بهینه سازی و کنترل خودروهای هیبریدی با در نظر گرفتن جرایم مربوط به آلایندگی و بر اساس الگوریتم PSO

نوع مقاله : مقاله برق

نویسندگان

مرکز آموزش عالی شهرضا

چکیده

در این مقاله روشی جدیدی به‌منظور بهینه کردن استراتژی کنترل در خودروهای هیبرید موازی ارائه‌شده است. با پیشنهاد یک تابع هدف جدید و به‌منظور مدیریت مؤثر تقسیم توان بین موتورهای احتراقی و الکتریکی، میزان مصرف سوخت بهینه‌شده و همچنین میزان آلایندگی‌ها نیز با در نظر گرفتن توابع جریمه به حداقل ممکن رسیده است. با استفاده از نرم افزار ADVISOR، به‌عنوان یکی از نرم افزارهای متداول در زمینه شبیه سازی خودروهای هیبریدی و همچنین معادلات غیرخطی حاکم بر این خودروها، یک خودروی هیبرید موازی در چرخه رانندگی شهری آمریکا را شبیه سازی نموده و جهت بهینه کردن استراتژی کنترل از یک الگوریتم توسعه‌یافته بر اساس روش بهینه سازی ازدحام ذرات (PSO) استفاده‌شده است. در الگوریتم PSO پیشنهادی از ضرایب انقباض و اعمال اثر آینه ای سرعت، جهت افزایش کارایی روش استفاده می گردد. با محدودیت های جدیدی که برای الگوریتم PSO پیشنهاد گردیده، نتایج حاصله بهبودیافته است. همچنین نتایج شبیه سازی با نتایج به‌دست‌آمده از الگوریتم های ارائه‌شده در مقالات اخیر مقایسه گردیده است. این مقایسه نیز کارایی و دقت الگوریتم پیشنهادی را در بهینه سازی پارامترهای کنترل که منجر به کاهش مصرف سوخت و آلاینده های خروجی از خودرو شده است، نشان می‌دهد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Optimization and control of hybrid vehicles with considering penalty factors for emission and based on the PSO algorithm

نویسندگان [English]

  • Mohammad Reza Ansari
  • iman hemmat
Faculty of Electrical Engineering, University of Shahreza, Isfahan, Iran
چکیده [English]

This paper presents a new approach to optimizing of the control strategy in parallel hybrid vehicles. By proposing a new objective function and in order to efficient management of the power split between the combustion and electrical motors, fuel consumption and the amount of emissions are minimized with considering the penalty functions. Using the ADVISOR software, as one of the most common software used for a hybrid vehicle, as well as nonlinear equations of these vehicles, a parallel hybrid vehicle in the urban driving cycle of the United States is simulated. In this paper, an extended algorithm based on the Particle Swarm Optimization (PSO) is used. In the proposed PSO algorithm, the coefficients of contraction and the mirror effect of speed are used to increase the efficiency of the method. With the new constraints proposed for the PSO algorithm, the results have been improved. Also, simulation results are compared with the results obtained from the algorithms presented in recent papers. This comparison also shows the efficiency and accuracy of the proposed algorithm in optimizing the control parameters that lead to reduced fuel consumption and emissions from the vehicle.

کلیدواژه‌ها [English]

  • Parallel hybrid vehicle
  • Control strategy
  • Extended PSO algorithm
  • Fuel consumption
  • Penalty factor for emission
 
[1] محمود سعادت فومنی و علی امین بیدختی،بررسی اثرات سیکل شهری بر روی میزان مصرف سوخت خودرو، مجله مدل سازی در مهندسی، دوره 5، شماره 19، زمستان 1388، صفحه 47-56.
[2] Zhang S, Xiong R, Sun F, “Model predictive control for power management in a plug-in hybrid electric vehicle with a hybrid energy storage system”, Applied Energy, Vol. 185, pp. 1654-1662, 2017.
[3] Poullikkas A, “Sustainable options for electric vehicle technologies”. Renew Sustain Energy Rev, Vol. 41, pp. 1277–1287, 2015.
[4] Yang Y, Hu X, Pei H, Peng Z, “Comparison of power-split and parallel hybrid powertrain architectures with a single electric machine: dynamic programming approach”. Appl. Energy, Vol. 168, pp. 683–690, 2016.
[5] Castaings A, Lhomme W, Trigui R, Bouscayrol A, “Comparison of energy management strategies of a battery/super capacitors system for electric vehicle under real-time constraints”. Appl. Energy, Vol. 163, pp. 190–200. 2016.
[6] Wieczorek M, Lewandowski M. “A mathematical representation of an energy management strategy for hybrid energy storage system in electric vehicle and real time optimization using a genetic algorithm”, Applied Energy, Vol. 192, pp. 222-233, 2017
[7] Thibault L, Sciarretta A, Degeilh P, “Reduction of pollutant emissions of diesel mild hybrid vehicles with an innovative Energy Management Strategy” IEEE Intelligent Vehicles Symposium (IV). 2017.
 [8] علی اکبر نیرومند­فر، آرش کیومرثی و حمید­رضا هوشیارمنش، کنترل و بهینه­سازی سوخت در خودروهای هیبریدی، چهارمین کنفرانس ملی ایده­های نو در مهندسی برق، 1394.
[9] Yu-Huei Cheng, Ching-Ming Lai, “Control Strategy Optimization for Parallel Hybrid Electric Vehicles Using a Memetic Algorithm” Energies 10(3). March 2017
[10] Capata, R. “Urban and Extra-Urban Hybrid Vehicles: A Technological Review”, Energies, Vol. 11(11), 2018.
[11] صفیه­السادات شیخعلیشاهی، مهدی میرزایی، سجاد آقاسی زاده و رحیم خوشبختی، بهینه­سازی کنترل کننده خودروی هیبریدالکتریکی با در نظر گرفتن استاندارد آلایندگی یورو 3، نشریه سامانه­های غیرخطی در مهندسی برق،1392.
[12] مجتبی دری و امیر حسین شامخی،  بهینه­سازی مصرف سوخت در یک خودروی هیبرید موازی دارای سیستم انتقال قدرت CVT، هجدهمین همایش سالانه بین­المللی مهندسی مکانیک ایران، 1389.
[13]  Yu  H, Kuang M, McGee R, “Trip-oriented energy management control strategy for plug-in hybrid electric vehicles”. IEEE Trans. Control Syst. Technol., Vol. 22, pp. 1323–1336, 2014.
[14] Panday A, Bansal H.O, “Energy management strategy implementation for hybrid electric vehicles using genetic algorithm tuned Pontryagin’s minimum principle controller”. Int. J. Veh. Technol. Vol. 3, pp. 1-13, 2016.
[15] Lincun Fang, Shiyin Qin, Gang Xu, Tianli Li and Kemin Zhu. “Simultaneous Optimization for Hybrid Electric Vehicle Parameters Based on Multi-Objective Genetic Algorithms” Energies, vol. 4 (3), pp. 1-13. March 2011
[16] Montazeri-Gh, M.; Poursamad, A.; Ghalichi, B. “Application of genetic algorithm for optimization of control strategy in parallel hybrid electric vehicles”. Journal of the Franklin Institute, Vol. 343 (4), pp. 420-435, July–August 2006.
[17] M. Wust, M. Kruger, D. Naber, “Operating strategy for optimized CO2 and NOx emissions of diesel-engine mild-hybrid vehicles”15. Internationales Stuttgarter Symposium, pp. 93-111, 2015.
[18] Ali Behzadpour and Hossein Eliasi. “Fuzzy Based Controller Design for Parallel Hybrid Electric Vehicle an appoach to fuel consumption and emission reduction”, 2nd International Conference on Knowledge-Based Engineering and Innovation (KBEI), 2015
[19] Z. Dezong Z,  Richard S, Guangyu D , Edward w, “Real-time energy management for diesel heavy duty hybrid electric vehicles” IEEE Transactions on Control Systems Technology, Vol. 23 (3), pp.829-841, May 2015
[20] Nuesch T,Wang M, Isenegger P, Onder C, Steiner R, “Optimal energy management for a diesel hybrid electric vehicle considering transient PM and quasi-static NOx emissions”. Control Engineering Practice, Vol. 9, pp. 266-276, 2014.
[21] Hao J, Yu Z, Zhao Z, Shen, P, Zhan X, “Optimization of key parameters of energy management strategy for hybrid electric vehicle using DIRECT algorithm”. Energies 2016.
[22] Daowei Zhu, Hongrui Chen, Shishun Zhu  and Gang Yang. “Optimization of Control parameters for a   Parallel hybrid electric vehicle Based on AMESim”,   IEEE Conference and Expo Transportation Electrification Asia-Pacific (ITEC Asia-Pacific), 2014
[23] GUO Yi-feng, Fan Jian-wen, LIN Chuan and HUANG Li-min. “Control Strategy Simulation of Hybrid Electric Vehicle”, IEEE Transportation Electrification Conference and Expo, Asia-Pacific, 2014
[24] Grondin O, Thibault L, Quérel C, “Energy Management Strategies for Diesel Hybrid Electric Vehicle”, Oil & Gas Science and Technology – Rev. IFP Energies nouvelles, Vol. 70, no. 1, pp. 125-141, 2015
[25] Heavy-Duty FTP Transient Cycle. Available:
[26] Johnson, V.H.; Wipke, K.B.; Rausen, D.J. “HEV control strategy for real-time optimization of fuel economy and emissions”, Society of Automotive Engineers, 2000.
[27] Zhang X. and Mi C., “Vehicle Power Management: Modeling, Control and Optimization” Springer, 2011.
[28] Deng T, Chunsong L, Luo J  and Chen B, “NSGA-II multi-objectives optimization algorithm for energy management control of hybrid electric vehicle” Proceedings of the Institution of Mechanical Engineers Part D Journal of Automobile Engineering, 2018.
 
[29] Martorell, S.; Carlos, S.; Sanchez, A.; Serradell, V. “Constrained optimization of test intervals using a steady-state genetic algorithm”, Reliability Engineering & System Safety, Vol. 67 (3), pp. 215-232, March 2000,
[30] Wu, J.; Zhang, C.-H.; Cui, N.-X. “PSO algorithm-based parameter optimization for HEV powertrain and its   control strategy”, International Journal of Automotive Technology, Vol. 9 (1), pp. 53-59, February 2008.
[31] Long, V.; Nhan, N. “Bees-algorithm-based optimization of component size and control strategy parameters for parallel hybrid electric vehicles”, International Journal of Automotive Technology, Vol. 13 (7), pp. 1177–1183, December 2012.
[32] Moore, T.C.; Lovins, A.B. “Vehicle design strategies to meet and exceed PNGV goals”. SAE Tech. Pap. 1995.  
[33] علی قدوسیان و مجتبی شیخی، بهینه کردن موقعیت تکیه‏گاه ‏های سازه جهت حداقل کردن ممان خمشی با الگوریتم گروه ذرات تحت بارگذاری چندگانه، مجله مدل سازی در مهندسی،دوره 8، شماره 22، پاییز 1389، صفحه 59-67.
[34] مسعود احمدی گرجی  و نیما امجدی، برنامه ریزی توسعه پویای شبکه های توزیع در حضور منابع تولید پراکنده با استفاده از یک الگوریتم بهینه‌سازی جدید دو سطحی، مجله مدل سازی در مهندسی، دوره 14، شماره 44، بهار 1395، صفحه 143-157.
[35] حسین شریف زاده ونیما امجدی، توزیع بهینه توان راکتیو با استفاده از الگوریتم بهینه‌سازی دسته ذرات، مجله مدل سازی در مهندسی،دوره 4، شماره 18، پاییز 1388، صفحه 67-73.
[36] حسین همتیان ، عبدالحسین فریدون و مرتضی رجب پور، بهینه سازی پانل ساندویچی هسته منشوری بر اساس الگوریتم گروه ذرات، مجله مدل سازی در مهندسی،دوره 8، شماره 20، بهار 1389، صفحه 17-26.
[37] ADVISOR Help on Version and Type (Software)