Hibrit elektrikli araçlarda batarya performans ve yakıt tüketimi değerlerinin modellenmesi ve optimizasyonu

Abstract

Otomotiv sektöründe giderek katılaşan emisyon regülasyonları, yakıt ekonomisi ile ilgili katı mevzuatlar, sürekli artan petrol fiyatları, küresel ısınma ve çevre kirliliği ile ilgili artan tüketici farkındalığı, otomobil üreticilerinin sera gazı emisyonlarını ve yakıt tüketimini azaltmak için etkili bir önlem oldukları için elektrikli ve hibrit güç aktarma sistemlerine yönelmesine yol açmıştır. Bu teknolojilerin geliştirilmesinde, hibrit elektrikli araçların enerji yönetim sistemlerine yönelik optimizasyon çalışmaları kritik önem taşımaktadır. Yapılan bu çalışmada, ilk olarak güç bölünmüş hibrit elektrikli araç konfigürasyonuna sahip aracın güç aktarma sisteminin matematiksel modeli Matlab/Simulink ortamında oluşturularak gerçek araç dinamometre test verileriyle doğrulanarak, geliştirilen optimizasyon ve derin öğrenme tabanlı hibrit elektrikli aracın enerji yönetim algoritmalarının simülasyonlarının yapılacağı ve sonuçların analiz edilebileceği gerçekçi bir sanal test platformu geliştirilmiştir. Daha sonraki aşamada farklı sürüş çevrimleri kullanılarak aracın başlangıç batarya şarj durumu (SoC) koşullarındaki simülasyon sonuçlarının karşılaştırılması sonucunda elde edilen içten yanmalı motorun özgül yakıt tüketimine (BSFC) bağlı olarak sürüş çevrimi sonunda tüketilen toplam yakıt miktarı ve elektrik motor-jeneratör çalışma verimlerine bağlı olarak sürüş çevrimi sonunda bataryadan kullanılan toplam elektrik enerjisi tüketimi analiz edilerek kullanılan farklı enerji yönetim tekniklerinin birbirlerine göre üstünlükleri ve avantajları karşılaştırılmıştır. İlk aşamada, sürüş çevrimleri ile ilgili önceden bilgi gerektiren optimizasyon tabanlı enerji algoritmaları olan ayrıklaştırılmış dinamik programlama (DDP) ve Pontryagin'in minimum prensibi (PMP) metotlarının sonuçları, literatürde bir referans olarak kabul edilen ve geliştirilmesi için yoğun araç testleri ve kalibrasyon çalışmalarına ihtiyaç duyan klasik kural tabanlı algoritması ile karşılaştırılmıştır. Daha sonra bu optimizasyon tabanlı algoritmalarının simülasyon sonuçları kullanılarak önceden sürüş çevrimi ile ilgli bilgiye ihtiyaç duymayan derin öğrenme tabanlı farklı Yapay Sinir Ağları (YSA) yapıları Levenberg Marquard (LM), Bayes regülasyonu (BR), ölçeklendirilmiş konjuge gradyan (SCG) gibi farklı optimizasyon yöntemleri vasıtasıyla farklı sürüş çevrimleri ve batarya başlangıç kapasite (SoC) koşulları için eğitilerek derin öğrenme tabanlı hibrit mod seçim kontrolü algoritması elde edilmiştir. Bu aşamada, simülasyon sonuçlarının bir kısmı algoritmaların eğitimi ve bir kısmı doğrulama testleri için kullanılarak, farklı yapay sinir ağ yapıları ve gerçek zamanlı model test verileri ile eğitilen diğer yöntemlerin sonuçları birbiriyle karşılaştırılarak derin öğrenme tabanlı enerji yönetim sisteminin yüksek performansı, kesinliği ve doğruluğu ortaya konulmuştur. Simülasyon sonuçlarına göre en iyi performans sonuçları hesaplama yükü en ağır olan Pontryagin'in minimum prensibi (PMP) tabanlı kontrol algoritması kullanılarak elde edilmiştir. Ayrıklaştırılmış dinamik programlama (DDP) Yöntemi, hesaplama hızının yüksek olması nedeniyle literatürde yaygın olarak kullanılan bir yöntem olup, simülasyon sonuçlarına göre Pontryagin'in minimum prensibi (PMP) yöntemine benzer ve kural tabanlı kontrol algoritmasından çok daha iyi bir performans göstermiştir. Son olarak bu optimizasyon yöntemleriyle elde edilen simülasyon verileriyle eğitilen derin öğrenme tabanlı enerji yönetim algoritması çok daha düşük bir hesaplama yükü ile farklı çevrimlerde başarılı sonuçlar göstermiştir. Derin öğrenme tabanlı farklı yapay sinir ağı eğitim yöntemlerinin, klasik kural tabanlı enerji yönetimi kontrol yöntemlerine olan üstünlükleri ortaya konmuş, kural tabanlı referans algoritma ile farklı sürüş çevrimlerinde karşılaştırıldığında yakıt ekonomisinde sürekli bir iyileştirme sağladığı ve ne kadar başarılı sonuçlar verebileceği gösterilmiştir.