KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2023 / Cilt: 38 - Sayı: 3

Güç paylaşımlı hibrit elektrikli araçlar için Monte Carlo algoritması kullanarak öngörülü eşdeğer tüketim minimizasyon stratejisi

Predictive equivalent consumption minimization strategy for power-split hybrid electric vehicles using Monte Carlo algorithm

Merve Nur GÜL
Ozan YAZAR
Serdar COŞKUN
Fengqi ZHANG
Lin Lİ
İrem ERSÖZ KAYA
Sayfa
1615–1630
Yayın Tarihi
2023-01-06
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu makaledeki sonuçlar, önerilen stratejinin yaygın olarak kullanılan temel yönteme kıyasla, rekabetçi bir yakıt tasarrufu sağladığını ortaya koymaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, güç paylaşımlı bir hibrit elektrikli araç (HEA) için, Monte Carlo (MC) algoritmasına dayalı olarak tahmin edilen sürüş çevrimi hızlarını kullanan öngörülü eşdeğer tüketim minimizasyonu stratejisi (Ö-ETMS) önermektedir.
📊
Temel Bulgular & Veri:Bu çalışmada; MC tabanlı Ö-ETMS metodunu doğrulamak için, New European Driving Cycle (NEDC), Worldwide Harmonised Light Vehicles Test Procedure (WLTP), Urban Dynamometer Driving Schedule (UDDS), Highway Fuel Economy Test (HWFET), New York City Cycle (NYCC), California Unified Cycle (LA-92) ve tüm döngülerin kombinasyonu (ALL-CYC) çevrimleri kullanılmış; toplam yedi tekrarlı sürüş döngüsü altında bir dizi simülasyon çalışması gerçekleştirilmiştir.
💡
Sonuç & Katkı:Bu makaledeki sonuçlar, önerilen stratejinin yaygın olarak kullanılan temel yönteme kıyasla, rekabetçi bir yakıt tasarrufu sağladığını ortaya koymaktadır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Hibrit elektrikli araçlar · eşdeğer tüketim minimizasyonu stratejisi · öngörülü kontrol

Özet

Bu çalışma, güç paylaşımlı bir hibrit elektrikli araç (HEA) için, Monte Carlo (MC) algoritmasına dayalı olarak tahmin edilen sürüş çevrimi hızlarını kullanan öngörülü eşdeğer tüketim minimizasyonu stratejisi (Ö-ETMS) önermektedir. Önerilen Ö-ETMS, enerji kaynakları arasındaki güç dağılımını en iyi şekilde belirlemek için MC algoritması tarafından tahmin edilen hız profillerinden tam olarak yararlanmaktadır. Bu çalışmada; MC tabanlı Ö-ETMS metodunu doğrulamak için, New European Driving Cycle (NEDC), Worldwide Harmonised Light Vehicles Test Procedure (WLTP), Urban Dynamometer Driving Schedule (UDDS), Highway Fuel Economy Test (HWFET), New York City Cycle (NYCC), California Unified Cycle (LA-92) ve tüm döngülerin kombinasyonu (ALL-CYC) çevrimleri kullanılmış; toplam yedi tekrarlı sürüş döngüsü altında bir dizi simülasyon çalışması gerçekleştirilmiştir. MC tabanlı Ö-ETMS stratejisi, standart ETMS ile karşılaştırılmıştır. NEDC çevriminde %6,01, WLTP çevriminde %9,09, UDDS çevriminde %6,33, HWFET çevriminde %5,14, NYCC çevriminde %1,96, LA-92 çevriminde %11,47 ve ALL-CYC çevriminde %7,92 oranla yakıt tasarrufu elde edilmiştir. Bu makaledeki sonuçlar, önerilen stratejinin yaygın olarak kullanılan temel yönteme kıyasla, rekabetçi bir yakıt tasarrufu sağladığını ortaya koymaktadır.

Abstract

This work proposes a predictive equivalent consumption minimization (P-ECMS) strategy for a power-split hybrid electric vehicle (HEV) using predicted driving cycle speed based on Monte Carlo (MC) algorithm. The proposed P-ECMS fully takes advantage of the predicted speed profiles by the MC algorithm to optimally determine the power split among energy sources. In this study, to validate the workings of the MC-based P-ECMS scheme, a series of simulations under a total of seven replicated driving cycles including New European Driving Cycle (NEDC), Worldwide Harmonised Light Vehicles Test Procedure (WLTP), Urban Dynamometer Driving Schedule (UDDS), Highway Fuel Economy Test (HWFET), New York City Cycle (NYCC), California Unified Cycle (LA-92), and a combination of all (ALL-CYC) are conducted. The MC-based P-ECMS strategy is compared with a baseline ECMS in terms of fuel-saving, and fuel economy saving up to 6.01% under NEDC, 9.09% under WLTP, 6.33% under UDDS, 5.14% under HWFET, 1.96% under NYCC, 11.47% under LA-92, and 7.92% under ALL-CYC are achieved. The results in this article put forward that the proposed strategy delivers competitive fuel savings compared to the widely used baseline method.

🔖

Bu Makaleye Atıf Yap

GÜL, M. N., YAZAR, O., COŞKUN, S., ZHANG, F., Lİ, L., KAYA, İ. E. (2023). Güç paylaşımlı hibrit elektrikli araçlar için Monte Carlo algoritması kullanarak öngörülü eşdeğer tüketim minimizasyon stratejisi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 38 - Sayı: 3, 1615–1630. https://ajindex.com/articles/875691

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Zhang F., Hu X., Langari R., Cao D., Energy management strategies of connected HEVs and PHEVs: Recent progress and outlook, Progress in Energy and Combustion Science, 73, 235-256, 2019.
  2. Zhao Z., Tang P., Li, H., Generation, screening, and optimization of powertrain configurations for power-split hybrid electric vehicle: A comprehensive overview, IEEE Transactions on Transportation Electrification, 8(1), 325-344, 2021.
  3. Omanovic, A., Zsiga, N., Soltic, P., Onder, C., Optimal degree of hybridization for spark-ignited engines with optional variable valve timings, Energies, 14(23), 8151, 2021.
  4. Yazar O, Coskun S, Zhang F, Li L., A comparative study of energy management systems under connected driving: cooperative car-following case, Complex Engineering Systems, 2:7, 2022.
  5. Li L., Coskun S., Langari R., Xi J., Incorporated vehicle lateral control strategy for stability and enhanced energy saving in distributed drive hybrid bus, Applied Soft Computing, 111, 107617, 2021.
  6. Wirasingha S.G., Emadi A., Classification and review of control strategies for plug-in hybrid electric vehicles, IEEE Transactions on Vehicular Technology, 60(1), 111-122, 2010.
  7. Salmasi F.R., Control strategies for hybrid electric vehicles: Evolution, classification, comparison, and future trends, IEEE Transactions on Vehicular Technology, 56(5), 2393-2404, 2007.
  8. Riaz M., Hanif A., Masood H., Khan M. A., Afaq K., Kang B. G., Nam, Y., An optimal power flow solution of a system integrated with renewable sources using a hybrid optimizer, Sustainability, 13(23), 13382, 2021.
  9. Başlamışlı S. Ç., İnce B., Design of energy management system algorithms for the improvement of fuel economy of intracity hybrid buses and development of an adaptive hybrid algorithm, Journal of the Faculty of Engineering and Architecture of Gazi University, 36 (1), 559-576, 2021.
  10. Zhang F., Wang L., Coskun S., Pang H., Cui Y., Xi J., Energy management strategies for hybrid electric vehicles: Review, classification, comparison, and outlook, Energies, 13, 3352, 2020.
  11. Chen Z., Liu Y., Zhang Y., Lei Z., Chen Z., Li G., A neural network-based ECMS for optimized energy management of plug-in hybrid electric vehicles, Energy, 243, 122727, 2021.
  12. Liu J., Chen Y., Zhan J., Shang F., Heuristic dynamic programming based online energy management strategy for plug-in hybrid electric vehicles, IEEE Transactions on Vehicular Technology, 68(5), 4479–4493, 2019.
  13. Chen H., Kessels J.T., Weiland S., Online adaptive approach for a game-theoretic strategy