ESTRATEGIAS DE GESTIÓN DE LA ENERGÍA EN VEHÍCULOS...
72
ESTRATEGIAS DE GESTIÓN DE LA ENERGÍA EN VEHÍCULOS HÍBRIDOS ELÉCTRICOS RECARGABLES TRABAJO DE MÁSTER PRESENTADO PARA LA CONSECUCIÓN DEL TÍTULO DE MÁSTER EN AUTOMÁTICA, ROBÓTICA Y TELEMÁTICA EN LA ESCUELA TÉCNICA SUPERIOR DE INGENIEROS DE LA UNIVERSIDAD DE SEVILLA POR SALVADOR OJEDA GARCÍA ***** UNIVERSIDAD DE SEVILLA 2013 TUTOR: Dr. CARLOS BORDONS
Transcript of ESTRATEGIAS DE GESTIÓN DE LA ENERGÍA EN VEHÍCULOS...
ESTRATEGIAS DE GESTIÓN DE LA ENERGÍA EN VEHÍCULOS
HÍBRIDOS ELÉCTRICOS RECARGABLES
TRABAJO DE MÁSTER
PRESENTADO PARA LA CONSECUCIÓN DEL TÍTULO DE MÁSTER EN AUTOMÁTICA,
ROBÓTICA Y TELEMÁTICA EN LA ESCUELA TÉCNICA SUPERIOR DE INGENIEROS DE LA
UNIVERSIDAD DE SEVILLA
POR
SALVADOR OJEDA GARCÍA
*****
UNIVERSIDAD DE SEVILLA
2013
TUTOR: Dr. CARLOS BORDONS
i
Resumen
El transporte por carretera se ha convertido en uno de los sectores más contaminantes
a nivel mundial. El crecimiento del parque de vehículos en las últimas décadas ha generado un
aumento de los gases de efecto invernadero a pesar de las mejoras tecnológicas en los
vehículos de nueva producción. Por este motivo, junto al aumento en los últimos años del
precio del crudo, es necesario desarrollar nuevas tecnologías y normativas que permitan frenar
el ritmo contaminante del sector. Los vehículos híbridos eléctricos recargables se están
convirtiendo en una alternativa viable y cada vez más económica.
En este trabajo se hace un repaso a la actualidad de las estrategias de gestión de la
energía a bordo del vehículo, que producen una disminución en el consumo de combustible y
las emisiones contaminantes. Varias de esas estrategias son desarrolladas y probadas en un
simulador del Chevrolet Volt y sus resultados son comparados en términos de trayectorias
temporales y de resultados globales (consumo de combustible, desviación del estado de
carga).
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).
Keywords: Energy Management, Plug-in hybrids electric vehicle, Equivalent Consumption
Minimization Strategy.
ii
Dedicatoria
A mi familia por su apoyo incondicional. A María que ha
sabido ayudarme y motivarme en los momentos más
complicados.
iii
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 1.7. Arquitectura de un vehículo híbrido eléctrico en configuración serie-paralelo [12]. . 8
Figura 1.8. Arquitectura de un vehículo híbrido eléctrico en configuración Power-Split. ............ 8
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 3.1. Arquitectura del sistema de transmisión Voltec. ...................................................... 19
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
iv
Figura 3.5. Configuración del sistema Voltec en el modo de funcionamiento de rango extendido
y dos motores eléctricos, Power-Split. ..................................................................... 21
Figura 3.6. Circuito equivalente de la batería ............................................................................. 23
Figura 3.7. Dependencia de la tensión de circuito abierto con el estado de carga de la batería 23
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 4.1. Diagrama de estados según la estrategia de control heurístico. .............................. 33
Figura 4.2. Diagrama de flujo del algoritmo de optimización basado en el Principio del Mínimo
de Pontryagin. ........................................................................................................... 36
Figura 4.3. Diagrama de bloques de la adaptación basada en la realimentación del estado de
carga [31]. ................................................................................................................. 38
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
v
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 5.14. Efecto de la histéresis sobre el SOC, el modo de funcionamiento y el consumo
equivalente en el ciclo NEDC. ................................................................................... 51
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
vi
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
vii
Lista de tablas
Tabla 1. Características generales del Chevrolet Volt ................................................................. 17
Tabla 2. Características generales de la batería .......................................................................... 22
Tabla 3. Resultados obtenidos aplicando el control heurístico en diferentes ciclos. ................. 41
Tabla 4. Comparativa de consumo y estado final de carga entre los tres algoritmos
desarrollados para 10 ciclos NEDC. .......................................................................... 47
Tabla 5. Comparativa de resultados globales de consumo y estado de carga utilizando ECMS
para tres ciclos distintos. .......................................................................................... 52
viii
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
ix
6 Conclusiones ........................................................................................................................ 55
Anexo A. Ciclos regulatorios ..................................................................................................... 57
Bibliografía ................................................................................................................................. 59
1
Capítulo 1
1 Introducción
Esta tesis de Máster trata de dar respuesta al problema de gestión de la energía en
vehículos híbridos eléctricos recargables (PHEV). Para ello se han diseñado y comparado
distintas estrategias de control sobre un simulador de PHEV realizado en Simulink©, en
particular para el sistema de transmisión Voltec de General Motors que viene montado en el
Chevrolet Volt. Este simulador fue proporcionado para el Benchmark realizado en E-COSM’12
(2012 IFAC Workshop on Engine and Powertrain Control, Simulation and Modeling), la tercera
de las conferencias conocidas como “Les Rencontres Scientifiques d’IFP Energies Nouvelles”, y
que está esponsorizada por la Federación Internacional de Control Automático.
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]
2
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]
La producción de vehículos más eficientes es una de las acciones que pueden
contribuir a combatir los problemas medioambientales, reducir la importación de
combustibles y por lo tanto su precio, y crear empleo con alto valor tecnológico. En 2009 la
Unión Europea estableció el objetivo obligatorio para todos los vehículos de nueva fabricación,
de alcanzar el límite de emisiones de 130 g/km de Dióxido de Carbono (CO2) para 2015 y 95
g/km en 2020, y se ve necesario aumentar esta restricción hasta los 60 gCO2/km en 2025 para
estimular aún más la inversión en el mercado de coches eficientes [3]. Este límite de emisiones
está directamente relacionado con la cantidad de combustible consumido. Una de las
alternativas tecnológicas para conseguir este ahorro energético está en los vehículos eléctricos
híbridos (HEV), cuya estimación es del 5-15% de las ventas de vehículos nuevos hasta
conseguir los objetivos en 2020, y en particular en los híbridos eléctricos recargables. Este tipo
de vehículos necesita un sistema de control supervisor adecuado que sea capaz de gestionar la
obtención de potencia entre sus diferentes fuentes de energía minimizando principalmente el
3
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.
1.2. Organización y contribuciones del trabajo
Siguiendo a las razones que me motivan a trabajar en este proyecto, en el Capítulo 1 se
presenta una introducción sobre los PHEV, detallando la actualidad de estos vehículos, las
diferentes configuraciones y sus características. El capítulo 2 versa sobre las diferentes
estrategias de gestión de la energía existentes en la literatura, y trata de recoger un estado del
arte que permita tener una visión general del problema. El Capítulo 3 describe el modelo
Voltec de General Motors y los diferentes componentes del vehículo, así como el simulador
utilizado para probar las diferentes estrategias de control. La formulación formal del problema
de gestión de la energía para el caso del Chevrolet Volt es recogida en el Capítulo 4, así como
un desarrollo detallado sobre el control supervisor realizado en este trabajo. Acto seguido se
presentan los resultados comparativos en el Capítulo 5. Por último, las conclusiones finales son
expuestas en el Capítulo 6.
Las contribuciones de esta tesis de Máster son:
Presenta la actualidad sobre los PHEV
Estado del arte sobre la gestión de energía en PHEV
Desarrollo de diferentes estrategias aplicadas al Chevrolet Volt
Análisis comparativo de los resultados
Conclusiones y futuras líneas de investigación
1.3. Vehículos híbridos eléctricos e híbridos eléctricos recargables
Los vehículos híbridos eléctricos y su variante recargable han sido ampliamente
definidos en diferentes libros existentes en la literatura [5,6] y en ellos se puede encontrar una
4
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].
Estos vehículos introducen una serie de ventajas e inconvenientes respecto a los
convencionales. Entre las ventajas se encuentran la posibilidad de funcionamiento sin
emisiones locales en modo eléctrico (ZEV), menor dimensionamiento del motor térmico y
funcionamiento en una región más eficiente, recuperación de la energía durante la frenada,
apagado del motor térmico cuando no se requiera potencia, y menores pérdidas en los
embragues engranándolos cuando las velocidades de los componentes se igualen.
Dependiendo del nivel de hibridación del vehículo proporcionará todas estas ventajas o solo
algunas de ellas. Entre los inconvenientes encontramos un mayor peso del vehículo debido a
los elementos extras a bordo, mayor complejidad hardware y software y mayor coste inicial
del vehículo aunque rentabilizado por el ahorro de combustible y por el mayor precio de venta
en el mercado de segunda mano [3,5].
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
5
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.
Durante el ciclo de conducción se pueden combinar estos dos modos de operación, de
manera que cuando gastamos toda la energía eléctrica al principio se dice que es un modo
CD/CS, donde el primer tramo se conoce como All electric range (AER), mientras que si vamos
manteniendo la energía de la batería hasta el final del tramo, se dice que es un modo Blended,
que es más eficiente que el anterior para distancias mayores al AER, según se ha demostrado
en [21]. Se espera que estas fuentes de energía eléctrica externas sean fuentes de producción
de energía limpia, ya que si esta energía tuviese que provenir en última instancia de las
centrales de producción eléctricas convencionales, la disminución de emisiones podría no ser
real e incluso aumentar debido al impacto de la conexión de estos vehículos a la red eléctrica.
Se están llevando a cabo estudios en este campo [16].
Las diferentes configuraciones mecánicas que se pueden dar en la arquitectura son
similares entre ambos. Las más comunes son la configuración en serie o de rango extendido, la
configuración en paralelo, la configuración serie-paralelo y la configuración Power-Split
[12,13].
6
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].
En la configuración en paralelo ambos motores, térmico y eléctrico, pueden
proporcionar potencia para la propulsión, ya sea por separado o en conjunto. Esto permite que
se puedan dimensionar por debajo de la potencia máxima necesaria. El ICE se puede mantener
en una región óptima y utilizar el motor eléctrico para ayudarle en la propulsión,
especialmente en momentos de demanda de potencia alta, pero no está desacoplado de la
transmisión por lo que su velocidad no es un grado de libertad.
En la configuración serie-paralelo el sistema puede cambiar entre ambas
configuraciones mediante un sistema de embragues. Con esta configuración se pretende
maximizar las ventajas de las anteriores y minimizar sus inconvenientes para lo que es
necesario un mayor esfuerzo en el dimensionamiento de los componentes así como en la
gestión y control.
7
Figura 1.5. Arquitectura de un vehículo híbrido eléctrico en configuración serie [12].
En la configuración Power-Split la potencia procedente del ICE es separada en dos
caminos. Una parte es utilizada para producir energía eléctrica y el resto para propulsar
directamente el vehículo. El valor añadido radica en que proveemos al sistema de un grado de
libertad más para el control. Han aparecido numerosas patentes sobre variaciones en esta
configuración que están siendo investigadas y sobre las que ya se pueden observar resultados
en diferentes publicaciones [14,15].
Figura 1.6. Arquitectura de un vehículo híbrido eléctrico en configuración paralelo [21].
8
Figura 1.7. Arquitectura de un vehículo híbrido eléctrico en configuración serie-paralelo [12].
Figura 1.8. Arquitectura de un vehículo híbrido eléctrico en configuración Power-Split.
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.
9
Capítulo 2
2 Gestión de la energía en PHEV. Estado del arte
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.
Existen diferentes tipos de clasificación de los algoritmos de gestión de la energía. Una
primera clasificación se hace según el conocimiento que tengamos de las condiciones de
conducción. Otra sería según la optimización de la solución [5,7].
Los primeros se dividen en causales y no causales. Las estrategias no causales
requieren el conocimiento de información futura, es decir, en un conocimiento exacto de las
condiciones del ciclo de conducción. Esto puede cumplirse cuando se realizan las pruebas
regulatorias establecidas (Ver anexo A. Ciclos de conducción) o para el transporte público
donde las trayectorias están definidas. Sin embargo, en circunstancias reales es complicado
tener esta información ya que no se puede asegurar que vayamos a tener siempre las mismas
condiciones de tráfico. Por otro lado, las estrategias causales se basan en la información
presente y pasada por lo que se aproxima más a las condiciones reales.
Según la optimalidad de la solución los algoritmos se dividen en heurísticos, óptimos y
sub-óptimos. Los primeros se basan en reglas heurísticas y no aseguran una solución óptima
aunque son los más utilizados en los HEV y PHEV que existen actualmente en el mercado. Los
algoritmos óptimos son inherentemente no causales ya que se realiza una optimización del
problema global, por lo que difícilmente se pueden usar en condiciones reales. Para su
aplicación en tiempo real aparecen algunos algoritmos sub-óptimos, causales, que tratan el
problema como una optimización local e instantánea, y con resultados muy cercanos a los
óptimos [29].
10
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].
2.2. Optimización numérica. Programación dinámica
El problema de optimización global consiste en encontrar la trayectoria óptima de
control de un sistema para ir de un estado inicial a un estado final, de manera que se minimice
una cierta función de coste integral y sujeto a ciertas restricciones globales y locales.
Expresándolo matemáticamente podemos decir que necesitamos encontrar
con
11
sujeto a las siguientes restricciones
Para resolver este tipo de problemas se ha utilizado satisfactoriamente el método de
Programación Dinámica basado en el Principio de Optimalidad de Bellman [22,23,9,10,20].
Para ello se discretiza el espacio de estados de manera que se pueda evaluar el coste, llamado
Cost-to-go, entre cada uno de los estados posibles empezando por el instante final y
retrocediendo hacia el momento inicial. En cada instante de tiempo y para cada posible
estado , se busca el estado en el instante que optimiza el camino entre
y y lo selecciona como el mejor. Según el Principio de Optimalidad de Bellman, el
resultado óptimo global viene dado por el conjunto de resultados óptimos obtenidos en cada
intervalo.
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
12
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.
2.3. Optimización analítica. Principio del Mínimo de Pontryagin
Con el objetivo de reducir el coste computacional que exige la optimización numérica,
manteniendo la optimalidad de la estrategia, se aplica la Teoría Clásica de Control Óptimo al
problema de gestión de la energía. Para abordar el problema de manera analítica es necesario
obtener ecuaciones que describan el comportamiento del sistema. En el caso de sistemas
complejos como los PHEV, es necesario abstraer el problema realizando una simplificación
para poder llegar a una solución adecuada. Sin embargo, si esta simplificación es excesiva
podemos estar incurriendo en un error que nos lleve a una solución sub-óptima [24,25] o
incluso obtengamos soluciones que no se correspondan con la realidad.
El Principio del Mínimo de Pontryagin, establece condiciones necesarias (no
suficientes) para que la trayectoria sea óptima al llevar al sistema de un estado a otro. Si el
problema admite una solución y las condiciones del teorema las cumple un solo candidato,
entonces éste es el que produce la solución óptima. Se puede expresar matemáticamente de
la siguiente manera: la señal de control óptima es tal que
donde es una cierta función Hamiltoniana formada por la función de
coste y la dinámica del sistema multiplicada por un cierto factor.
El parámetro corresponde al co-estado o estado adjunto y viene descrito por la
ecuación de Euler-Lagrange
13
El teorema establece las siguientes condiciones necesarias para la dinámica del estado,
estado inicial y final, y dinámica del co-estado respectivamente.
En cada instante, la función tiene un mínimo global en
En particular, si la Hamiltoniana es independiente de la variable de estado, entonces el
estado adjunto puede considerarse constante y la solución al problema un óptimo global [25].
Particularizando para el caso de los PHEV, el estado adjunto es dependiente de las
perturbaciones, es decir, del ciclo de conducción, y su valor debe ser ajustado
convenientemente por lo que es necesario conocer exactamente las condiciones futuras para
utilizar esta estrategia. El ajuste debe ser tal que obtengamos el estado deseado al final del
ciclo y se realiza iterativamente mediante el llamado shooting algorithm que se explica en el
Capítulo 4.
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).
14
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).
Igualmente, si usamos la potencia del motor de combustión para recargar la batería,
aumentando el SOC por encima de la referencia, significa que tendremos esa energía
disponible para consumir antes del final del ciclo, lo que implica un ahorro en el consumo de
combustible en el futuro, que se expresaría como un EFC negativo. Por lo tanto, la batería
actúa tan solo como un buffer temporal de energía que permite reducir el consumo. El
consumo total de combustible equivalente viene dado por la suma del consumo de
combustible del ICE y el consumo equivalente del motor eléctrico.
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].
15
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.
El parámetro es conocido como factor equivalente y es necesario para comparar
la potencia del combustible con la potencia eléctrica, ya que no son comparables por sí solas.
Se ha expuesto en varias publicaciones [29,30] y libros [5] que este parámetro está
directamente relacionado con la eficiencia de los motores térmico y eléctrico, y su valor
depende de si se está produciendo una carga o una descarga de la batería. Existen entonces,
en principio, dos valores que se toman constantes para un mismo ciclo de conducción, y
. Se ha demostrado [29] que tomando un solo valor independientemente de si se está en
un momento de carga o descarga de la batería, el resultado no difiere de manera significativa,
siendo igualmente aceptable. Este valor único del factor equivalente está entre y , por
lo que puede interpretarse como una media entre ellos.
Esta técnica es fácilmente implementable online puesto que se trata de una
minimización local en cada instante, pero necesita un buen ajuste de los parámetros para que
la solución se aproxime a la óptima. Para hallar el valor inicial del factor equivalente, , es
necesario conocer el ciclo de conducción a-priori, aunque aplicando algunas técnicas
adaptativas se pueden conseguir buenos resultados online sin esos conocimientos. Estas
técnicas se pueden dividir en tres categorías según la información que manejan, los basados en
predicción del ciclo, los basados en reconocimiento de patrones de conducción y los basados
exclusivamente en la información del estado de carga. Dentro de cada uno de estos grupos se
han desarrollado diferentes propuestas como se puede ver en [31].
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].
16
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.
El significado físico tanto del estado adjunto como de la Hamiltoniana no es fácil de
reconocer. Sin embargo, si realizamos el cambio de variable adecuado podemos relacionar la
Hamiltoniana como una suma de potencias. Dada la función
con
Si llamamos
entonces podemos expresar la Hamiltoniana como
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.
17
Capítulo 3
3 El Chevrolet Volt
El Chevrolet Volt se define como un vehículo eléctrico de rango extendido desarrollado
por General Motors y lanzado por primera vez al mercado en Estados Unidos en Diciembre del
2010. Desde entonces se ha vendido en el resto del mundo bajo diferentes marcas, como
Holden Volt, Opel Ampera o Vauxhall Ampera. La definición como eléctrico de rango extendido
es debida a que este coche es capaz de circular durante aproximadamente 60 km en modo
eléctrico sin emisiones y hasta 600 km con la ayuda del motor térmico. Éste no se conecta
directamente a la transmisión, sino que lo hace a través de un generador, por lo que el coche
está propulsado continuamente de manera eléctrica.
El sistema de transmisión utilizado en el Volt es el modelo Voltec, formado por un
juego de engranajes planetario, dos motores eléctricos, uno térmico y varios embragues.
Brinda una potencia de 150 CV, 353 Nm de par y una velocidad máxima de 161 Km/h. Este
sistema mejora la eficiencia de la transmisión al permitir reducir las velocidades conjuntas de
los motores eléctricos disminuyendo el consumo de la batería.
Tabla 1. Características generales del Chevrolet Volt
18
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,
La relación entre los pares es
donde es la relación entre el número de dientes del anillo y del sol
Finalmente, la reducción es y el par en las ruedas viene dado por
La relación cinemática entre las velocidades de los tres componentes es
19
Figura 3.1. Arquitectura del sistema de transmisión Voltec.
3.2. Modos de funcionamiento
En el Chevrolet Volt, la unidad principal de propulsión es el motor eléctrico. Existe un segundo
motor/generador que sirve para ayudar al primero y para recargar la batería mediante el
motor térmico. El sistema es configurable mediante un juego de tres embragues, C1, C2, C3, de
manera que en función de si están abiertos o cerrados podemos conectar los elementos para
trabajar en diferentes modos. Los dos primeros embragues sirven respectivamente para dejar
libre o frenar el movimiento del anillo externo del planetario y para conectar éste con el
motor/generador. El tercer embrague conecta el motor térmico al generador para los modos
de autonomía extendida. En función del estado de estos embragues y del ICE, el Volt puede
funcionar en cuatro modos distintos.
Un solo motor eléctrico, EV1
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.
20
Figura 3.2. Configuración del sistema Voltec en el modo de funcionamiento con un solo motor eléctrico, EV1.
Dos motores eléctricos, EV2
Cuando la velocidad del motor principal es demasiado alta, entra en funcionamiento el
motor/generador bajando así las revoluciones del primero. El funcionamiento en conjunto a
menores velocidades consigue una mejor eficiencia eléctrica general.
Figura 3.3. Configuración del sistema Voltec en el modo de funcionamiento con dos motores eléctricos, EV2.
Rango extendido
Este modo es el tradicional modo serie. El anillo está bloqueado y el motor/generador
desacoplado del planetario y conectado al ICE. La potencia de éste se utiliza para recargar la
21
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.
22
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).
Tabla 2. Características generales de la batería
parameter value
Total energy capacity Total Charge Capacity
16 kWh 45 Ah
Total nominal voltage 360 V SOC range 65%
Number of cells in series 96 Number of strings in
parallel 3
Peak current 400 A
El modelo básico utilizado para la batería en este trabajo es el modelo de circuito
equivalente típicamente usado para esta aplicación [5]. Consiste en un circuito simple formado
por una fuente de tensión y una resistencia que pueden ser dependientes del estado de carga
de la batería y la temperatura. En este caso se ha considerado la resistencia de cada celda
constante de un valor de 0.0040 Ohmios. La tensión de circuito abierto se considera
independiente de la temperatura, pero depende del estado de carga como se muestra en la
figura 3.7.
23
Figura 3.6. Circuito equivalente de la batería
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.
siendo la potencia demandada o proporcionada por los motores eléctricos. La potencia
electroquímica de la batería finalmente es igual a
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 13
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8Tensión circuito abierto vs Estado de carga
SOC [%]
Uocv [
V]
Uocv
descarga
Uocv
carga
24
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.
La potencia eléctrica demandada por los motores eléctricos en momentos de
propulsión viene dada por la expresión
mientras que en momentos de recarga eléctrica la potencia proporcionada es
Estas expresiones se pueden unificar en una sola teniendo en cuenta el convenio de
signos, positivo para descarga y negativo para recarga.
Figura 3.8. Eficiencia del motor eléctrico principal y par máximo para zonas de tracción y de frenada regenerativa.
0.7
2
0.72 0.72
0.72
0.72
0.72
0.7
2
0.72 0.72
0.72
0.72
0.72
0.7
4
0.740.74
0.74
0.74
0.74
0.7
4
0.74 0.74
0.74
0.74
0.74
0.7
6
0.760.76
0.76
0.76
0.76
0.7
6
0.760.76
0.76
0.76
0.76
0.7
8
0.78 0.78
0.78
0.78
0.7
8
0.78 0.78
0.78
0.78
0.8
0.80.8
0.8
0.8
0.8
0.8 0.8
0.8
0.8
0.82
0.82
0.820.82
0.8
2
0.82 0.82
0.82
0.82
0.8
2
0.84
0.84
0.84
0.8
4
0.84
0.84
0.84
0.8
4
0.86
0.86
0.8
6
0.86
0.86
0.8
6
0.88
0.88
Mapa de eficiencia del motor eléctrico
Velocidad [rad/s]
Par
[Nm
]
0 100 200 300 400 500 600 700 800 900 1000
-300
-200
-100
0
100
200
300Eficiencia
Par máximo
Par mínimo
25
Figura 3.9. Límites de potencia de la batería frente a las líneas de potencia de potencia del motor eléctrico
principal.
Figura 3.10. Eficiencia del motor/generador y par máximo para zonas de tracción y de recarga.
-400
00
-40000-40000
-10000
-10000-10000 -10000
10
000
10000 10000 10000
40
000
40000
40000
90000
90000
90000
160000
160000
-600
00
-60000-60000
110000
110000
110000
Mapa de eficiencia del motor eléctrico
Velocidad [rad/s]
Par
[Nm
]
0 100 200 300 400 500 600 700 800 900 1000
-300
-200
-100
0
100
200
300Eficiencia
Par máximo
Par mínimo
Límites potencia batería
0.8
2
0.820.820.82
0.8
2
0.82 0.82
0.82
0.8
2
0.82
0.820.82
0.8
2
0.82 0.82 0.820.840.840.84
0.8
4
0.840.84
0.84
0.84
0.840.84
0.8
4
0.84 0.84 0.840.860.860.86
0.86
0.86
0.86
0.86
0.86
0.860.86
0.86
0.86 0.86 0.86
0.88
0.880.88
0.88
0.88
0.88
0.88
0.8
8
0.880.88
0.88
0.88 0.88 0.88
0.9
0.90.9
0.9
0.9
0.9
0.9
0.9
0.9
0.9
0.9
0.9 0.9 0.9
0.9
2
0.920.92
0.92
0.92
0.9
2
0.92
0.92
0.92 0.92
Mapa de eficiencia del motor/generador
Velocidad [rad/s]
Par
[Nm
]
0 100 200 300 400 500 600-200
-150
-100
-50
0
50
100
150
200
Eficiencia
Par máximo
Par mínimo
26
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.
3.5. Motor de combustión interna
El motor térmico utilizado en el Volt es un motor de 1398 cc. y 86 CV de potencia,
siendo capaz de desarrollar un par máximo de 130 Nm a 4250 rpm. La eficiencia del motor de
combustión interna se puede expresar de varias maneras. En este trabajo se obtiene la
eficiencia medida en BSFC (Brake Specific Fuel Consumption) a partir del dato de consumo en
Kg/s en función del par y la velocidad. El BSFC se define como la tasa de combustible necesaria
para proporcionar una determinada potencia mecánica, y se expresa en g/KWh.
Este valor está relacionado con la eficiencia global del motor de la siguiente manera
Estos motores son bastante ineficientes, como se puede comprobar en su mapa de
rendimiento donde se aprecia un máximo del 35% de aprovechamiento.
3.5.1. Línea de operación óptima
Una de las principales ventajas en la hibridización de los vehículos es que podemos
hacer funcionar el ICE en una línea de operación óptima. Esta línea está formada por los
puntos de operación que minimizan el consumo de combustible para cada posible valor
de potencia demandada. Este punto óptimo está dentro de una curva de iso-potencia como se
puede ver en la figura 3.11. El objetivo a minimizar puede incluir más variables como por
ejemplo, las diferentes emisiones producidas [33].
27
3.5.2. Conjunto ICE-generador
Debido a la propia arquitectura del vehículo es necesario tratar el ICE y el generador
como un conjunto, ya que el primero actúa sobre el sistema siempre a través del segundo.
Sabemos que la eficiencia viene dada por la expresión
En este caso no es la potencia mecánica del motor, sino la potencia eléctrica
entregada por el motor/generador, por lo tanto
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.
28
Figura 3.12. Eficiencia del motor de combustión interna y puntos de operación óptima.
Figura 3.13. Eficiencia del conjunto ICE/generador medida en BSFC y línea de operación óptima.
0 0 00.1 0.1 0.1
0.2 0.2 0.2
0.25 0.25
0.25
0.3
0.3
0.3
0.3
0.3
1
0.31
0.3
1
0.31
0.32 0.32
0.3
2
0.33 0.33
0.3
3
0.34
0.34
0.3
4
0.34
0.34
0.35
0.35
0.3
5
0.35
0.3
5
0.36
0.37
Mapa de eficiencia del motor térmico
Velocidad [rpm]
Par
[Nm
]
0 500 1000 1500 2000 2500 3000 3500 4000 4500
0
20
40
60
80
100
120
Eficiencia [%]
Par máximo
Línea de operación óptima
220
220 220 220
240
240 240 240
250
250
250 250 250
260
260
260 260 260
260
260
260
270270
27
0
270 270 270
270
270
28
0
280
28
028
0
280 280 280
300
300
30
0
30
0
300 300 300
330 330
33
0
33
0
330 330 330
400 400400
400 400 400
Mapa de eficiencia del conjunto ICE-generador
Velocidad [rpm]
Par
[Nm
]
500 1000 1500 2000 2500 3000 3500 4000 4500 5000
0
20
40
60
80
100
120
BSFCEG [g/KWh]
Par máximo
Línea de operación óptima
29
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
aunque también se pueden obtener por una descripción más física
donde es la densidad del aire, Af el área frontal del coche y Cd el coeficiente de resistencia
aerodinámica.
La tracción se puede expresar en función del par de tracción y de freno resultando en
la siguiente expresión que expresa la dinámica longitudinal del vehículo
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
30
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.
El par deseado es introducido al control supervisor mediante un bloque que simula el
ciclo de conducción y calcula el par en la transmisión mediante un modelo backward. La
respuesta del conductor es simulada mediante un controlador PI que regula el par deseado en
función del error en la velocidad.
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
31
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.
32
Capítulo 4
4 Desarrollo del control supervisor
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.
En el Capítulo 3 se ha descrito ampliamente el Chevrolet Volt, al que vamos a aplicar
las estrategias de control. Dispone de dos fuentes de energía, combustible y batería, y tres
grados de libertad, los pares del motor térmico y motor eléctrico principal, y la velocidad
angular del generador eléctrico, además de un cuarto grado de libertad dado por la elección
del modo de funcionamiento. El par del motor viene dado directamente a partir del par
deseado en cualquiera de los modos de funcionamiento, por lo que finalmente disponemos de
tres grados de libertad para el control.
Una de las estrategias más utilizadas en los HEV y PHEV que están actualmente en el
mercado es la que se basa en reglas.
4.1. Control Supervisor basado en reglas
Para desarrollar esta estrategia se han definido reglas en base a un video de General
Motors donde se hace una simulación sobre el funcionamiento del Chevrolet Volt [26]. Este
PHEV está diseñado según el video para funcionar con una estrategia CD/CS, es decir, primero
se aprovecha la energía de la batería para funcionar en los modos eléctricos, y cuando
superamos la distancia AER, que indica que hemos llegado al límite de la capacidad de la
batería, entonces pasamos a funcionar en los modos híbridos sosteniendo el SOC. La elección
de los modos EV1 y Rango Extendido se hace a bajas velocidades, iguales o menores a 70
km/h, siendo el primero apto cuando la batería tiene suficiente energía, mientras que el
segundo entra en juego cuando la batería llega al 30% de su carga. En altas velocidades,
mayores a 70 km/h, se funciona en los modos EV2 y Power-Split dependiendo del mismo
motivo. Para evitar continuos cambios de estado al superar el límite de carga, definimos un
margen de recarga. Así tenemos dos fronteras en el SOC, para pasar de modo eléctrico a modo
híbrido y viceversa.
33
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.
Figura 4.1. Diagrama de estados según la estrategia de control heurístico.
34
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.
Como vemos, la estrategia basada en reglas es una estrategia sencilla de diseñar,
basada en la experiencia del diseñador pero que necesita un ajuste para obtener un buen
resultado. Esta estrategia no asegura una solución óptima.
4.2. Estrategia basada en el Principio del Mínimo de Pontryagin
El PMP permite definir el problema de optimización global como un problema de
optimización instantánea basada en la minimización de una función Hamiltoniana en cada
instante de tiempo. Si particularizamos la definición general dada en el Apartado 2.3 para el
caso del Chevrolet Volt, entonces el problema de optimización es el siguiente: encontrar el
valor óptimo del par del ICE y de la velocidad angular del generador, así como el modo óptimo
de funcionamiento, que minimice el consumo equivalente sujeto a restricciones en el estado y
el control.
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
35
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.
es el poder calorífico inferior del combustible, es el flujo de combustible, es el co-
estado y es la variación en el estado de carga de la batería. Esta expresión se puede indicar
en términos de potencia con los siguientes cambios. La variación en el SOC viene dada por,
con
y
Por supuesto, el rendimiento de los motores depende del signo del par.
Mientras que la potencia electroquímica de la batería es
Siendo la tensión a circuito abierto del circuito equivalente. Entonces la Hamiltoniana
toma la forma
con
Si podemos despreciar el efecto del SOC en la Hamiltoniana entonces podemos decir que el
estado adjunto es constante
Y el problema consiste en minimizar en cada instante
36
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.
Se ha desarrollado en Matlab© una función que realiza la optimización siguiendo el
diagrama de flujo propuesto.
Figura 4.2. Diagrama de flujo del algoritmo de optimización basado en el Principio del Mínimo de Pontryagin.
Para hallar la respuesta del sistema se puede definir éste como
Donde A y B son propias de la arquitectura, es un vector de variables mecánicas
relevantes y el vector de referencias deseadas.
,
,
,
37
Si separamos el vector en variables dependientes e independientes podemos expresar la
ecuación () como
Siendo un vector columna de dimensión igual al rango de A y un vector con
dimensión igual a . Como es de rango completo, es invertible, por
lo que
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.
4.3. Estrategia de minimización del consumo equivalente
Como se ha visto anteriormente, el problema de optimización aplicado a HEV o PHEV
puede ser interpretado como un problema de minimización de un consumo equivalente de
combustible dado por la expresión
donde es la potencia química del combustible, indica la
potencia aportada por la batería y , llamado factor equivalente, es un valor que permite
equiparar la potencia eléctrica a la potencia química.
38
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.
La adaptación de puede considerarse como una manera de combinar métodos
basados en reconocimiento o predicción de ciclos con la misma expresión vista del método
basado en realimentación del estado de carga.
Figura 4.3. Diagrama de bloques de la adaptación basada en la realimentación del estado de carga [31].
Para la realización del control en un bloque del simulador diseñado en Simulink©, se
ha utilizado una S-function que realiza la optimización cuyo pseudocódigo sería muy parecido
al utilizado offline.
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.
39
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
40
Capítulo 5
5 Resultados de las estrategias aplicadas
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.
5.1. Control heurístico
Hemos visto que el control supervisor heurístico se basa en reglas que dependen de si
se sobrepasan determinados límites en algunas de las variables del sistema. En principio, este
método debe ser el que aporte peores resultados en cuanto a consumo de combustible puesto
que es una solución no optimizada.
En la figura 5.1 se muestra la velocidad del vehículo en el primero de los ciclos
utilizados, NEDC, junto con el reparto de par entre las diferentes máquinas. En un ciclo la
batería no llega a sobrepasar el límite inferior de carga, por lo que el motor térmico no entra
en funcionamiento. La figura confirma que en velocidades menores a 70 km/h el vehículo
funciona en el modo EV1 cuando la batería está por encima del límite de carga. Cuando se
supera la velocidad, el generador comienza a funcionar aportando par al anillo y permitiendo
una velocidad más relajada del motor principal. Vemos también como ambos actúan
aumentando el SOC en los momentos de frenada regenerativa.
Cuando la batería se encuentra descargada entran en funcionamiento los modos de
rango extendido, aportando la potencia necesaria con el motor de combustión interna para
mantener el SOC en un entorno aceptable.
41
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.
El consumo se ha comprobado recorriendo distancias por encima del rango de
funcionamiento completamente eléctrico, AER, que es de aproximadamente 65 km. En la tabla
se muestran los resultados obtenidos para tres ciclos diferentes.
Tabla 3. Resultados obtenidos aplicando el control heurístico en diferentes ciclos.
Ciclo de conducción
Distancia [km]
Consumo [l/100km]
Consumo equivalente [leq/100km]
SOC final [%]
10 x NEDC 110 1.04 4.41 31.3
6 x AEU1 98.6 1.12 4.8 32.4
4 x AHW2 118.2 3.89 7.01 31.7
1 Artemis extra urban
2 Artemis Highway
0 200 400 600 800 1000 1200-50
0
50
100
150Velocidad del vehículo
Vveh [
km
/h]
0 200 400 600 800 1000 1200-200
-100
0
100
200Pares eléctricos
Par
[Nm
]
0 200 400 600 800 1000 120085
90
95Evolución del estado de carga
Tiempo [s]
SO
C [
%]
Velocidad del ciclo
Velocidad en simulación
Par motor eléctrico
Par motor/generador
EV1
EV2
42
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.
5.2. Validación de la optimización offline
La optimización offline nos va a permitir tener una solución muy próxima a la que se
podría obtener con la Programación Dinámica, la cual se suele usar como referencia para otras
estrategias. Aquí no hemos desarrollado esa solución, por lo que cogeremos como referencia
0 200 400 600 800 1000 1200-50
0
50
100
150Velocidad del vehículo
Vveh [
km
/h]
Velocidad del ciclo
Velocidad en simulación
0 200 400 600 800 1000 1200-200
-100
0
100
200Pares eléctricos
Par
[Nm
]
Par motor eléctrico
Par motor/generador
0 200 400 600 800 1000 1200-50
0
50
100Par motor térmico
Tiempo [s]
Par
[Nm
]
Par ICE [Nm]
EV1
Power Split
Serie
43
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.
En la figura 5.4 se puede observar la influencia del factor equivalente en la evolución
del estado de carga. Un valor bajo provoca que se consuma más energía eléctrica cayendo por
debajo del umbral al final del ciclo. Un valor demasiado alto provoca el efecto contrario,
consumiendo más combustible y quedando el SOC por encima del umbral al final del ciclo. Tras
iterar varias veces se obtiene un valor de que produce un consumo de 1.46
l/100km con
Figura 5.4. Evolución del estado de carga con diferentes valores del factor equivalente en un ciclo de NEDC.
Para comparar el consumo con la estrategia anterior se ha probado la optimización en
10 ciclos NEDC, en los que el estado de carga tiene que llegar del 95% a un valor
aproximadamente igual al conseguido con el control heurístico, 31.3%. Iterando se obtiene un
valor con y un consumo de 1.01 l/100km. En las figuras 5.5 y 5.6 se
0 200 400 600 800 1000 120024
26
28
30
32
34
36Influencia del factor equivalente en el estado de carga
Time [s]
SO
C [
%]
so = 1
so = 2.5
so = 2.657
so = 3
44
puede apreciar la influencia del factor equivalente en la evolución del estado de carga y en el
consumo eléctrico y de combustible.
Figura 5.5. Evolución temporal del estado de carga en 10 ciclos NEDC para diferentes valores del factor
equivalente.
Figura 5.6. Consumo de energía eléctrica en función del factor equivalente para 10 ciclos NEDC.
0 2000 4000 6000 8000 10000 1200020
30
40
50
60
70
80
90
100Evolución del estado de carga
Time [s]
SO
C [
%]
so = 2.557
so = 2.56
so = 2.58
so = 2.6
so = 2.657
2.54 2.56 2.58 2.6 2.62 2.64 2.66 2.688
8.5
9
9.5
10
10.5
11Influencia del factor equivalente en el gasto total de energía en la batería
Factor equivalente
Energ
ía c
onsum
ida [
kW
h]
Consumo eléctrico
45
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.
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.
2.54 2.56 2.58 2.6 2.62 2.64 2.66 2.680.5
1
1.5
2
2.5
3
3.5
4
4.5Influencia del factor equivalente en el consumo total
Factor equivalente
Consum
o [
l/100km
]
Consumo de combustible
Consumo equivalente
1200 1400 1600 1800 2000 22000
50
100
150Velocidad del vehículo
Vveh [
km
/h]
1200 1400 1600 1800 2000 2200-200
-100
0
100
200Pares eléctricos
Par
[Nm
]
1200 1400 1600 1800 2000 2200
0
50
100
Par motor térmico
Tiempo [s]
Par
[Nm
]
Velocidad del ciclo
Velocidad en simulación
Par motor eléctrico
Par motor/generador
Par ICE [Nm]
46
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.
5.3. Validación de la optimización online. ECMS
La optimización online es una optimización en lazo cerrado ya que obtenemos las
referencias para las máquinas en cada instante teniendo en cuenta también la realimentación
de la velocidad del vehículo y del estado de carga de la batería. Para comprobar la validez de la
estrategia se ha hecho una primera prueba utilizando el mismo ciclo, estado inicial de carga y
factor equivalente utilizado en la optimización offline para un solo ciclo NEDC. El resultado
obtenido es un consumo de 1.40 l/100km y que es muy cercano al anterior.
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.
47
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%
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
0 200 400 600 800 1000 120028
30
32
34
36Evolución del estado de carga
Time [s]
SO
C [
%]
960 980 1000 1020 1040 1060 1080 1100 1120
0
50
100
Evolución del par del ICE
Tiempo [s]
Teng [
Nm
]
Optimización offline
Optimización online
Optimización offline. so=2.657
Optimización online. so=2.657
48
Figura 5.10. Corrección en el par demandado procedente del modelo del conductor simulado como un control PI.
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.
600 650 700 750 800 850 900 950 1000-1000
-800
-600
-400
-200
0
200
400
600
800Corrección del par deseado
Tiempo [s]
Par
dem
andado [
Nm
]
Optimización offline. so=2.657
Optimización online. so=2.657
1200 1400 1600 1800 2000 22000
50
100
150Velocidad del vehículo
Vveh [
km
/h]
1200 1400 1600 1800 2000 2200-200
-100
0
100
200Pares eléctricos
Par
[Nm
]
1200 1400 1600 1800 2000 2200
0
50
100
Par motor térmico
Tiempo [s]
Par
[Nm
]
Velocidad del ciclo
Velocidad en simulación
Par motor eléctrico
Par motor/generador
Par ICE [Nm]
49
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 .
Figura 5.12. Consumo y desviación máxima de SOC en función de s1 para un ciclo NEDC y SOC inicial .
Se recuerda que la histéresis en la Hamiltoniana es un parámetro importante en el
ajuste del controlador. Por motivos de manejabilidad del vehículo se elige un cierto margen
sobre la función para cambiar de un modo a otro. La elección de un valor u otro provocará un
número diferente de cambios de modo, y por tanto, un consumo distinto. Hasta ahora se ha
utilizado un margen de x=104 kW para cambiar el modo. En la figura 5.14 se aprecia el efecto
de variar el umbral de cambio sobre el SOC, el modo de funcionamiento y el consumo.
0 1 2 3 4 5 6 70
0.5
1
1.5Consumo de combustible
Consum
o [
l/100km
]
0 1 2 3 4 5 6 73
3.5
4
4.5
5Desviación máxima
dS
OC
[%
]
ganancia proporcional s1
50
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 .
0 200 400 600 800 1000 12000.26
0.28
0.3
0.32
0.34
0.36Corrección del término proporcional
SO
C [
%]
0 200 400 600 800 1000 12001
1.5
2
2.5
3
3.5
4
modo d
e f
uncio
nam
iento
Tiempo [s]
s0=s
opt=2.657 , s
1=0
s0=2.5 , s
1=0
s0=2.5 ,s
1=1
s0=2.5 , s
1=3
s0=2.5 , s
1=5
s0=2.5 , s
1=7
Referencia SOC
s0=s
opt=2.657 , s
1=0
s0=2.5 , s
1=0
s0=2.5 ,s
1=1
s0=2.5 , s
1=3
s0=2.5 , s
1=5
s0=2.5 , s
1=7
51
Figura 5.14. Efecto de la histéresis sobre el SOC, el modo de funcionamiento y el consumo equivalente en el ciclo
NEDC.
Figura 5.15. Consumo y evolución de SOC en función de s2 para un ciclo NEDC y SOC inicial .
0 200 400 600 800 1000 120028
30
32
34
36Efecto de la histéresis
SO
C [
%]
0 200 400 600 800 1000 12001
2
3
4
Modo d
e f
uncio
nam
iento
0 1 2 3 4 5 6 7 8 9 103.9
3.95
4
4.05
4.1
4.15
Consum
o e
quiv
ale
nte
[l/100km
]
x [kW]
Referencia SOC
x=0
x=7 kW
x=10 kW
x=0
x=7 kW
x=10 kW
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.163.4
3.6
3.8
4
4.2
4.4
4.6
4.8
5
Influencia de la ganancia integral, s0=2.56, s
1=7
Consum
o e
quiv
ale
nte
[l/100km
]
ganancia integral s2
0 200 400 600 800 1000 120026
28
30
32
34
36
SO
C [
%]
Tiempo [s]
Referencia SOC
s2=0
s2=0.05
s2=0.1
s2=0.15
52
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).
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.
La tabla 5 muestra los resultados globales en cuanto a consumo, consumo equivalente
y estado de carga final, utilizando la estrategia ECMS con para los
tres ciclos probados en este trabajo con un estado de carga inicial .
Tabla 5. Comparativa de resultados globales de consumo y estado de carga utilizando ECMS para tres ciclos
distintos.
l/100km l/100km equivalente
NEDC 2.04 3.90 31.5
Artemis extra urban 2.99 4.49 30.5
Artemis highway 5.56 6.28 31.3
0 100 200 300 400 500 600 700 800 900 1000-50
0
50
100
150Velocidad del vehículo
Vveh [
km
/h]
0 100 200 300 400 500 600 700 800 900 100028
30
32
34
36Evolución del estado de carga
Tiempo [s]
SO
C [
%]
Velocidad
modo
SOC
Referencia SOC
53
Figura 5.17. Reparto de pares durante un ciclo Artemis extra urban con la batería inicialmente en y los
parámetros ajustados en ciclo NEDC.
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.
0 100 200 300 400 500 600 700 800 900 1000-400
-200
0
200
400Pares eléctricos
Par
[Nm
]
Par motor eléctrico
Par motor/generador
0 100 200 300 400 500 600 700 800 900 1000-50
0
50
100
150Par motor térmico
Tiempo [s]
Par
[Nm
]
Par ICE [Nm]
0 200 400 600 800 1000 1200-100
0
100
200Velocidad del vehículo
Vveh [
km
/h]
Velocidad
modo
0 200 400 600 800 1000 120028
30
32
34
36Evolución del estado de carga
Tiempo [s]
SO
C [
%]
SOC
Referencia SOC
54
Figura 5.19. Reparto de pares durante un ciclo Artemis highway con la batería inicialmente en y los
parámetros ajustados en ciclo NEDC.
0 200 400 600 800 1000 1200-400
-200
0
200Pares eléctricos
Par
[Nm
]
Par motor eléctrico
Par motor/generador
0 200 400 600 800 1000 1200-50
0
50
100
150Par motor térmico
Tiempo [s]
Par
[Nm
]
Par ICE [Nm]
55
Capítulo 6
6 Conclusiones
El desarrollo de vehículos híbridos eléctricos e híbridos eléctricos recargables, se ha
visto fortalecido en los últimos años debido a la necesidad de reducir el consumo de
carburantes, y con ello las emisiones contaminantes en el sector del transporte por carretera.
En este trabajo se ha visto que estos vehículos tienen la capacidad de gestionar diferentes
fuentes de energía a bordo manejando varios grados de libertad, por lo que se puede realizar
un reparto de potencia más eficiente. Este problema es conocido como gestión de la energía, o
control supervisor del vehículo, y nuevos avances son cada día más necesarios.
En la actualidad existen multitud de estrategias de gestión de la energía, de las cuales
las más conocidas han sido presentadas en el Capítulo 3. La arquitectura del sistema de
transmisión influye de manera significativa en la gestión de la energía, por lo que también se
trabaja en arquitecturas más eficientes. El vehículo simulado aquí utiliza el sistema de
transmisión Voltec, que permite funcionar en varios modos combinando las arquitecturas
clásicas serie y paralelo. Se ha podido comprobar que el control más sencillo es el basado en
reglas del tipo SI-SINO-ENTONCES, aunque requiere bastante tiempo para el ajuste de las
reglas y los umbrales. Aún así es un control que da buenos resultados aunque no de una
manera óptima.
Frente a estos algoritmos heurísticos, se encuentran los algoritmos que provienen de
un problema de control óptimo. Se ha repasado la estrategia basada en la programación
dinámica, que aborda el problema de optimización global y que puede ser considerado como
un benchmark para comparar otras estrategias, pero es necesario tener conocimiento del ciclo
completo para su implementación por lo que no se utiliza en tiempo real. Definiendo el
problema de la manera adecuada se puede expresar el problema analíticamente y utilizar el
Principio del Mínimo de Pontryagin para encontrar la solución óptima, o una solución sub-
óptima prácticamente equivalente a la primera, convirtiéndolo en un problema de
optimización instantánea. Sin embargo, este algoritmo también requiere el conocimiento del
ciclo completo para ajustar el llamado estado adjunto y conseguir el estado de carga final
deseado. ECMS es la estrategia que da solución a la implementación en tiempo real, ya que no
requiere conocimientos futuros sobre el ciclo.
56
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.
El desarrollo de la estrategia sin tener en cuenta la maniobrabilidad del vehículo,
produce demasiados cambios simultáneos del modo de funcionamiento y del arranque del
motor. Este es un problema que en la práctica no es deseable, por lo que se debe hacer un
estudio más profundo sobre la histéresis adecuada en la función de coste (o Hamiltoniana). En
definitiva, en posibles futuros trabajos en esta línea de investigación, sería necesario realizar
un ajuste más fino de las ganancias de la ley adaptativa, así como del valor de histéresis.
También se propone realizar un controlador MPC híbrido, por la naturaleza inherentemente
híbrida del sistema, que maneja tanto señales continuas (potencia, SOC) como discretas
(estado de los embragues, estado del motor). El MPC se ha presentado en recientes trabajos
como una opción directamente implementable online, y que junto a las estrategias de
minimización del consumo equivalente debidamente ajustadas, se presentan como estrategias
con resultados muy prometedores y que permiten incluir nuevos factores a optimizar, como
emisiones, temperatura del motor térmico o vida útil de la batería.
57
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 (New European Drive Cycle)
Este ciclo es el estándar en la Unión Europea. Reproduce una primera parte en
condiciones urbanas con múltiples paradas, y una segunda parte extra urbana con una
velocidad máxima de 120 km/h.
Figura 6.1. Perfil de velocidad y potencia demandada en el ciclo regulatorio NEDC.
Artemis extra urban
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.
0 200 400 600 800 1000 12000
50
100
150NEDC
Velo
cid
ad [
km
/h]
0 200 400 600 800 1000 1200-1000
-500
0
500
1000
Par
deseado [
Nm
]
Tiempo [s]
58
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.
Figura 6.3. Perfil de velocidad y potencia demandada en el ciclo regulatorio Artemis highway.
0 100 200 300 400 500 600 700 800 900 10000
50
100
150
200Artemis extra urban
Velo
cid
ad [
km
/h]
0 100 200 300 400 500 600 700 800 900 1000-3000
-2000
-1000
0
1000
2000
Par
deseado [
Nm
]
Tiempo [s]
0 100 200 300 400 500 600 700 800 900 10000
50
100
150
200Artemis highway
Velo
cid
ad [
km
/h]
0 100 200 300 400 500 600 700 800 900 1000-2000
-1000
0
1000
Par
deseado [
Nm
]
Tiempo [s]
59
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
[3] Federación Europea del Transporte y Medio Ambiente. [Online].
http://www.transportenvironment.org/what-we-do/cars-and-co2
http://www.transportenvironment.org/sites/te/files/publications/ES_Cars%20CO2%20
Position%20Paper%20301012%20Final_rev_0.pdf
[4] L. Serrao, A. Sciarretta, O.Grondin, A. Chasse, Y. Creff, D. di Domenico, P. Pognant-
Gros, C. Querel, L. Thibault, “Open Issues in Supervisory Control of Hybrid Electric
Vehicles: A Unified Approach using Optimal Control Methods”, Proceedings of the
International Scientific Conference on Hybrid and Electric Vehicles (RHEVE), 2011.
[5] L. Guzzella y A. Sciarretta, Vehicle Propulsion Systems: Introduction to Modelling and
Optimization. Springer, 2007.
[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.
60
[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
[12] Panorama 2012, Le point sur… Le développement des véhicules hybrides et
électriques. IFP Energies Nouvelles. [Disponible online].
http://www.ifpenergiesnouvelles.fr/content/download/71814/1530626/version/2/file
/Panorama2012_03-VF_Vehicules-Hybrides.pdf
[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.
[16] A. Karnama, Analysis of Integration of Plug-In Hybrid Electric Vehicles in the
Distribution Grid, Tesis de Máster, Royal Institute of Technology, Sweden, 2009.
[17] A. Arce, A. J. del Real, C. Bordons, Control Heurístico de Gestión de Potencia de un
Vehículo Híbrido con Pila de Combustible. XXVIII Jornadas de Automática. Huelva.
2007.
[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.
[19] T. A. Anderson, J. M. Barkman, C. Mi, Design and Optimization of a Fuzzy-Rule based
HEV Controller, Vehicle Power and Propulsion Conference (VPPC), 2008 IEEE.
[20] O. Sundström, D. Ambühl and L. Guzzella, On Implementation of Dynamic
Programming for Optimal Control Problems with Final State Constraints, Oil & Gas
Science and Technology - Rev. IFP, Vol. 65 (2010), No. 1, pp. 91-102
61
[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.
[24] G. Rousseau, D. Sinoquet and P. Rouchon, Constrained Optimization of Energy
Management for a Mild-Hybrid Vehicle, Oil & Gas Science and Technology – Rev. IFP,
Vol. 62 (2007), No. 4,pp. 623-634.
[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
[27] G. Paganelli, S. Delprat, T. M. Guerra, J. Rimaux, J. J. Santin, Equivalent Consumption
Minimization Strategy for Parallel Hybrid Powertrains, Vehicular Technology
Conference, IEEE 55th , 2002, vol.4, pp.2076-2081.
[28] A. Chasse, A. Sciarretta, Supervisory Control of Hybrid Powertrains: An experimental
Benchmark of offline optimization and online Energy Management, Control
Engineering Practice, Vol. 19, Issue 11, November 2011, pp. 1253–1265.
[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.
[31] S. Onori y L. Serrao, On Adaptive-ECMS Strategies for Hybrid Electric Vehicles,
Proceedings of Les Rencontres Scientifiques d’IFP Energies nouvelles – International
Scientific Conference on hybrid and electric vehicles – RHEVE 2011.
62
[32] Chevrolet Volt Battery, Web de General Motors, [Disponible online]
http://media.gm.com/content/dam/Media/microsites/product/volt/docs/battery_101
[33] B. Zuurendonk, Advanced Fuel Consumption and Emission Modelling using Willans Line
Scaling Techniques for Engines, Internship Report, Technische Universiteit Eindhoven.
[34] Organización Internacional de constructores de automóviles, OICA. http://oica.net
![Estrategias empresas-2-5 [Modo de compatibilidad] › wp-content › uploads › Jornada... · Campaña uso cinturón seguridad y SRI 8/14 septiembre •Vehículos de mercancías:](https://static.fdocuments.co/doc/165x107/5f26008e8469db656b3be664/estrategias-empresas-2-5-modo-de-compatibilidad-a-wp-content-a-uploads-a.jpg)
