Anonim

Naturen inspirerer 30% mer effektive hybrider

Automotive

Darren Quick

11. januar 2017

2 bilder

Kombinere evolusjonære algoritmer med tilkoblet kjøretøyteknologi har potensial til å forbedre brenseløkonomien til PHEVs betydelig (Kreditt: ryanking999 / Depositphotos)

Ifølge EV-volumes.com ble over 500 000 plug-in elektriske kjøretøy solgt globalt i de første 8 månedene av 2016, hvorav rundt 40 prosent var hybrider (PHEVs). Riverside (UCR) har inspirasjon fra naturen, ingeniører ved University of California, og har funnet en måte å redusere drivstoffforbruket til mange av disse PHEVene med over 30 prosent, bare ved å endre måten splitten mellom forbrenningsmotor og batteristrøm håndteres .

Bestemme om å trekke på strøm fra forbrenningsmotoren eller batteripakken håndteres av bilens energiledelse (EMS). Selv om det er noen unntak, fungerer de fleste på en svært enkel måte: Prioritering av batteristrøm før batteristrømnivået når en viss grense som utløser en bryter til bilens motor.

Blandede utslippsstrategier, hvorved valg av kraft er delt i løpet av turen, slik at batteripakken når minimumsgrensen bare i slutten av turen, har blitt foreslått som en måte å redusere drivstofforbruk og utslipp. UCR-teamet sier at laboratorietester har båret slike teorier ut, men variabiliteten av bilreiser har gjort det vanskelig å anvende denne tilnærmingen i den virkelige verden.

"I virkeligheten kan sjåfører bytte ruter, trafikk kan være uforutsigbar, og veiforholdene kan endres, noe som betyr at EMS må kilde den informasjonen i sanntid, " sier Xuewei Qi, en postdoktoral forsker ved Senter for miljøforskning og Teknologi (CE-CERT) i UCRs Bourns College of Engineering som ledet forskningen med Matthew Barth, CE-CERT regissør og en professor i elektrisk og datateknikk ved UCR.

For å løse dette problemet utviklet teamet en mer effektiv EMS ved å kombinere kjøretøysforbindelsesdata, for eksempel mobilnett og crowdsourcing-plattformer som Waze, med evolusjonære algoritmer, som matematisk beskriver naturlige fenomener som evolusjon og fuglflocking.

"Ved å matematisk modellere energisparingsprosessene som forekommer i naturen, har forskere opprettet algoritmer som kan brukes til å løse optimeringsproblemer innen engineering, " sier Qi. "Vi kombinerte denne tilnærmingen med tilkoblet kjøretøyteknologi for å oppnå energibesparelser på mer enn 30 prosent. Vi oppnådde dette ved å vurdere ladningsmulighetene under turen - noe som ikke er mulig med eksisterende EMS. "

Dette siste arbeidet bygger på teamets tidligere forskning i å undervise individuelle kjøretøyer, hvordan man kan forbedre drivstoffeffektiviteten basert på sine egne historiske kjørrekorder. Ved å kombinere dette med evolusjonære algoritmer, sier teamet at det blir mulig for kjøretøy å lære og forbedre sin egen energieffektivitet, da denne informasjonen da kan deles med andre biler i samme trafikknettverk gjennom tilkoblet kjøretøyteknologi.

"Enda viktigere er at PHEVs energiledelsessystem ikke lenger vil være en statisk enhet - den vil utvikle seg aktivt og forbedre seg for hele livssyklusen, " sier Qi. "Vårt mål er å revolusjonere PHEV EMS for å oppnå enda større drivstofbesparelser og utslippsreduksjoner. "

Lagets papir vises i IEEE-transaksjoner på intelligente transportsystemer .

Kilde: UC Riverside

Kombinere evolusjonære algoritmer med tilkoblet kjøretøyteknologi har potensial til å forbedre brenseløkonomien til PHEVs betydelig (Kreditt: ryanking999 / Depositphotos)

Xuewei Qi og et team av UCR-forskere bruker kjøretøykonnektivitet og evolusjonære algoritmer for å forbedre effektiviteten til Plug-In Hybrid Electric Vehicles

Anbefalt Redaksjonens