Estratégia Inovadora para Caminhões Elétricos
Em um avanço significativo para os veículos elétricos com autonomia extendida (R-EEV), pesquisadores da Universidade de Ciência e Tecnologia de Kunming desenvolveram uma nova estratégia de gerenciamento de energia que melhora substancialmente o desempenho e a eficiência do veículo. O estudo, liderado por Sun Yunxiang, Wang Guiyong e Wang Weichao, apresenta uma abordagem inovadora utilizando um algoritmo de otimização de efêmeras aprimorado (IMA) para otimizar o sistema de gerenciamento de energia de um caminhão leve R-EEV. Este progresso não apenas melhora o desempenho geral do veículo, mas também estabelece um novo padrão para a integração de algoritmos avançados na engenharia automotiva.
A pesquisa, publicada na revista Mechanical Science and Technology for Aerospace Engineering, aborda o desafio crítico de equilibrar a economia de combustível, as emissões e a vida útil da bateria nos veículos R-EEV. Esses veículos, que combinam um sistema de tração elétrica com uma unidade de potência auxiliar (APU) tipicamente alimentada por um pequeno motor de combustão interna, oferecem uma solução prática para as limitações de autonomia dos veículos elétricos puros. No entanto, otimizar o sistema de gerenciamento de energia para garantir uma operação eficiente e sustentável tem sido uma tarefa complexa, especialmente em condições de condução dinâmicas.
Sun Yunxiang, estudante de mestrado na Universidade de Ciência e Tecnologia de Kunming, e sua equipe reconheceram a necessidade de uma estratégia de controle mais sofisticada que pudesse se adaptar a condições de condução variáveis enquanto mantém um desempenho ótimo. As estratégias tradicionais de gerenciamento de energia, como as estratégias termostáticas e de acompanhamento de potência, muitas vezes não conseguem alcançar um desempenho equilibrado em múltiplos objetivos. A estratégia termostática, por exemplo, foca em manter um ponto de operação constante para a APU, o que pode levar a um consumo de combustível subótimo e um aumento nas emissões. Por outro lado, a estratégia de acompanhamento de potência, embora mais responsiva às mudanças na demanda, pode resultar em mudanças frequentes na APU, reduzindo a eficiência e aumentando o desgaste do motor.
Para superar essas limitações, a equipe desenvolveu uma estratégia de controle de gerenciamento de energia de múltiplos pontos baseada no algoritmo de otimização de efêmeras aprimorado. O IMA é uma técnica de otimização inspirada na natureza que imita o comportamento de acasalamento das efêmeras. Combina elementos da otimização por enxame de partículas, algoritmos genéticos e algoritmos de vaga-lumes, fornecendo uma estrutura robusta para resolver problemas de otimização complexos. A inovação-chave no IMA é a introdução de fatores de aprendizado dinâmicos e de aprendizado global, que melhoram a capacidade do algoritmo de explorar o espaço de soluções nas fases iniciais da otimização e convergir rapidamente nas fases posteriores.
Os pesquisadores começaram estabelecendo um modelo de otimização multiobjetivo para o R-EEV, levando em consideração vários indicadores de desempenho, como economia de combustível, emissões (NOx, HC, CO) e vida útil da bateria. O modelo foi projetado para avaliar o desempenho geral do veículo sob diferentes condições de operação. Para garantir a precisão e confiabilidade do processo de otimização, a equipe utilizou dados experimentais para calibrar os indicadores de desempenho de cada componente do trem de força, incluindo motor, gerador e bateria.
O processo de otimização envolveu definir o espaço de soluções usando a velocidade e o torque da APU como variáveis. Cada indivíduo de efêmera no algoritmo representava uma solução potencial, e a função de aptidão foi projetada para minimizar a soma dos indicadores de desempenho ponderados. Em seguida, o IMA foi aplicado para realizar uma otimização offline, buscando os pontos de operação ótimos que maximizariam o desempenho geral do veículo.
Um dos principais desafios na implementação da estratégia de gerenciamento de energia otimizada foi garantir o controle em tempo real da APU. Para resolver isso, a equipe desenvolveu um controlador fuzzy que utiliza a potência de demanda do veículo e a variação do estado de carga (SOC) da bateria como parâmetros de entrada. O controlador fuzzy ajusta dinamicamente o tempo mínimo de manutenção do ponto de operação atual da APU, evitando mudanças frequentes e garantindo uma operação estável. As regras do controlador foram projetadas para equilibrar os compromissos entre eficiência de combustível, emissões e saúde da bateria, com base nas condições de condução em tempo real.
A eficácia da estratégia proposta de controle de gerenciamento de energia de múltiplos pontos foi avaliada por meio de extensas simulações utilizando MATLAB/Simulink e CRUISE, um software amplamente utilizado para simulação de dinâmica de veículos e trens de força. As simulações foram realizadas sob o Procedimento de Teste de Veículos Leves do Mundo (WLTP), um ciclo de condução padronizado que imita de perto as condições de condução do mundo real. Os resultados foram comparados com os obtidos utilizando as estratégias termostáticas e de acompanhamento de potência tradicionais.
Os resultados das simulações demonstraram uma melhoria significativa no desempenho geral do R-EEV ao utilizar a estratégia de gerenciamento de energia de múltiplos pontos baseada no IMA. Em comparação com a estratégia termostática, a nova abordagem alcançou uma melhoria de 16,2% no desempenho integral, enquanto superou a estratégia de acompanhamento de potência em 7,8%. As melhorias foram particularmente notáveis em termos de economia de combustível e emissões. A estratégia baseada no IMA reduziu o consumo específico de combustível em 8,328 g/(kW·h) em comparação com a estratégia de acompanhamento de potência, e também alcançou emissões mais baixas de NOx, CO e THC.
Além das melhorias no desempenho, a estratégia baseada no IMA também contribuiu para uma melhor gestão da bateria. A variação do SOC da bateria foi mantida dentro de uma faixa moderada, reduzindo o risco de sobrecarga e prolongando a vida útil da bateria. As ampere-horas (A·h) acumuladas absolutas durante o ciclo de teste foram significativamente menores do que as observadas com a estratégia termostática, indicando um uso mais equilibrado e sustentável da bateria.
Os pesquisadores também realizaram uma análise detalhada das condições de operação da APU sob as diferentes estratégias de controle. Os resultados mostraram que a estratégia baseada no IMA reduziu efetivamente a frequência de mudança da APU, levando a uma operação mais estável e eficiente. Isso, por sua vez, contribuiu para a melhoria geral do desempenho do veículo e reduziu o desgaste do motor.
Os resultados do estudo têm implicações importantes para o futuro da tecnologia R-EEV. Ao demonstrar a eficácia da estratégia de gerenciamento de energia de múltiplos pontos baseada no IMA, os pesquisadores forneceram uma ferramenta valiosa para engenheiros automotivos e fabricantes. A estratégia pode ser adaptada a diferentes plataformas de veículos e condições de condução, tornando-a uma solução versátil para melhorar a eficiência e sustentabilidade dos veículos R-EEV.
Além disso, o uso de algoritmos de otimização avançados como o IMA destaca a crescente importância dos métodos computacionais na engenharia automotiva. À medida que os veículos se tornam cada vez mais complexos, com múltiplos sistemas e componentes interativos, a capacidade de otimizar o desempenho através de algoritmos sofisticados se tornará ainda mais crítica. O IMA, com suas capacidades aprimoradas de busca global e convergência mais rápida, representa um passo significativo nessa direção.
A pesquisa também enfatiza a importância da colaboração interdisciplinar para enfrentar desafios de engenharia complexos. A equipe da Universidade de Ciência e Tecnologia de Kunming reuniu especializações em engenharia mecânica, ciência da computação e sistemas de controle para desenvolver uma solução abrangente. Essa abordagem colaborativa provavelmente será uma característica dos avanços futuros no campo.
Em conclusão, o trabalho de Sun Yunxiang, Wang Guiyong e Wang Weichao representa uma contribuição significativa para o campo do gerenciamento de energia de veículos R-EEV. Seu uso inovador do algoritmo de otimização de efêmeras aprimorado não apenas melhorou o desempenho de um caminhão leve R-EEV, mas também estabeleceu um novo padrão para a integração de algoritmos avançados na engenharia automotiva. À medida que a indústria automotiva continua a evoluir, os insights obtidos deste estudo desempenharão um papel crucial na configuração do futuro do transporte sustentável.
Sun Yunxiang, Wang Guiyong, Wang Weichao, et al., Mechanical Science and Technology for Aerospace Engineering, DOI: 10.13433/j.cnki.1003-8728.20230067