Академический Документы
Профессиональный Документы
Культура Документы
TRABAJO DE MÁSTER
POR
*****
UNIVERSIDAD DE SEVILLA
2013
Palabras claves: Control Supervisor, Control heurístico, Control óptimo, PHEV, ECMS.
Abstract
Road transport has become one of the most polluting sectors worldwide. The
continuous growth of the vehicle population over the last decades, has led to an increase of
greenhouse gases despite technological improvements in new production vehicles. For this
reason, together with the increase in recent years of oil price, it is necessary to develop new
technologies and regulations that would curb the pollutant pace of the sector. Plug-in hybrid
electric vehicles are becoming a viable and increasingly economic alternative.
This work provides an overview of the strategies used for on-board energy
management aiming at a fuel consumption and greenhouse gases reduction. Several of these
strategies are developed and tested in a simulator of the Chevrolet Volt and their results are
compared in terms of trajectories over time and global results (fuel consumption, state of
charge deviations).
i
Dedicatoria
A mi familia por su apoyo incondicional. A María que ha
sabido ayudarme y motivarme en los momentos más
complicados.
ii
Lista de figuras
Figura 1.1. Evolución de la producción mundial de automóviles entre 1997 y 2010 [34] ............ 1
Figura 1.2. (a) Descenso en las emisiones de CO2 de los vehículos de nueva producción
producido por las nuevas regulaciones y (b) Porcentaje total de emisiones de gases
efecto invernadero por sectores en EU-27 en 2011 [3] ............................................. 2
Figura 1.3. Modos de operación del Chevrolet Volt en función del estado de carga de la batería
en una estrategia CD/CS. La zona azul es el rango de funcionamiento sin emisiones
donde se descarga la batería (ICE off), la zona roja es la zona CS donde se mantiene
el SOC (ICE on). La zona verde se corresponde con una recarga externa. ................. 5
Figura 1.4. Diferencia entre una estrategia CD/CS y una estrategia Blended [21]. ...................... 6
Figura 1.5. Arquitectura de un vehículo híbrido eléctrico en configuración serie [12]. ............... 7
Figura 1.6. Arquitectura de un vehículo híbrido eléctrico en configuración paralelo [21]. .......... 7
Figura 2.1. Ejemplo de elección de estados en función del valor de varias variables del sistema
[17]. ........................................................................................................................... 10
Figura 2.2. Secuencia recursiva de búsqueda del camino óptimo entre el estado inicial y el
estado final mediante programación dinámica. ....................................................... 11
Figura 2.3 Flujo de energía para un HEV con configuración paralelo para los casos (a) descarga
actual de la batería y flujo necesario en el futuro para mantener el SOC constante, y
(b) recarga actual de la batería y flujo de descarga necesario en el futuro para
mantener el SOC constante [27]............................................................................... 14
Figura 3.2. Configuración del sistema Voltec en el modo de funcionamiento con un solo motor
eléctrico, EV1. ........................................................................................................... 20
Figura 3.3. Configuración del sistema Voltec en el modo de funcionamiento con dos motores
eléctricos, EV2........................................................................................................... 20
Figura 3.4. Configuración del sistema Voltec en el modo de funcionamiento de rango extendido
y un solo motor eléctrico, Serie. ............................................................................... 21
iii
Figura 3.5. Configuración del sistema Voltec en el modo de funcionamiento de rango extendido
y dos motores eléctricos, Power-Split. ..................................................................... 21
Figura 3.7. Dependencia de la tensión de circuito abierto con el estado de carga de la batería23
Figura 3.8. Eficiencia del motor eléctrico principal y par máximo para zonas de tracción y de
frenada regenerativa. ............................................................................................... 24
Figura 3.9. Límites de potencia de la batería frente a las líneas de potencia de potencia del
motor eléctrico principal. ......................................................................................... 25
Figura 3.10. Eficiencia del motor/generador y par máximo para zonas de tracción y de recarga.
.................................................................................................................................. 25
Figura 3.11. Proceso de cálculo de la línea de operación óptima del motor térmico. ............... 27
Figura 3.12. Eficiencia del motor de combustión interna y puntos de operación óptima. ........ 28
Figura 3.13. Eficiencia del conjunto ICE/generador medida en BSFC y línea de operación
óptima. ...................................................................................................................... 28
Figura 3.14. Simulador del Chevrolet Volt proporcionado para el Benchmark de ECOSM 2012.
.................................................................................................................................. 30
Figura 4.2. Diagrama de flujo del algoritmo de optimización basado en el Principio del Mínimo
de Pontryagin. ........................................................................................................... 36
Figura 5.1. Velocidad del vehículo y modos de funcionamiento junto a las contribuciones de las
máquinas eléctricas y evolución del estado de carga en un ciclo NEDC. ................. 41
Figura 5.2. Velocidad del vehículo, modos de funcionamiento y aportaciones de las máquinas
eléctricas y el motor térmico en un ciclo NEDC bajo en carga. ................................ 42
Figura 5.3. Evolución del estado de carga llegando al límite del 30% y subiendo hasta el límite
superior del 33%. ...................................................................................................... 42
Figura 5.4. Evolución del estado de carga con diferentes valores del factor equivalente en un
ciclo de NEDC. ........................................................................................................... 43
iv
Figura 5.5. Evolución temporal del estado de carga en 10 ciclos NEDC para diferentes valores
del factor equivalente. .............................................................................................. 44
Figura 5.6. Consumo de energía eléctrica en función del factor equivalente para 10 ciclos
NEDC. ........................................................................................................................ 44
Figura 5.7. Consumo de combustible en función del factor equivalente para 10 ciclos NEDC. . 45
Figura 5.8. Detalle de un ciclo durante la prueba de optimización offline de 10 ciclos NEDC.
Velocidad del vehículo, modos de funcionamiento y reparto de pares eléctricos y
del motor térmico. .................................................................................................... 45
Figura 5.9. Comparativa de la evolución del estado de carga y el par del motor térmico de las
optimizaciones offline y online de un ciclo NEDC..................................................... 47
Figura 5.10. Corrección en el par demandado procedente del modelo del conductor simulado
como un control PI.................................................................................................... 48
Figura 5.11. Detalle de un ciclo durante la prueba de optimización online de 10 ciclos NEDC.
Velocidad del vehículo, modos de funcionamiento y reparto de pares eléctricos y
del motor térmico. .................................................................................................... 48
Figura 5.12. Consumo y desviación máxima de SOC en función de s1 para un ciclo NEDC y SOC
inicial . ...................................................................................................... 49
Figura 5.13. Evolución temporal del SOC y cambios del modo de funcionamiento para
diferentes ajustes de s0 y s1 en el ciclo NEDC. ......................................................... 50
Figura 5.15. Consumo y evolución de SOC en función de s2 para un ciclo NEDC y SOC inicial
. ................................................................................................................ 51
Figura 5.16. Velocidad y modos de funcionamiento durante un ciclo Artemis extra urban con la
batería inicialmente en y los parámetros ajustados en ciclo NEDC.
....................................................................................... 52
Figura 5.17. Reparto de pares durante un ciclo Artemis extra urban con la batería inicialmente
en y los parámetros ajustados en ciclo NEDC.
.................................................................................................................................. 53
v
Figura 5.18. Velocidad y modos de funcionamiento durante un ciclo Artemis highway con la
batería inicialmente en y los parámetros ajustados en ciclo NEDC.
....................................................................................... 53
Figura 5.19. Reparto de pares durante un ciclo Artemis highway con la batería inicialmente en
y los parámetros ajustados en ciclo NEDC. . 54
Figura 6.1. Perfil de velocidad y potencia demandada en el ciclo regulatorio NEDC. ................ 57
Figura 6.2. Perfil de velocidad y potencia demandada en el ciclo regulatorio Artemis extra
urban. ........................................................................................................................ 58
Figura 6.3. Perfil de velocidad y potencia demandada en el ciclo regulatorio Artemis highway.
.................................................................................................................................. 58
vi
Lista de tablas
Tabla 1. Características generales del Chevrolet Volt ................................................................. 17
Tabla 4. Comparativa de consumo y estado final de carga entre los tres algoritmos
desarrollados para 10 ciclos NEDC. .......................................................................... 47
vii
Contenido
Resumen ........................................................................................................................................ i
Abstract ......................................................................................................................................... i
Dedicatoria ................................................................................................................................... ii
Lista de figuras ............................................................................................................................ iii
Lista de tablas .............................................................................................................................vii
1 Introducción .......................................................................................................................... 1
1.1. Motivación .................................................................................................................... 1
1.2. Organización y contribuciones del trabajo ................................................................... 3
1.3. Vehículos híbridos eléctricos e híbridos eléctricos recargables .................................... 3
2 Gestión de la energía en PHEV. Estado del arte .................................................................... 9
2.1. Control heurístico ........................................................................................................ 10
2.2. Optimización numérica. Programación dinámica ....................................................... 10
2.3. Optimización analítica. Principio del Mínimo de Pontryagin ...................................... 12
2.4. Optimización online. Estrategia de minimización del consumo equivalente ............. 14
2.4.1. Relación entre PMP y ECMS ................................................................................ 16
3 El Chevrolet Volt .................................................................................................................. 17
3.1. Juego de engranajes planetario .................................................................................. 18
3.2. Modos de funcionamiento .......................................................................................... 19
3.3. Batería ......................................................................................................................... 22
3.4. Motores eléctricos ...................................................................................................... 24
3.5. Motor de combustión interna ..................................................................................... 26
3.5.1. Línea de operación óptima.................................................................................. 26
3.5.2. Conjunto ICE-generador ...................................................................................... 27
3.6. Dinámica del vehículo ................................................................................................. 29
3.7. Simulador .................................................................................................................... 30
4 Desarrollo del control supervisor ........................................................................................ 32
4.1. Control Supervisor basado en reglas........................................................................... 32
4.2. Estrategia basada en el Principio del Mínimo de Pontryagin ..................................... 34
4.3. Estrategia de minimización del consumo equivalente................................................ 37
5 Resultados de las estrategias aplicadas .............................................................................. 40
5.1. Control heurístico ........................................................................................................ 40
5.2. Validación de la optimización offline .......................................................................... 42
5.3. Validación de la optimización online. ECMS ............................................................... 46
viii
6 Conclusiones ........................................................................................................................ 55
Anexo A. Ciclos regulatorios ..................................................................................................... 57
Bibliografía ................................................................................................................................. 59
ix
Capítulo 1
1 Introducción
1.1. Motivación
Según la Unión Europea el transporte por carretera ocupa la segunda plaza entre los
sectores con más emisiones de gases de efecto invernadero dentro de la región, y continúa
creciendo a pesar de las mejoras tecnológicas de los vehículos debido al continuo crecimiento
de éstos. Esto es aún más preocupante a nivel mundial ya que el parque de vehículos está
creciendo a un ritmo alto en países emergentes.
Figura 1.1. Evolución de la producción mundial de automóviles entre 1997 y 2010 [34]
1
Aún cumpliéndose los compromisos generales adoptados según el protocolo de Kyoto,
las emisiones debidas a vehículos han aumentado en un 36% entre 1990 y 2007, año en el que
se hicieron obligatorias las regulaciones que antes eran voluntarias. Desde entonces, los
productores de vehículos han conseguido reducir las emisiones de CO2 de sus coches en un
4%pa frente al 1.2%pa que resultó del compromiso voluntario entre 2000 y 2007, pero parece
que no ha sido suficiente. Si no se toman las medidas adecuadas para disminuir el impacto
ambiental del sector, todos los esfuerzos en otros sectores, recogidos en la Convención marco
de las Naciones Unidas sobre el cambio climático, serán inútiles [1,2,3].
Figura 1.2. (a) Descenso en las emisiones de CO2 de los vehículos de nueva producción producido por las nuevas
regulaciones y (b) Porcentaje total de emisiones de gases efecto invernadero por sectores en EU-27 en 2011 [3]
2
consumo equivalente de energía, con la diferencia respecto a los HEV que pueden consumir
toda la energía disponible de la batería entre el inicio y el final del ciclo. También se pueden
tener en cuenta otras variables como las emisiones contaminantes del motor, la temperatura
del motor y del catalizador, que puede afectar al consumo y a las emisiones, la vida útil de las
baterías o su temperatura la cual puede afectar al rendimiento de éstas [4].
Este trabajo recoge el estado del arte sobre el problema de gestión de la energía en
HEV y PHEV, y se desarrollan, analizan y comparan diferentes alternativas para el sistema de
control supervisor aplicadas al Chevrolet Volt.
3
descripción mucho más extensa. También se presenta en muchas otras tesis y trabajos de
máster, donde además se pueden encontrar investigaciones sobre algunos problemas que no
se detallan en este trabajo, como la suavidad en la conducción (debido a la dinámica de los
embragues o al arranque/parada del ICE por ejemplo) o el impacto en la red eléctrica entre
otros [7,8,9,10]. Este tipo de vehículos se caracteriza, a diferencia de los vehículos
convencionales, por la existencia de varias fuentes de energía a bordo así como de diferentes
elementos de propulsión. El término híbrido eléctrico es debido a que se combina
generalmente el motor de combustión interna con un motor eléctrico para propulsar el
vehículo. Es posible utilizar un segundo motor eléctrico que puede funcionar para ayudar en la
tracción del vehículo o bien como generador eléctrico para recargar las baterías. Usualmente,
las fuentes de energía utilizadas son, en primer lugar, algún tipo de combustible fósil
almacenado en el depósito (normalmente gasolina o diesel) para el funcionamiento del motor
térmico, y en segundo lugar, energía eléctrica almacenada en una granja de baterías
electroquímicas para el funcionamiento de los motores eléctricos. Otras fuentes de energía
están siendo estudiadas y son posibles, tales como pilas de hidrógeno y supercondensadores
entre otros [5,6,11].
La diferencia fundamental entre los HEV y los PHEV es que en los primeros toda la
energía necesaria proviene en última instancia del combustible, es decir, se pretende que el
estado de carga de la batería sea igual al principio y al final del ciclo, por lo que el ahorro de
combustible en un tramo implica que tendremos que proporcionar esa energía más adelante.
Este modo de operación es conocido como Charge Sustaining (CS). En los PHEV la energía
eléctrica proviene de fuentes externas y se pretende que esta energía se haya consumido
4
completamente al final del ciclo de conducción. Este modo de operación es conocido como
Charge depleting (CD).
Figura 1.3. Modos de operación del Chevrolet Volt en función del estado de carga de la batería en una estrategia
CD/CS. La zona azul es el rango de funcionamiento sin emisiones donde se descarga la batería (ICE off), la zona
roja es la zona CS donde se mantiene el SOC (ICE on). La zona verde se corresponde con una recarga externa.
5
En la configuración en serie el motor eléctrico es el que propulsa al vehículo y la
energía se obtiene directamente de la batería o bien de un generador conducido por el ICE. El
primero, por lo tanto, debe estar dimensionado para dar la potencia máxima necesaria para el
vehículo. La energía proveniente del generador puede servir directamente al propulsor o para
cargar la batería. El motor térmico está completamente desacoplado de las ruedas, por lo que
puede funcionar en su zona de máximo rendimiento.
Figura 1.4. Diferencia entre una estrategia CD/CS y una estrategia Blended [21].
6
Figura 1.5. Arquitectura de un vehículo híbrido eléctrico en configuración serie [12].
7
Figura 1.7. Arquitectura de un vehículo híbrido eléctrico en configuración serie-paralelo [12].
Para maximizar las ventajas que ofrecen todas estas configuraciones mecánicas se
hace fundamental la adecuada gestión del flujo de potencia desde las diferentes fuentes de
energía a bordo mediante un algoritmo de control supervisor.
8
Capítulo 2
En este capítulo se repasan las diferentes estrategias que se vienen desarrollando para
la gestión de la energía en HEV y PHEV, haciendo especial hincapié sobre aquellas más
desarrolladas. En general, se pretende actuar de la manera más adecuada sobre los diferentes
grados de libertad del sistema (velocidades o pares del ICE o motores eléctricos), con el
objetivo de minimizar una cierta función, típicamente el consumo de combustible, respetando
ciertas restricciones locales y globales. Esta función a minimizar puede incluir otras variables
como las emisiones contaminantes.
9
2.1. Control heurístico
El control heurístico determina las acciones a realizar mediante el uso de reglas
heurísticas, normalmente booleanas [17,14,18] o de lógica difusa [19], en función del estado
de determinadas variables del sistema controlado. Estas variables pueden ser el estado de
carga de la batería, la velocidad del vehículo o la potencia demandada por el conductor, entre
otras. Esta estrategia no proporciona un resultado óptimo aunque sí bueno en cuanto a
consumo y sostenibilidad de SOC si las reglas están bien definidas. Su uso está ampliamente
extendido por este motivo, además de por su carácter intuitivo y su baja exigencia
computacional. Sin embargo, exige un esfuerzo alto para su ajuste y no permiten tener la total
certeza de su correcto funcionamiento en todas las condiciones, razones que indujeron a
investigar en estrategias más robustas.
Figura 2.1. Ejemplo de elección de estados en función del valor de varias variables del sistema [17].
con
10
sujeto a las siguientes restricciones
Figura 2.2. Secuencia recursiva de búsqueda del camino óptimo entre el estado inicial y el estado final mediante
programación dinámica.
Extrapolándolo al caso de los PHEV, el sistema se suele simplificar definiendo tan solo
el SOC como variable de estado, ya que el coste de cálculo crece exponencialmente con el
número de estas variables, aunque también se contemplan otras alternativas a veces
necesarias, como por ejemplo el estado de la temperatura en la batería o en el motor térmico
[4]. La función de coste suele venir dada por el consumo de combustible realizado, mientras
11
que las restricciones se dan en el estado inicial y final de la batería, y en los límites físicos de
las variables de estado y control. Este tipo de optimización requiere una capacidad de cómputo
muy elevada, además de un conocimiento absoluto del ciclo de conducción ya que es un
proceso iterativo que comienza desde el instante final y evalúa las posibilidades en un proceso
recesivo. Por ello, es difícilmente aplicable directamente a sistemas reales, pero sirve como
benchmark para comparar otro tipo de estrategias implementables en tiempo real. Otros
estudios [21] han demostrado que se pueden utilizar los datos obtenidos para crear leyes de
control basadas en reglas derivadas de estos resultados, aunque siguen siendo muy
dependientes del ciclo de conducción para el que se calcularon las acciones óptimas.
12
El teorema establece las siguientes condiciones necesarias para la dinámica del estado,
estado inicial y final, y dinámica del co-estado respectivamente.
En el siguiente apartado se verá que esta estrategia está muy relacionada con las
estrategias ECMS. Aunque esta última apareció inicialmente por intuición debido al significado
físico que tiene, se puede obtener la expresión analítica de ECMS a partir de PMP. En
definitiva, las dos estrategias comparten la misma idea de reducir el problema de optimización
global a uno instantáneo, ECMS mediante la minimización de un consumo equivalente y PMP
de la función Hamiltoniana. Por ello, en la práctica se suele utilizar la misma expresión del
problema para ambas estrategias, llamándola PMP para el caso offline (condiciones conocidas
a-priori), mientras que ECMS se atribuye a la aplicación online (desconocimiento de
condiciones futuras).
13
2.4. Optimización online. Estrategia de minimización del consumo
equivalente
Esta estrategia fue presentada por primera vez en [27] para el caso de un HEV en
configuración paralelo. Se basa en el hecho de que para una estrategia CS, la energía total
utilizada en todo el ciclo viene dada en última instancia por el ICE, ya que el balance global
deseado del uso de la batería es nulo, . El uso de energía eléctrica que
hace que el estado de carga actual sea menor que el de referencia implica que tendremos que
aportar esa energía mediante el combustible en el futuro. A este consumo extra que se tendrá
que utilizar para la recarga de la batería se le llama Consumo de Combustible Equivalente (EFC,
Equivalent Fuel Consumption).
Figura 2.3 Flujo de energía para un HEV con configuración paralelo para los casos (a) descarga actual de la batería
y flujo necesario en el futuro para mantener el SOC constante, y (b) recarga actual de la batería y flujo de
descarga necesario en el futuro para mantener el SOC constante [27].
14
Por lo tanto, esta estrategia evalúa en cada instante una función de coste formada por
el consumo real de combustible más un consumo equivalente relacionado con el uso de la
batería.
Aunque este método surgió para HEV para los que se utilizan estrategias CS, es
fácilmente aplicable a PHEV donde las estrategias son CD/CS o Blended en las que el estado
final es distinto al inicial. En una estrategia CD/CS, el factor equivalente tendrá una
discontinuidad en el momento en que el SOC llegue al límite mínimo. Antes, su valor será cero
permitiendo que se use toda la energía eléctrica. Después se pasará a una zona CS, de la
misma manera que para los HEV. Si la estrategia es Blended, se necesita alguna información
futura ya que la adaptación online del factor equivalente depende de un valor referencia del
SOC que ya no es constante. Por ejemplo, si se conoce la distancia total del ciclo, se puede
suponer una evolución lineal del SOC con la distancia [4].
15
2.4.1. Relación entre PMP y ECMS
Hemos visto que según el Principio del Mínimo de Pontryagin, se puede reducir el
problema de optimización global a un problema de optimización instantánea sin pérdida de
optimalidad. Esto es posible minimizando en cada instante de tiempo una función
Hamiltoniana dependiente de un parámetro llamado co-estado. El problema se reduce por
tanto a encontrar un valor inicial de este parámetro tal que se cumplan las condiciones dadas
por el teorema.
con
Si llamamos
Tenemos entonces que esta expresión tiene el mismo significado físico que el que se
definió de manera intuitiva en las estrategias ECMS. La potencia del combustible y la potencia
eléctrica se suman por medio del parámetro , al que se llamó factor equivalente. Se trata
por tanto, en ambos casos, de minimizar una función de coste local que toma la forma de un
consumo de combustible total equivalente. En las líneas de investigación más actuales se suele
llamar PMP a la optimización offline que calcula el valor inicial del factor equivalente, y ECMS a
la aplicación online de la estrategia, ambas con la misma función de coste referente a las
potencias.
16
Capítulo 3
3 El Chevrolet Volt
17
3.1. Juego de engranajes planetario
Este es el dispositivo utilizado en el Volt junto con un juego de 3 embragues, C1, C2,
C3, para realizar la repartición de la potencia. El juego planetario del Volt consiste en un
engranaje central llamado Sol, que recibe el par de entrada del motor eléctrico, unos
engranajes que rodean al Sol, llamados satélites, unidos por el portasatélites que proporciona
el par de salida, y un anillo exterior que permite variar la relación de velocidades entre los
anteriores. En este trabajo se ha despreciado el efecto de la inercia de los componentes del
planetario, pero sí se ha tenido en cuenta la eficiencia de la caja de engranajes,
18
Figura 3.1. Arquitectura del sistema de transmisión Voltec.
En este modo C1 está cerrado, frenando el movimiento del anillo, mientras que C2 y C3 están
abiertos, dejando el generador y el ICE sin conectar. De esta manera toda la potencia de
propulsión la provee el motor eléctrico principal mediante la energía de la batería.
19
Figura 3.2. Configuración del sistema Voltec en el modo de funcionamiento con un solo motor eléctrico, EV1.
Figura 3.3. Configuración del sistema Voltec en el modo de funcionamiento con dos motores eléctricos, EV2.
Rango extendido
20
batería a través del primero mientras que toda la potencia de propulsión la proporciona el
motor principal.
Figura 3.4. Configuración del sistema Voltec en el modo de funcionamiento de rango extendido y un solo motor
eléctrico, Serie.
Power-Split
En este modo las tres máquinas están conectadas y pueden proporcionar potencia al eje. Éstas
funcionan con un ratio de velocidad variable que depende de la velocidad de giro del
motor/generador.
Figura 3.5. Configuración del sistema Voltec en el modo de funcionamiento de rango extendido y dos motores
eléctricos, Power-Split.
21
3.3. Batería
El Chevrolet Volt viene equipado con una batería de iones de Litio a diferencia de la
mayoría de HEV que utilizan NiMH. Según General Motors [32], estas baterías tienen grandes
ventajas en cuanto a energía y potencia específica, duración, vida útil, eficiencia, etc. Está
formada por numerosas celdas, 3 cadenas en paralelo de 96 celdas en serie, contenidas dentro
de una estructura en forma de T con un peso total alrededor de los 182 Kg. Almacena una
energía de 16 KWh y es capaz de dispensar una potencia de hasta 110 KW y recibir hasta 60
KW en recarga. El rango de funcionamiento está entre el 95% y 30% para no afectar a su vida
útil, aunque puntualmente se puede llegar hasta el 25% de su capacidad. La batería se puede
recargar mediante una fuente eléctrica doméstica estándar de 240 V en aproximadamente tres
horas (ó 120 V en ocho horas).
parameter value
Total energy capacity 16 kWh
Total Charge Capacity 45 Ah
Total nominal voltage 360 V
SOC range 65%
Number of cells in series 96
Number of strings in 3
parallel
Peak current 400 A
22
Figura 3.6. Circuito equivalente de la batería
3.6
3.5
Uocv [V]
3.4
3.3
3.2
3.1
3
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
SOC [%]
Figura 3.7. Dependencia de la tensión de circuito abierto con el estado de carga de la batería
El parámetro que más interesa es el SOC ya que hay que mantenerlo controlado. Su
variación se puede aproximar por la intensidad dada por la batería y la capacidad total de ésta.
La eficiencia de Faraday se considera igual a 1 suponiendo así que no hay pérdidas en la carga.
23
3.4. Motores eléctricos
Las máquinas eléctricas se han modelado usando una aproximación quasi-estática, por
lo que su operación viene dada por mapas de eficiencia en función del par y la velocidad. La
dinámica de las máquinas se ha despreciado al ser ésta mucho más rápida que la dinámica
global. Ambos motores pueden funcionar descargando y recargando la batería mediante la
frenada regenerativa o mediante la potencia proporcionada por el ICE en el caso del
generador.
0.7 Eficiencia
300 8
0.74
0.
0. 84 Par máximo
86 0.760.740.72Par mínimo
0.72
0.8
0.82
2 0.8 0.
0.84
200 78
0.86
0.78
0.8
0.88
0.8
100
67.472
4
0.8
8 0.8
0.78
0.8
0.84
6 8
0.86
0.760.740.72
0.74
4
0.8 0.78
0.76
-300
. 8 6 74 2
0.82 00.7 0. 0.7
0 100 200 300 400 500 600 700 800 900 1000
Velocidad [rad/s]
Figura 3.8. Eficiencia del motor eléctrico principal y par máximo para zonas de tracción y de frenada regenerativa.
24
Mapa de eficiencia del motor eléctrico
11
40 0
0 Eficiencia
300 90 000
00
00 Par máximo
0 16 0
000 Par mínimo
10 000
200 Límites potencia batería
11 0 16 0
90 00000 000
40 0 0
100 00
11 0000
90 000
40 000
Par [Nm]
10 000
10000 10000
0 -10000
-10000
-1 0000 -40000
-100 -4 0000 -6 0000
-6 0000
0
-200 000
0
-4
-1 000
00
00
-6
-300
0 100 200 300 400 500 600 700 800 900 1000
Velocidad [rad/s]
Figura 3.9. Límites de potencia de la batería frente a las líneas de potencia de potencia del motor eléctrico
principal.
0.9
0.
88
9 2 6
.
0. Par mínimo880.8
2
0.82
0.9
100 2
0.9
0.82
0.92
0.9
0.0.8.84
50
88 6
0
0.9
0.92
Par [Nm]
0.92
0.8
0.88 0.9
0.86
0.84 0.88 0.9 0.82
0.86
0.84 0.48
0.8
6
0 0.82 0.82 0.82
0.84 0.82 0.84 0.8 2
0.84
0.86
0.88 0.9 0.86
0.88 0.9 0.86
0.88 0.9
0.92 0.92
0.82
0.82
-50
0.9
0.8 0.92
0.
0.8.86
9
0 .84
0
8
-100 0.9 6
2 0.48
0.8
0.92
0.9
-150 0.82
0.9 8
0.82 0.88
0.86 0 8806.8
.4
0.84 0.82 0.
-200
0 100 200 300 400 500 600
Velocidad [rad/s]
Figura 3.10. Eficiencia del motor/generador y par máximo para zonas de tracción y de recarga.
25
El motor/generador es una máquina más eficiente que el motor principal como se puede
apreciar en su mapa de eficiencia. Su función es apoyar al motor principal disminuyendo su
velocidad y aportando par, y también actuar como generador con el par aportado por el motor
térmico. Cuando actúan ambos motores la potencia demandada a la batería es
Nótese que esta expresión indica la descarga de la batería cuando el signo es positivo y
recarga cuando es negativo.
Este valor está relacionado con la eficiencia global del motor de la siguiente manera
26
3.5.2. Conjunto ICE-generador
El BSFC del conjunto ICE-generador es el del ICE dividido por la eficiencia del
generador.
Figura 3.11. Proceso de cálculo de la línea de operación óptima del motor térmico.
27
Mapa de eficiencia del motor térmico
0.
0.35 0.34 31
0.3
37 0
0.33 0.34
.
0.32
120 0 .34
35
36 0.
0.35
100 0..34
0
0.35
0.35
80 0.34
0.3
0.33
1
0.33
0.3
Par [Nm]
0.31 0.3
0.32 0.3
60
0.31
0.3 0.25
40
0.25 0.25
20 0.2 0.2 0.2
Eficiencia [%]
Par máximo
0.1 0.1 0.1
0 0 Línea
0 de operación óptima0
Figura 3.12. Eficiencia del motor de combustión interna y puntos de operación óptima.
25 0 26 0
22 0
28 0
33 0
0
300
24
27 0
120 27
27 0 0
0
26
0
26
25
100
0
28 0
26
26 0
80 27
0
Par [Nm]
27 0
28 0
33 0
30 0
60 28 0
30
0
30 0
40
33 0 33 0
400
40 0 400BSFC G [g/KWh]
20 E
Par máximo
Línea de operación óptima
0 400
330
280
300
240
250
260
270
220 400
330
280
300
240
250
260
270
220 400
330
280
300
240
250
260
270
220
500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Velocidad [rpm]
Figura 3.13. Eficiencia del conjunto ICE/generador medida en BSFC y línea de operación óptima.
28
3.6. Dinámica del vehículo
Para hallar la dinámica del vehículo solo las fuerzas longitudinales son consideradas, lo
que lleva al llamado modelo longitudinal del sistema. Si éste es considerado una masa puntual,
su dinámica viene dada según la segunda ley de Newton por
La fuerza inercial viene dada por la fuerza de tracción ejercida por el sistema de
transmisión menos las fuerzas de rozamiento, aerodinámica y la debida a la pendiente.
es la componente vertical del peso del vehículo mientras que y se pueden obtener
de manera conjunta experimentalmente resultando una expresión cuadrática del tipo
donde es la densidad del aire, Af el área frontal del coche y Cd el coeficiente de resistencia
aerodinámica.
Según esta expresión la aceleración es calculada como una consecuencia de las fuerzas
de tracción ejercidas por la transmisión, y obviamente por el resto de fuerzas disipativas, y la
velocidad es obtenida integrándola. Esta aproximación es conocida como Forward o hacia
adelante, que expresa la causalidad física del sistema.
Por otra parte, la ecuación del modelo dinámico se puede expresar como
29
En este caso, se calcula la fuerza de tracción necesaria para seguir una velocidad y
aceleración dadas por un ciclo de conducción conocido. Esta aproximación es conocida como
backward o hacia atrás.
3.7. Simulador
El simulador proporcionado del Chevrolet Volt es un simulador quasi-estático, tipo
forward, que cuenta con el modelo dinámico longitudinal del vehículo, modelo dinámico de la
batería y mapas estacionarios de las máquinas eléctricas y el motor térmico. Recibe desde el
control supervisor las referencias para los puntos de operación de las máquinas y para el
estado de los embragues y el ICE, limitando la respuesta de las máquinas si fuese necesario en
función de sus limitaciones físicas, y calcula el consumo de batería y de combustible. El
resultado final del par de transmisión es aplicado al modelo longitudinal del vehículo
obteniendo la velocidad.
Figura 3.14. Simulador del Chevrolet Volt proporcionado para el Benchmark de ECOSM 2012.
Existen ciertas limitaciones en el funcionamiento del ICE. Para que éste funcione
correctamente debe estar activa una bandera, además debe estar conectado al generador y la
velocidad debe ser mayor al límite inferior establecido w_launch. Cuando se enciende el
motor, existe un par negativo durante un segundo. Además, si el ICE se conecta al generador
estando desactivada la bandera, o siendo la velocidad menor a w_launch, actuará como una
30
carga para el generador proporcionando un par negativo. El consumo solo es igual a cero
cuando la bandera está desactivada, en otro caso tiene un consumo mínimo aunque no
proporcione par. La tasa de cambio de la velocidad del generador, y por tanto la del ICE está
limitada a 200 rad/s. El modelo proporciona avisos cuando se sobrepasan las limitaciones del
motor eléctrico o la batería, efecto que debe evitarse.
31
Capítulo 4
Se ha hablado en este trabajo sobre las ventajas de los vehículos hibridizados frente a
los convencionales en cuanto a eficiencia en el consumo y las emisiones contaminantes. Esto
es debido a las diferentes fuentes de energía que están a bordo del vehículo y que permiten un
uso eficiente de ella según convenga. Por lo tanto es necesario un sistema de control
supervisor que gestione convenientemente la energía.
Una de las estrategias más utilizadas en los HEV y PHEV que están actualmente en el
mercado es la que se basa en reglas.
32
Por lo tanto, vemos que podemos decidir el modo de funcionamiento a partir de dos
variables, la velocidad del vehículo y el SOC. Además, la potencia que la batería puede dar a los
motores eléctricos es limitada, por lo que también se debe tener en cuenta la potencia
demandada. Si ésta es menor o igual a la potencia que puede aportar la batería teniendo en
cuenta las pérdidas, entonces podemos funcionar en los modos eléctricos, en otro caso,
deberemos funcionar en los modos híbridos aportando la potencia necesaria con el ICE. En los
modos eléctricos,
En la práctica, los cambios de estado que vienen dados por el cambio de dos o más
variables en el mismo instante son altamente improbables, pero siendo estrictos se han
incluido en el diagrama.
33
Así mismo, en la frenada regenerativa podemos recuperar como máximo la energía
dada por el par de regeneración límite, siendo necesario aplicar el resto de par mediante el
freno mecánico si fuese necesario.
El punto de operación del motor eléctrico principal viene forzado por el par
demandado, la velocidad del vehículo y el modo de funcionamiento actual. El generador se
hace funcionar a una velocidad constante en el modo EV2, sobre 1500 rpm según el video de la
simulación. Con ello se reduce la velocidad del motor principal permitiéndole dar más par. El
punto de operación del ICE se elige dentro de la zona de máxima eficiencia, dada por la gráfica
de consumo.
Estas reglas son apropiadas para mantener el SOC dentro de los límites y satisfacer la
demanda de potencia, respetando todas las restricciones, para todos los ciclos de conducción
probados a excepción del ciclo VAIL2NREL. Esto es debido a que el perfil de este recorrido no
es llano, sino que incluye la pendiente que no se ha tenido en cuenta en el control, ya que no
se permitía el acceso a esta información. Si pudiésemos utilizar este dato, fácilmente accesible
mediante mapas topológicos y GPS, se podría corregir el control para obtener mejores
resultados.
En este trabajo como en otros [27,28], por el significado físico que tiene, se toma como
Hamiltoniana la función que derivó desde PMP hacia ECMS. Se trata de una optimización
34
offline donde es necesario conocer el ciclo de conducción a-priori para poder ajustar el co-
estado con el objetivo de satisfacer la restricción en el SOC final.
con
Por supuesto, el rendimiento de los motores depende del signo del par.
con
Si podemos despreciar el efecto del SOC en la Hamiltoniana entonces podemos decir que el
estado adjunto es constante
35
siendo dependiente del ciclo de conducción. Este valor se halla evaluando el problema de
manera iterativa hasta que obtenemos el consumo deseado de energía de la batería.
Figura 4.2. Diagrama de flujo del algoritmo de optimización basado en el Principio del Mínimo de Pontryagin.
, ,
36
Si separamos el vector en variables dependientes e independientes podemos expresar la
ecuación () como
A partir del ciclo de conducción obtenemos la referencia y podemos obtener los valores de
que resulten en la respuesta que minimiza el coste. Estos vectores toman valores
continuos, pero para la implementación se usa un conjunto de N valores admisibles entre los
límites físicos de las variables. Los valores de que violen esos límites físicos de son
descartados asignándoles un valor muy alto a la Hamiltoniana.
Para evitar excesivos cambios en el modo de funcionamiento, aquellos casos en los que el
beneficio no sea significativo son despreciados. Para ello se cambia de modo cuando el valor
de la Hamiltoniana en el nuevo modo es mucho menor que el valor que toma en el modo
actual. En este trabajo se ha considerado suficiente una diferencia de 104 kW.
37
Para que la estrategia sea aplicable online con el conocimiento de, tan solo, los datos
en el instante actual de operación, el factor equivalente debe ser capaz de ajustarse para
conseguir el SOC deseado al final del ciclo. Existen diferentes estudios sobre cómo hacerlo
[29,31], aunque un método muy común es haciendo un control PI sobre el estado de carga,
donde existen tres parámetros que variar, , y . En el caso de los PHEV, puede no
mantenerse constante ya que no se tiene que sostener el SOC, sino llevarlo a un estado final
diferente. Para ello, también se puede calcular la referencia en cada instante utilizando
información sobre la distancia recorrida y la distancia total del ciclo, información fácil de
obtener mediante un dispositivo GPS.
Figura 4.3. Diagrama de bloques de la adaptación basada en la realimentación del estado de carga [31].
En esta ocasión, no hay que calcular la referencia a partir del ciclo de conducción y del
modelo dinámico, sino que el par deseado y la velocidad vienen dados por el bloque
precedente (Ciclo de conducción + Conductor). Además, la llamada al bloque se produce en
cada instante de muestreo y se estima el factor equivalente a partir de la realimentación del
estado de carga sin necesidad de iterar durante todo el ciclo.
38
Pseudocódigo ECMS:
En cada instante
Leer par deseado y velocidad
Estimar factor equivalente, s
Para cada modo de funcionamiento
Para cada control, u
Calcular salidas modelo, y
Calcular función de coste, H
Fin para
Fin para
Encontrar control y modo óptimos
Fin para
39
Capítulo 5
En este apartado se presentan los resultados obtenidos para las distintas estrategias
aplicadas en el simulador del Chevrolet Volt. El objetivo es comparar los diferentes bloques de
control supervisor diseñados en cuanto a trayectorias temporales de las variables así como
consumo y variaciones del estado de carga. Para ello se han considerado diferentes ciclos
regulatorios estándar tanto de los Estados Unidos como de Europa, así como los utilizados en
el Benchmark propuesto, realizando varios ciclos si fuese necesario para estudiar la descarga
completa de la energía de la batería.
40
Velocidad del vehículo
150
Velocidad del ciclo
100 Velocidad en simulación
-50
0 200 400 600 800 1000 1200
Pares eléctricos
200 Par motor eléctrico
Par motor/generador
100
Par [Nm]
-100
-200
0 200 400 600 800 1000 1200
90
85
0 200 400 600 800 1000 1200
Tiempo [s]
Figura 5.1. Velocidad del vehículo y modos de funcionamiento junto a las contribuciones de las máquinas
eléctricas y evolución del estado de carga en un ciclo NEDC.
1
Artemis extra urban
2
Artemis Highway
41
Velocidad del vehículo
150
Power Split
Velocidad del ciclo
Serie
100 Velocidad en simulación
Vveh [km/h]
50
EV1
0
-50
0 200 400 600 800 1000 1200
Pares eléctricos
200 Par motor eléctrico
Par motor/generador
100
Par [Nm]
-100
-200
0 200 400 600 800 1000 1200
50
Par [Nm]
-50
0 200 400 600 800 1000 1200
Tiempo [s]
Figura 5.2. Velocidad del vehículo, modos de funcionamiento y aportaciones de las máquinas eléctricas y el motor
térmico en un ciclo NEDC bajo en carga.
Figura 5.3. Evolución del estado de carga llegando al límite del 30% y subiendo hasta el límite superior del 33%.
El control heurístico no es un control fiable frente a ciclos que no han sido probados y
su respuesta no es óptima en ningún caso. Además es especialmente ineficiente cuando se
trata de ciclos con elevación ya que no se tiene la información del perfil.
42
ésta basada en el PMP y la compararemos con la anterior basada en reglas y con la estrategia
ECMS. Para ver el comportamiento de esta estrategia en primer lugar vamos a suponer que la
batería está próxima al umbral mínimo de carga, en el 35%. Así podemos comprobar el
comportamiento de sostenibilidad del SOC con un solo ciclo, ahorrando tiempo de cálculo, ya
que serían necesarios varios ciclos para descargar completamente la batería. El problema
consiste entonces en encontrar un valor adecuado del factor equivalente para que el estado
de carga vaya en un ciclo desde el 35% inicial hasta el 30% final.
34
32
SOC [%]
30
28
so = 1
26 s o = 2.5
s o = 2.657
so = 3
24
0 200 400 600 800 1000 1200
Time [s]
Figura 5.4. Evolución del estado de carga con diferentes valores del factor equivalente en un ciclo de NEDC.
43
puede apreciar la influencia del factor equivalente en la evolución del estado de carga y en el
consumo eléctrico y de combustible.
60
50
40
30
20
0 2000 4000 6000 8000 10000 12000
Time [s]
Figura 5.5. Evolución temporal del estado de carga en 10 ciclos NEDC para diferentes valores del factor
equivalente.
10.5
Energía consumida [kWh]
10
9.5
8.5
8
2.54 2.56 2.58 2.6 2.62 2.64 2.66 2.68
Factor equivalente
Figura 5.6. Consumo de energía eléctrica en función del factor equivalente para 10 ciclos NEDC.
44
Influencia del factor equivalente en el consumo total
4.5
3.5
Consumo [l/100km]
3
2.5
1.5
1 Consumo de combustible
Consumo equivalente
0.5
2.54 2.56 2.58 2.6 2.62 2.64 2.66 2.68
Factor equivalente
Figura 5.7. Consumo de combustible en función del factor equivalente para 10 ciclos NEDC.
En la figura 5.8 se muestra el reparto de pares durante un periodo de tiempo igual al segundo
ciclo de los 10 NEDC. En este caso se funciona en modo EV1 a bajas velocidades y el algoritmo
de optimización decide cambiar a modo Power-Split en altas velocidades.
100
50
0
1200 1400 1600 1800 2000 2200
Pares eléctricos
200
Par motor eléctrico
100 Par motor/generador
Par [Nm]
-100
-200
1200 1400 1600 1800 2000 2200
50
Figura 5.8. Detalle de un ciclo durante la prueba de optimización offline de 10 ciclos NEDC. Velocidad del
vehículo, modos de funcionamiento y reparto de pares eléctricos y del motor térmico.
45
La optimización offline, realizada en Matlab©, es un control en lazo abierto, ya que no
recibe información de posibles errores sobre la velocidad. El algoritmo nos proporciona la
secuencia de setpoints que recibe el modelo del vehículo como entradas y el factor
equivalente que produce el consumo de energía eléctrica deseado, suponiendo la trayectoria
perfecta de la velocidad. Estos valores aplicados al simulador de Simulink© producen
desviaciones en los resultados, porque es un modelo más dinámico, que tiene en cuenta
mediante el bloque del conductor desviaciones en la velocidad producidas por pequeños
errores en los setpoints. Estos errores pueden deberse a factores matemáticos como la
interpolación o a factores físicos como el arranque del motor. Por lo tanto se hace necesario
cerrar el lazo realizando la optimización online.
La figura 5.9 compara la evolución del par del motor térmico en los últimos 200 seg. de
NEDC y del SOC en el ciclo completo obtenido con ambas optimizaciones, offline y online. Se
observa el efecto de arranque del ICE produciendo un par negativo. Este efecto, como la
corrección en el par demandado mostrada en la figura 5.10, producen las diferencias en la
trayectoria del SOC.
Para comparar esta estrategia con las anteriores en términos de resultados globales,
consumo y estado de carga, se ha realizado la misma prueba durante 10 ciclos NEDC
obteniendo un resultado de consumo de 0.95 l/100km y . Se puede observar
que con el mismo valor del factor equivalente ha habido una desviación en el SOC de un 1%
con respecto a la optimización offline debido fundamentalmente a los efectos del simulador
que no se tienen en cuenta en la estrategia offline. La tabla 4 muestra los resultados obtenidos
con el control heurístico, la optimización offline y la estrategia ECMS para 10 ciclos NEDC.
46
Tabla 4. Comparativa de consumo y estado final de carga entre los tres algoritmos desarrollados para 10 ciclos
NEDC.
l/100km leq/100km
Heurístico 1.04 4.41 31.3%
PMP offline 1.01 4.36 31.8%
ECMS online3 0.95 4.24 32.8%
32
30
28
0 200 400 600 800 1000 1200
Time [s]
Evolución del par del ICE
100
Optimización offline. s o=2.657
Optimización online. s o=2.657
Teng [Nm]
50
Figura 5.9. Comparativa de la evolución del estado de carga y el par del motor térmico de las optimizaciones
offline y online de un ciclo NEDC.
Hasta ahora, el valor del factor equivalente continúa siendo constante y válido solo
para el ciclo para el que ha sido calculado en principio. Para adaptarse a errores como el
anterior en el ajuste del valor óptimo, y al cambio de ciclo de conducción debemos ajustar los
parámetros de la estrategia. El parámetro es el componente en lazo abierto de la
estimación. Se puede elegir a partir de la optimización offline como , pero sigue siendo
dependiente del ciclo. La ganancia proporcional debe elegirse de forma que corrija errores
en la estimación y limite el rango máximo de variación del SOC, mientras que la ganancia
integral debe corregir el error de SOC acumulado y permite que la estrategia sea válida en
diferentes condiciones.
3
Utilizando el factor equivalente constante calculado offline
47
Corrección del par deseado
800
Optimización offline. s o=2.657
600
Optimización online. s o=2.657
400
200
Par demandado [Nm]
-200
-400
-600
-800
-1000
600 650 700 750 800 850 900 950 1000
Tiempo [s]
Figura 5.10. Corrección en el par demandado procedente del modelo del conductor simulado como un control PI.
100
50
0
1200 1400 1600 1800 2000 2200
Pares eléctricos
200
Par motor eléctrico
100 Par motor/generador
Par [Nm]
-100
-200
1200 1400 1600 1800 2000 2200
50
Figura 5.11. Detalle de un ciclo durante la prueba de optimización online de 10 ciclos NEDC. Velocidad del
vehículo, modos de funcionamiento y reparto de pares eléctricos y del motor térmico.
48
Para determinar la influencia de la ganancia proporcional en la trayectoria del SOC y
en la amplitud de las desviaciones respecto al SOC referencia, , se ha simulado el mismo
ciclo NEDC para distintos valores del parámetro. El valor de se ha elegido ligeramente
diferente al valor óptimo encontrado anteriormente. La presencia del control proporcional
tiende a mantener el SOC dentro de un rango respecto al de referencia. Las figuras 5.12 y 5.13
muestran el consumo y la desviación del estado de carga en función de la ganancia , así
como la evolución temporal del SOC. Se aprecia claramente que el consumo aumenta cuando
se reduce la amplitud de la desviación del SOC. Se ha elegido un valor tal que las desviaciones
son menores al 3.5% respecto a la referencia .
Consumo de combustible
1.5
Consumo [l/100km]
0.5
0
0 1 2 3 4 5 6 7
Desviación máxima
5
4.5
dSOC [%]
3.5
3
0 1 2 3 4 5 6 7
ganancia proporcional s1
Figura 5.12. Consumo y desviación máxima de SOC en función de s1 para un ciclo NEDC y SOC inicial .
49
Corrección del término proporcional
0.36
0.34
s0=sopt=2.657 , s 1=0
0.32 s0=2.5 , s 1=0
SOC [%]
s0=2.5 ,s 1=1
0.3 s0=2.5 , s 1=3
s0=2.5 , s 1=5
0.28
s0=2.5 , s 1=7
Referencia SOC
0.26
0 200 400 600 800 1000 1200
3.5
modo de funcionamiento
3
s0=sopt=2.657 , s 1=0
2.5 s0=2.5 , s 1=0
s0=2.5 ,s 1=1
2
s0=2.5 , s 1=3
s0=2.5 , s 1=5
1.5
s0=2.5 , s 1=7
1
0 200 400 600 800 1000 1200
Tiempo [s]
Figura 5.13. Evolución temporal del SOC y cambios del modo de funcionamiento para diferentes ajustes de s0 y s1
en el ciclo NEDC.
Por último, para que la estrategia sea aplicable a otros ciclos sin necesidad de reajustar
manualmente los parámetros, es necesario establecer un valor adecuado a la ganancia
integral. Se han hecho varias ensayos con diferentes valores de y se puede apreciar en la
figura 5.15 que se tiende a corregir el error acumulado en el estado de carga. En adelante, se
ha elegido un valor cuyo resultado no ha afectado demasiado al consumo y deja el
estado de carga en un valor final .
50
Efecto de la histéresis
36
34
SOC [%]
32 Referencia SOC
x=0
30 x=7 kW
x=10 kW
28
0 200 400 600 800 1000 1200
4
Modo de funcionamiento
x=0
x=7 kW
3 x=10 kW
1
0 200 400 600 800 1000 1200
Consumo equivalente [l/100km]
4.15
4.1
4.05
3.95
3.9
0 1 2 3 4 5 6 7 8 9 10
x [kW]
Figura 5.14. Efecto de la histéresis sobre el SOC, el modo de funcionamiento y el consumo equivalente en el ciclo
NEDC.
4.8
Consumo equivalente [l/100km]
4.6
4.4
4.2
3.8
3.6
3.4
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16
ganancia integral s2
36
34
32
SOC [%]
Referencia SOC
30 s2=0
s2=0.05
28 s2=0.1
s2=0.15
26
0 200 400 600 800 1000 1200
Tiempo [s]
Figura 5.15. Consumo y evolución de SOC en función de s2 para un ciclo NEDC y SOC inicial .
51
A continuación veremos que con este ajuste de los parámetros realizados para el ciclo
NEDC, el controlador es capaz de proporcionar la potencia demandada respetando todas las
restricciones para cualquier otro ciclo. Para ello se han hecho simulaciones utilizando ciclos
más exigentes que el estándar NEDC. Las figuras 5.16 y 5.17 muestran los resultados obtenidos
para los ciclos Artemis extra urban y Artemis Highway que representan de manera más fiel las
condiciones reales de conducción (Ver anexo A para más detalles sobre los ciclos).
100
Vveh [km/h]
50
-50
0 100 200 300 400 500 600 700 800 900 1000
32
30
28
0 100 200 300 400 500 600 700 800 900 1000
Tiempo [s]
Figura 5.16. Velocidad y modos de funcionamiento durante un ciclo Artemis extra urban con la batería
inicialmente en y los parámetros ajustados en ciclo NEDC.
Tabla 5. Comparativa de resultados globales de consumo y estado de carga utilizando ECMS para tres ciclos
distintos.
52
Pares eléctricos
400 Par motor eléctrico
Par motor/generador
200
Par [Nm]
0
-200
-400
0 100 200 300 400 500 600 700 800 900 1000
50
-50
0 100 200 300 400 500 600 700 800 900 1000
Tiempo [s]
Figura 5.17. Reparto de pares durante un ciclo Artemis extra urban con la batería inicialmente en y los
parámetros ajustados en ciclo NEDC.
100
0
Velocidad
modo
-100
0 200 400 600 800 1000 1200
32
30
28
0 200 400 600 800 1000 1200
Tiempo [s]
Figura 5.18. Velocidad y modos de funcionamiento durante un ciclo Artemis highway con la batería inicialmente
en y los parámetros ajustados en ciclo NEDC.
53
Pares eléctricos
200
Par [Nm] 0
-200
Par motor eléctrico
Par motor/generador
-400
0 200 400 600 800 1000 1200
50
-50
0 200 400 600 800 1000 1200
Tiempo [s]
Figura 5.19. Reparto de pares durante un ciclo Artemis highway con la batería inicialmente en y los
parámetros ajustados en ciclo NEDC.
54
Capítulo 6
6 Conclusiones
55
Se ha comprobado que ECMS es una implementación directa de la solución basada en
el Principio del Mínimo de Pontryagin si la formulación del problema es la apropiada, por lo
que es una solución muy próxima a la solución óptima. Se han realizado comparativas entre
tres estrategias, de las cuales, dos son implementables en tiempo real, la basada en reglas y
ECMS. El resultado de esta última es quasi-óptimo, pero requiere un estudio muy profundo del
problema para ajustar varios parámetros que permiten una buena adaptación del llamado
factor equivalente.
56
Anexo A. Ciclos regulatorios
Todas las simulaciones se han realizado con distintos ciclos regulatorios estándar, que
cubren diferentes condiciones de conducción. Se han usado los siguientes:
NEDC
150
Velocidad [km/h]
100
50
0
0 200 400 600 800 1000 1200
1000
Par deseado [Nm]
500
-500
-1000
0 200 400 600 800 1000 1200
Tiempo [s]
Los ciclos Artemis (Assessment and reliability of transport emission models and
inventory systems) aparecieron como un proyecto europeo para evaluar las emisiones
contaminantes de los vehículos de forma más próxima a la realidad. Este reproduce
condiciones de conducción entre ciudad y carreteras secundarias.
57
Artemis extra urban
200
Velocidad [km/h]
150
100
50
0
0 100 200 300 400 500 600 700 800 900 1000
2000
Par deseado [Nm]
1000
-1000
-2000
-3000
0 100 200 300 400 500 600 700 800 900 1000
Tiempo [s]
Figura 6.2. Perfil de velocidad y potencia demandada en el ciclo regulatorio Artemis extra urban.
Artemis highway
Representa una conducción en autopista con una velocidad máxima de 150 km/h.
Artemis highway
200
Velocidad [km/h]
150
100
50
0
0 100 200 300 400 500 600 700 800 900 1000
1000
Par deseado [Nm]
-1000
-2000
0 100 200 300 400 500 600 700 800 900 1000
Tiempo [s]
Figura 6.3. Perfil de velocidad y potencia demandada en el ciclo regulatorio Artemis highway.
58
Bibliografía
[1] Regulación (EC) No 443/2009. Diario oficial de la Unión Europea. DO L 140 5.6.2009 p1.
[Disponible online]. http://eur-
lex.europa.eu/LexUriServ/LexUriServ.do?uri=OJ:L:2009:140:0063:008:en:PDF
[2] Decisión del Consejo de la Unión Europea. 94/69/EC. Diario Oficial de la Unión Europea
DO L 33 7.2.94 p.11-28. [Disponible online]. http://eur-
lex.europa.eu/LexUriServ/LexUriServ.do?uri=OJ:L:1994:033:0011:0028:EN:PDF
[6] M. Ehsani, Y. Gao, S. E. Gay, A. Emadi, Modern Electric, Hybrid Electric and Fuel Cell
Vehicles: Fundamentals, Theory and Design. CRC Press, 2005.
[7] L. Serrao, A comparative analysis of energy management strategies for hybrid electric
vehicles, Tesis de master, The Ohio State University, 2009.
[8] K. Koprubasi, Modelling and control of a hybrid electric vehicle for drivability and fuel
economy improvements, Tesis de master, The Ohio State University, 2008.
[9] D. Ambühl, Energy management strategies for hybrid electric vehicles, Tesis Ph.D., ETH
Zurich, 2009.
[10] O. Sundström, Optimal control and design of hybrid electric vehicles, Tesis Ph.D., ETH
Zurich, 2009.
59
[11] C. Bordons, M. A. Ridao, A. Pérez, A. Arce, D. Marcos, Model Predictive Control for
Power Management in Hybrid Fuel Cell Vehicles, Vehicle Power and Propulsion
Conference (VPPC), 2010 IEEE, pp. 1-6
[13] Autonomie software webpage (U.S. Department of Energy and Argonne National
Laboratory program). http://www.autonomie.net/references/HEV_26d.html
[14] Karbowski, D., Kwon, J., Kim, N., and Rousseau, A., "Instantaneously Optimized
Controller for a Multimode Hybrid Electric Vehicle," SAE Technical Paper 2010-01-
0816, 2010, doi:10.4271/2010-01-0816.
[15] N. Kim and A. Rousseau, Assessment by Simulation of Benefits of New HEV Powertrain
Configurations, Proceedings of the International Scientific Conference on Hybrid and
Electric Vehicles (RHEVE), 2011.
[18] C. Ma, J. Ji, S. Ko, M. Song, . Park, H. Kim, Comparative Study on Power Characteristics
and Control Strategies for PHEV, Vehicle Power and Propulsion Conference (VPPC),
2011 IEEE.
60
[21] S. Pagerit, D. Karbowski, S. Bittner, A. Rousseau, P. Sharer, G. Sharma, PHEV Control
Strategy Optimization Using MATLAB Distributed Computing: From Pattern to Tuning,
MathWorks Automotive Conference, 2008.
[22] R. Bellman, Dynamic Programming, Princeton University Press, Princeton, New Jersey,
1957.
[23] R. Bellman, R. E. Kalaba, Dynamic programming and modern control theory, New York:
Academic Press, 1965, pp. 195-209.
[25] N. Kim, S. Cha, H. Peng, Optimal Control of Hybrid Electric Vehicle base on Pontryagin
Minumun Principle, IEEE Transactions on Control Systems Technology, Vol. 19, No.5,
September 2011, pp. 1279-1287.
[26] Simulación Chevrolet Volt. [Disponible Online] Canal youtube, The Quintek Group.
http://www.youtube.com/watch?v=AX5ZwzNwTc4
[29] C. Musardo, G. Rizzoni, B. Staccia, A-ECMS: An adaptive Algorithm for Hybrid Electric
Vehicle Energy Management, Proceedings of the 44th IEEE Conference on Decision and
Control, and the European Control Conference 2005, pp.1816,1823.
[30] A. Sciarretta, M. Back, L. Guzzella, Optimal Control of Parallel Hybrid Electric Vehicles,
IEEE transactions on control systems technology, vol. 12, no. 3, pp. 352-363, may 2004.
61
[32] Chevrolet Volt Battery, Web de General Motors, [Disponible online]
http://media.gm.com/content/dam/Media/microsites/product/volt/docs/battery_101
.pdf
[33] B. Zuurendonk, Advanced Fuel Consumption and Emission Modelling using Willans Line
Scaling Techniques for Engines, Internship Report, Technische Universiteit Eindhoven.
62