления для электромобилей быстро развивается, что обусловлено улучшениями в вычислительном оборудовании, технологии зондирования и алгоритмических исследованиях. Несколько новых тенденций, вероятно, будут формировать следующее поколение систем управления электромобилями.

Интеграция между транспортными средствами (V2X) обещает улучшить оптимальное управление, предоставляя информацию в режиме реального времени о дорожных сигналах, дорожных условиях и других транспортных средствах. Например, знание сроков предстоящих светофоров позволяет контроллеру планировать профили скорости, которые минимизируют остановки и запуски, уменьшая потребление энергии. Связь V2X также может обеспечить скоординированные маневры, такие как взвод, где несколько транспортных средств движутся близко друг к другу, чтобы уменьшить аэродинамическое сопротивление. Ранние исследования показывают, что оптимальное управление с поддержкой V2X может повысить энергоэффективность еще на 10-20 процентов в городских условиях.

Облачная оптимизация становится более практичной по мере созревания сотовых сетей и инфраструктуры облачных вычислений. Транспортные средства могут загружать данные о движении и получать обновленные стратегии управления через обновления по воздуху. Облачная оптимизация также может обрабатывать вычислительно интенсивные задачи, такие как планирование маршрута с подробными данными о повышении и трафике, генерируя оптимизированные профили скорости и зарядки, которые затем загружаются в транспортное средство. Это загружает вычисления с бортового процессора, обеспечивая более сложную оптимизацию, чем это было бы возможно в реальном времени.

Цифровая технология двойника создаёт виртуальную копию физического транспортного средства, которая развивается вместе с ним, включающую данные датчиков в реальном времени, возрастные изменения и историю эксплуатации. Цифровой двойник может использоваться для моделирования и оценки стратегий управления до их развертывания в физическом транспортном средстве, снижая риск неожиданного поведения. Он также может обеспечить персонализированную оптимизацию, адаптируя параметры управления к уникальным характеристикам каждого транспортного средства и его шаблонам использования.

Достижения в системах управления батареями позволяют более детально контролировать уровень ячейки, а не уровень упаковки. Некоторые новые конструкции батарей включают датчики внутри отдельных ячеек для измерения температуры, давления и напряжения с высокой точностью. Эти данные позволяют оптимальным алгоритмам управления более точно сбалансировать состояние каждой ячейки, предотвращая перезарядку или перезарядку отдельных ячеек и продлевая общий срок службы пакета. Контроль уровня ячейки также позволяет более агрессивно использовать буферы емкости без риска повреждения.