Giới thiệu chung
Ô tô điện không phải là một khái niệm mới, mà đã có lịch sử lâu đời từ đầu thế kỷ 19 Thực tế, xe điện từng có vị thế cạnh tranh tương đương với xe chạy bằng động cơ hơi nước vào những năm 1832.
Vào năm 1839, nhà khoa học Scotland Robert Anderson đã phát minh ra xe điện đầu tiên chuyên chở Đến năm 1842, hai nhà phát minh người Mỹ, Thomas Davenport và Robert Davidson, là những người đầu tiên ứng dụng pin vào ô tô điện Tuy nhiên, vào đầu thế kỷ 20, xe điện đã suy yếu và gần như biến mất do sự phát triển vượt bậc của động cơ đốt trong.
Trong hai thập kỷ qua, ô tô điện đã trở lại mạnh mẽ để giải quyết hai vấn đề lớn của nhân loại: sự cạn kiệt nguồn nhiên liệu hóa thạch và ô nhiễm môi trường do các phương tiện sử dụng động cơ xăng, dầu.
Việt Nam đang chú trọng phát triển nghiên cứu về ô tô điện nhằm nắm bắt công nghệ tiên tiến, với mục tiêu đưa ngành công nghiệp ô tô trong nước theo kịp xu thế toàn cầu Thương hiệu ô tô VinFast thuộc tập đoàn VinGroup đã giới thiệu một số mẫu xe điện tại các triển lãm quốc tế lớn Sự quan tâm từ cộng đồng, doanh nghiệp và nhà nước đối với nghiên cứu ô tô điện tại Việt Nam đang gia tăng, cho thấy đây là một hướng đi quan trọng cho tương lai.
Khái quát chung về xe ô tô điện
Theo các nghiên cứu hiện tại, ô tô sử dụng năng lượng điện được chia thành hai loại chính: ô tô điện thuần túy (EV) và ô tô lai xăng-điện (HEV và P-HEV) Trong bài viết này, tác giả tập trung nghiên cứu ô tô điện thuần túy, loại xe sử dụng động cơ điện để tạo ra chuyển động Đến tháng 12 năm 2018, có khoảng 5,3 triệu xe HEV và P-HEV đang hoạt động trên toàn cầu Tuy nhiên, tỷ lệ xe HEV cắm điện chỉ chiếm khoảng 0,4% tổng số xe lưu thông Thị trường xe P-HEV đang dần chuyển sang xe chạy bằng pin hoàn toàn, với tỷ lệ doanh số giữa xe điện chạy pin và xe lai cắm điện tăng từ 56:44 năm 2012 lên 69:31 vào năm 2018.
Hiện nay, có 6 cấu hình ô tô điện phổ biến đã được nghiên cứu trên toàn cầu, trong đó 3 cấu hình đã được đưa vào sản xuất.
Hình 1.1 mô tả các cấu hình xe ô tô điện, bắt đầu với mô hình chuyển đổi từ xe động cơ đốt trong truyền thống (Hình 1.1a) Cấu hình 1.1b sử dụng bộ truyền động 1 cấp không hộp số, giúp giảm kích thước và trọng lượng cơ khí Để tối ưu hóa hệ thống, nhiều cấu hình sử dụng hộp số ổn định tích hợp bộ vi sai (Hình 1.1d) Hình 1.1e cho thấy trục truyền động được loại bỏ nhờ tích hợp bộ truyền động vào bánh xe, trong khi cấu hình đơn giản nhất là động cơ điện tích hợp luôn vào bánh xe (In-Wheel Electric Motor) như ở Hình 1.1f Các cấu hình ở Hình 1.1a và 1.1b có hiệu suất thấp hơn so với các cấu hình còn lại Ô tô điện không chỉ giải quyết vấn đề môi trường mà còn mang lại nhiều ưu điểm về hoạt động mà xe động cơ đốt trong không có được.
Khả năng đáp ứng mô-men xoắn của xe điện rất nhanh, chỉ trong vài mili giây, giúp tăng cường độ an toàn trong các tình huống bất lợi khi di chuyển.
• Khả năng đo lường mô-men
• Khả năng hãm tái sinh sạc năng lượng trở lại nguồn
• Kích thước nhỏ gọn, bền vững hơn và gần như không phải bảo dưỡng
Power Converter EM d) Fix Gearing e) f)
Hệ năng lượng lai trên ô tô điện
Một số loại nguồn sử dụng cho ô tô điện
Pin hay ắc quy là thiết bị lưu trữ năng lượng hóa học, chuyển đổi thành điện năng khi sử dụng Để chọn loại pin phù hợp cho xe điện, cần cân nhắc nhiều yếu tố như dung lượng pin, trạng thái sạc và mật độ năng lượng Hình 1.2 trình bày đồ thị so sánh mật độ năng lượng và mật độ công suất của các loại pin với một số nguồn năng lượng khác, được gọi là đồ thị Ragone.
Đồ thị Ragone cho thấy các loại nguồn năng lượng khác nhau, trong đó dung lượng pin, đo bằng Ampere giờ (Ah), là yếu tố quan trọng nhất cần xem xét Dung lượng lớn giúp pin chứa nhiều điện năng hơn Bên cạnh đó, mật độ năng lượng lưu trữ, tính bằng Wh/kg, cũng cần được chú ý, vì nó được xác định bởi tích của dung lượng và điện áp trung bình trong quá trình xả trên một đơn vị khối lượng.
Khi sử dụng pin, trạng thái sạc (State of Charge - SoC) là yếu tố quan trọng cần xem xét, thể hiện mức sạc của pin so với dung lượng của nó, được đo bằng phần trăm (0% = cạn; 100% = đầy) Ngoài ra, độ xả của pin (Depth of Discharge - DoD) cũng là một chỉ số cần lưu ý, với 100% DoD tương ứng với trạng thái cạn và 0% là đầy SoC thường được sử dụng để xác định mức pin hiện tại trong quá trình sử dụng.
Internal combustion engine + fuel tank Fuel cells
4 trong khi DoD sẽ được đề cập đến khi thảo luận về vòng đời của cục pin sau những lần được tái sử dụng
Dòng xả tối đa của pin, được biểu diễn qua đại lượng C, là một chỉ số quan trọng thể hiện năng lực của pin Chẳng hạn, pin 1000mAh có dòng xả 1C cho phép xả tối đa 1000mA, trong khi 2C tương ứng với 2000mA Việc vượt quá dòng xả tối đa có thể làm giảm tuổi thọ pin hoặc gây ra nguy cơ cháy nổ Dòng xả tối đa phụ thuộc vào phản ứng hóa học trong pin và nhiệt độ của phản ứng đó Hiện nay, có ba loại pin/ắc-quy phổ biến trên thị trường đáp ứng nhu cầu sử dụng cho ô tô điện, với mật độ năng lượng và mật độ công suất được thể hiện rõ ràng.
Pin Lithium-ion (Li-on) là loại pin phổ biến nhất hiện nay, được sử dụng rộng rãi trong các thiết bị như Laptop và Smartphone Tuy nhiên, khi áp dụng vào xe điện, pin Li-ion gặp nhiều thách thức do mức tiêu thụ năng lượng cao của phương tiện Để cải thiện các đặc tính như dung lượng và khả năng tái chế, cần giảm điện áp sử dụng Vật liệu chế tạo pin cũng rất quan trọng; hầu hết các pin Li-ion cho xe điện hiện nay sử dụng LiFePO4, mặc dù không phải là vật liệu Cathode tối ưu, nhưng lại nổi bật với khả năng tái chế và dung lượng cao.
1.3.1.2 Siêu tụ điện (Ultra Capacitor)
Siêu tụ điện (Super Capacitor hay Ultra Capacitor) là một loại tụ hóa có mật độ điện dung cực cao, trước đây được gọi là tụ điện lớp kép Với giá trị điện dung vượt trội so với các loại tụ điện khác, siêu tụ điện thu hẹp khoảng cách giữa tụ điện và pin sạc, lưu trữ năng lượng gấp 10 đến 100 lần trên một đơn vị thể tích hoặc khối lượng Nó có khả năng phóng nạp nhanh hơn pin, tuy nhiên kích thước của siêu tụ điện lớn hơn pin cùng mức trữ năng khoảng 10 lần.
Siêu tụ điện không sử dụng điện môi truyền thống mà áp dụng điện dung tĩnh điện lớp kép và điện dung điện hóa, hoặc kết hợp cả hai phương pháp.
So với pin và ắc-quy thông thường thì siêu tụ điện có những đặc tính sau: [3]
• Cho phép nạp xả rất nhanh
• Cho phép phóng nạp nhiều lần (hàng vạn lần) so với khoảng 1000 lần của pin Li-ion
• Phương pháp sạc đơn giản, không cần mạch cảnh báo sạc đầy, khi quá tải không gây ảnh hưởng tới tuổi thọ
• Tuổi thọ cao, có thể lên đến trên 10 năm
Tuy nhiên, tụ nguyên tố có nhược điểm là điện áp thấp hơn và hiện tượng tự phóng nhanh hơn so với pin điện hóa, do nội trở của chúng lớn hơn.
Trong luận văn tốt nghiệp này, mô hình siêu tụ được phát triển dựa trên nguyên mẫu siêu tụ NESSCAP EMHSR-0062C0-125R0SR2, hiện đang được lưu giữ tại phòng thí nghiệm nghiên cứu xe điện CTI.
1.3.1.3 Pin nhiên liệu (Fuel Cell)
Trong hóa học, phản ứng điện phân diễn ra khi dòng điện phân tách nước thành oxy và hydro Ngược lại, pin nhiên liệu hoạt động dựa trên nguyên lý oxy và hydro phản ứng với nhau để tạo ra nước và giải phóng điện năng.
Hình 1.3 Hệ năng lượng Fuel Cell trên ô tô điện Toyota Mirai
Theo các nghiên cứu, Fuel Cell là nguồn năng lượng có mật độ cao nhất, thường kết hợp với pin hoặc siêu tụ điện để cung cấp năng lượng cho ô tô điện, vì nó không thể nhận năng lượng tái sinh từ động cơ điện trong quá trình di chuyển Hệ thống kết hợp Fuel Cell và pin, như minh họa trong Hình 1.3, cho thấy nhiều ưu điểm về mật độ năng lượng và sử dụng nguyên liệu từ khí tự nhiên (oxy và hydro) Mặc dù Fuel Cell được nghiên cứu nhiều năm qua, công nghệ này vẫn chưa hoàn thiện để đưa vào sản phẩm thương mại, với một trong những vấn đề quan trọng là tính an toàn.
Trên xe cần trang bị bình khí hydro và oxy để phục vụ cho phản ứng hóa học Tuy nhiên, nếu xảy ra sự cố không mong muốn, nguy cơ cháy nổ có thể đe dọa an toàn của hành khách.
1.3.1.4 Máy phát điện chạy bằng động cơ đốt trong
Một phương pháp hiệu quả để cung cấp điện cho pin xe là sử dụng máy phát điện chạy bằng động cơ đốt trong Máy phát điện này không chỉ sạc pin trong quá trình di chuyển mà còn cung cấp một phần năng lượng cho động cơ điện của xe thông qua bộ biến đổi điện tử công suất.
Hình 1.4 Hệ năng lượng gồm Pin và máy phát điện
Phân tích, lựa chọn hệ năng lượng lai cho hướng nghiên cứu
Hệ thống năng lượng (Energy Storage System - ESS) đóng vai trò quan trọng trong các phương tiện điện, với pin/ắc-quy là thiết bị lưu trữ năng lượng phổ biến nhất Tuy nhiên, việc sử dụng pin thuần túy gặp nhiều thách thức, bao gồm yêu cầu mật độ công suất cao để đáp ứng công suất đỉnh và khó khăn trong việc điều tiết nhiệt độ, cả trong điều kiện nóng và lạnh Hệ thống quản lý pin (BMS) cũng rất quan trọng để duy trì tuổi thọ của pin, ngăn ngừa sự suy giảm chất lượng theo thời gian, đặc biệt trong các ứng dụng có tần số nạp xả cao Để khắc phục những vấn đề này, giải pháp Hybrid Energy Storage Systems (HESS) được đề xuất, kết hợp siêu tụ điện với pin hoặc Fuel Cell, nhằm tối đa hóa hiệu suất và năng lượng tái sinh Tuy nhiên, an toàn của Fuel Cell và vấn đề phát thải từ động cơ đốt trong vẫn là thách thức lớn Các nghiên cứu hiện tại chủ yếu tập trung vào sự kết hợp giữa pin và siêu tụ điện, với siêu tụ điện bổ sung cho pin trong việc cung cấp mật độ công suất cao và khả năng sạc nhanh, tạo ra một giải pháp năng lượng hiệu quả hơn.
Trong quá trình hãm tái sinh, xe có khả năng hấp thu năng lượng hiệu quả hơn, đồng thời giúp pin nhận các dòng điện đỉnh mà không làm giảm tuổi thọ của nó.
Đề xuất hướng nghiên cứu
Hệ năng lượng lai pin-siêu tụ điện có thể được cấu hình đa dạng, giúp tăng cường sự ổn định cho nguồn điện áp DC cung cấp cho động cơ Trong số các cấu hình, hệ năng lượng lai pin-siêu tụ bán chủ động được ưa chuộng trong các nghiên cứu gần đây nhờ vào sự đơn giản và hiệu quả Đây sẽ là lựa chọn nghiên cứu của tác giả trong luận văn này.
Hệ năng lượng lai yêu cầu một chiến lược quản lý năng lượng để phân chia công suất tối ưu cho từng nguồn điện Các phương pháp nghiên cứu phổ biến được chia thành hai loại: dựa trên quy tắc và tối ưu hóa Các chiến lược dựa trên quy tắc bao gồm phương pháp xác định và trí tuệ nhân tạo (AI), với các giải pháp AI như logic mờ, mạng nơ-ron và học máy, đã chứng minh hiệu quả trong việc kiểm soát hệ năng lượng xe điện Mặt khác, các phương pháp tối ưu hóa được phân thành tối ưu hóa toàn cục và theo thời gian thực, sử dụng các kỹ thuật như quy hoạch tuyến tính và nguyên lý tối thiểu của Pontryagin Mặc dù các giải pháp tối ưu toàn cục không thể áp dụng cho xe thật do yêu cầu chu kỳ lái xe đã biết, chúng vẫn đóng vai trò quan trọng trong việc phát triển các phương pháp thời gian thực gần tối ưu Chiến lược điều khiển dự báo cho thấy HESS có hiệu suất vượt trội trong hoạt động của xe điện mà không cần biết trước về chuyến đi.
Trong các nghiên cứu [12] và [30], việc thiết kế hệ thống điều khiển và quản lý năng lượng đã được thực hiện thông qua các thí nghiệm, tuy nhiên, chúng cần một bộ vi điều khiển mạnh mẽ hoặc dịch vụ điện toán đám mây để hoạt động hiệu quả Các chiến lược tối ưu hóa này thường phức tạp và đòi hỏi nhiều tài nguyên tính toán, điều này có thể gây khó khăn trong việc triển khai các ứng dụng thời gian thực.
Cấu trúc phần tiếp theo của luận văn
Trình tự phát triển một đề tài nghiên cứu bao gồm các bước chính: đầu tiên là thực hiện nghiên cứu tổng quan về lĩnh vực mục tiêu, từ đó tác giả đề xuất hướng nghiên cứu mới Tiếp theo, công việc mô hình hóa và mô phỏng offline cho hệ thống được tiến hành Dựa trên kết quả từ mô phỏng offline, hệ thống mô phỏng tích hợp phần cứng (HIL) sẽ được xây dựng và kiểm thử Cuối cùng, kết quả mô phỏng hệ thống offline sẽ được kiểm chứng bằng phương pháp mô phỏng HIL trước khi tiến hành thử nghiệm thực tế.
Hình 1.5 Sơ đồ khối trình tự phát triển đề tài nghiên cứu
Dựa trên trình tự cơ bản, tác giả đã phát triển nội dung chính cho nghiên cứu về hệ năng lượng lai trên xe điện, như thể hiện trong sơ đồ bên trái của Hình 1.5.
Khóa học này sẽ nghiên cứu và đề xuất các thuật toán cùng chiến lược quản lý năng lượng cho hệ thống năng lượng lai pin-siêu tụ điện Nghiên cứu sẽ được thực hiện ở cấp độ mô phỏng offline và dừng lại ở mô phỏng tích hợp phần cứng (HIL) cấp độ tín hiệu, nhằm kiểm chứng hiệu quả của các giải pháp đã đề xuất.
Vì thế cấu trúc luận văn sẽ được tác giả chia thành 5 chương gồm một chương cuối là kết luận Các chương còn lại có nội dung như sau:
Chương 2 tập trung vào việc mô hình hóa hệ thống xe điện, sử dụng mẫu xe Mitsubishi i-MiEV và hệ năng lượng lai pin-siêu tụ Quá trình này dựa trên các định luật vật lý và phương trình toán học, nhằm biểu diễn toàn bộ hệ thống bằng phương pháp vĩ mô năng lượng Cuối cùng, chương này sẽ tiến hành thiết kế điều khiển cho hệ thống.
Chương 3 trình bày chiến lược bộ lọc thích nghi cho hệ năng lượng lai, dựa trên bộ lọc thông thấp với hằng số thời gian có thể thay đổi để phù hợp với điều kiện hoạt động của xe Bộ lọc này dễ dàng triển khai trên vi điều khiển và đã được chứng minh qua thực nghiệm mô phỏng HIL cấp độ tín hiệu.
Trong chương 4, tác giả trình bày một chiến lược quản lý năng lượng thông qua việc điều khiển biến đồng trạng thái của hệ năng lượng lai Chiến lược này sử dụng thuật toán điều khiển cận tối ưu dựa trên mô hình dự báo để tối ưu hóa hiệu suất hệ thống.
Chương 5: Kết luận Trong chương cuối cùng này, tác giả sẽ tóm tắt những kết quả nghiên cứu đã đạt được trong quá trình học thạc sĩ khoa học, đồng thời đưa ra định hướng cho các nghiên cứu trong tương lai.
MÔ HÌNH HÓA Ô TÔ ĐIỆN VÀ HỆ NGUỒN LAI
Mô hình hóa và thiết kế điều khiển cho hệ truyền động điện của xe ô tô điện i-MiEV
Chiếc xe điện Mitsubishi i-MiEV, sử dụng động cơ IPMSM, là nguyên mẫu cho nghiên cứu này Hệ thống xe điện này phức tạp với năng lượng lai, truyền động ba pha và cơ khí xe Để thiết kế điều khiển cho hệ thống, phương pháp EMR sẽ được áp dụng Cấu hình hệ thống xe điện i-MiEV được mô tả trong Hình 2.5, và mục này sẽ mô hình hóa hệ truyền động điện của xe ô tô với động cơ IPM.
Hình 2.5 Cấu hình hệ năng lượng và truyền động điện của xe i-MiEV
Mô hình hóa bộ Inverter
Bộ Inverter gồm 2 phần biến đổi:
Phần đầu tiên của bài viết trình bày quá trình chuyển đổi điện áp một chiều 𝑢bat thành điện áp xoay chiều ba pha 𝑢𝑎, 𝑢b, 𝑢c, được minh họa qua sơ đồ Hình 2.6 Hệ phương trình diễn tả sự biến đổi này có cấu trúc cụ thể, thể hiện mối quan hệ giữa các điện áp.
Hình 2.6 Cấu trúc bộ biến đổi điện áp
Khi đó mô hình toán học cho phần biến đổi này là:
𝑆 21 − 𝑆 31 ] là hàm điều chế cho bộ inverter
𝜂 𝑖𝑛𝑣 là hiệu suất của bộ biến đổi và 𝑘 = { 1 𝑛ế𝑢 𝑃 > 0
• Phần thứ hai: biểu diễn sự chuyển đổi hệ trục tọa độ dựa theo nguyên lý tựa từ thông Rotor
Sơ đồ biến đổi điện áp:
𝑢 𝑠𝑞 ] = 𝑢 𝑑𝑞 Đầu tiên, xét phương trình:
Thực hiện phép chuyển đổi hệ tọa độ:
Tiếp theo là sơ đồ biến đổi dòng điện:
𝑖 𝑏 ] = 𝑖 𝑖𝑛𝑣 Thực hiện phép biến đổi chuyển hệ tọa độ như sau:
Từ PT 2.10, PT 2.11 và PT 2.12 suy ra:
Mô hình hóa động cơ IPM
Mô hình liên tục của động cơ IPM trong hệ tọa độ dq bao gồm các thành phần chính: phương trình cuộn dây stator, phần sinh từ thông rotor, và phương trình chuyển đổi năng lượng từ điện sang cơ.
Hình 2.7 Mô hình liên tục động cơ IPM trên hệ tọa độ dq
Với cuộn dây stator ta có phương trình dòng điện 𝑖 𝑑𝑞 gồm 2 thành phần:
Phương trình biểu diễn sự biến đổi năng lượng từ điện sang cơ của động cơ là:
𝑇 𝑚 là Moment quay của động cơ
Với loại động cơ đồng bộ nam châm vĩnh cửu chìm thì sự tạo từ thông Rotor được biểu diễn một cách đơn giản với biểu thức:
Mô hình hộp số và bánh xe
Hai bộ phận này của xe được biểu diễn bằng biểu thức toán sau:
𝑘 𝑔𝑒𝑎𝑟 là tỷ số truyền của hộp số
𝑅 𝑤ℎ𝑒𝑒𝑙 là hệ số của bánh xe PT 2.21
Mô hình hóa hệ trục và khung gầm xe là quá trình quan trọng, trong đó hệ thống này được xem như một phần tử tích lũy năng lượng Đặc trưng của nó được thể hiện qua phương trình định luật II Newton, giúp phân tích và hiểu rõ hơn về hành vi động lực học của xe.
𝑀 𝑡𝑜𝑡 là tổng khối lượng của xe bao gồm hành khách
𝐹 𝑒𝑛𝑣 là lực cản của môi trường
Từ PT 2.22, thực hiện phép biến đổi Laplace:
𝑣 𝑣𝑒ℎ là vận tốc của xe
Mô hình động lực học thân xe
Khi ô tô lên dốc, lực tác động lên xe bao gồm lực phát động tại điểm tiếp xúc giữa bánh và mặt đường, được sinh ra từ động cơ qua hệ thống truyền động Trong điều kiện bình thường, các lực cản ảnh hưởng đến xe gồm lực cản gió, lực ma sát lăn, lực quán tính và lực kéo của trọng trường.
Hình 2.8 Hệ các lực môi trường tác động lên xe ô tô
Theo định luật II Newton:
Trong nghiên cứu này, chúng tôi chỉ xem xét chu trình lái xe trên đường bằng phẳng, do đó trọng lực 𝐹⃗⃗⃗ 𝑔 sẽ được coi là bằng không khi tính toán động lực học của thân xe Các lực tác động bao gồm lực tổng hợp 𝐹⃗⃗⃗, lực do ma sát 𝐹 𝐼, lực do lăn 𝐹 𝑟𝑟 và lực gió 𝐹 𝑤𝑖𝑛𝑑.
𝐹 𝑟𝑟 = 𝑀 𝑡𝑜𝑡 𝑔𝑐𝑜𝑠(𝛼)𝑐 𝑟𝑟 PT 2.26 Với hệ số ma sát lăn được tính:
Biểu diễn EMR và điều khiển hệ truyền động điện của xe
Mô hình hệ thống truyền động điện của xe ô tô điện i-MiEV sẽ được biểu diễn lại bằng phương pháp EMR, dựa trên các mô hình toán học của các thành phần xe ô tô và sơ đồ Hình 2.5 Các phương trình toán học của mô hình hệ thống sẽ được triển khai trong các khối EMR.
Hình 2.9 Biểu diễn EMR cho hệ truyền động xe i-MiEV
Dựa trên phương pháp biểu diễn EMR, đường điều chỉnh của mô hình có thể xác định một cách đơn giản Biến cần điều khiển là tốc độ xe 𝑣 𝑣𝑒ℎ, được điều chỉnh thông qua mômen quay của động cơ 𝑇 𝑚 Mômen này phụ thuộc vào dòng điện 𝑖 𝑑𝑞, được sinh ra từ điện áp Stator 𝑢 𝑖𝑛𝑣 Cuối cùng, điện áp Stator được điều chỉnh bởi hàm điều chế 𝑚, tạo thành đường điều chỉnh “tuning path”.
2.2.6.2 Thiết kế các bộ điều khiển
Sau khi xác định được đường điều chỉnh ở mục 2.2.6.1, dễ dàng nhận thấy được đường điều khiển sẽ là nghịch đảo của đường điều chỉnh:
• Bộ điều khiển tốc độ xe Đối tượng ở đây là một khâu tích phân nên bộ điều khiển cần sử dụng là bộ
IP nhằm triệt tiêu sai lệch tĩnh
Hình 2.10 Cấu trúc vòng điều khiển cho tốc độ xe
Theo cấu trúc điều khiển Hình 2.10, ta có hàm truyền đạt hệ kín như sau:
Theo hàm chuẩn khâu dao động bậc 2, suy ra:
𝑇 𝑟𝑒𝑠 là thời gian quá độ
𝐾𝐾 𝑝 là hằng số thời gian của hệ kín Suy ra các hệ số của bộ điều khiển tốc độ là:
Với vòng điều khiển tốc độ này, giá trị 𝑇 𝑟𝑒𝑠 được chọn là 1s
• Nghịch đảo hộp số và bánh xe
Thiết kế bộ điều khiển bằng sự nghịch đảo trực tiếp:
• Nghịch đảo khối động cơ IPM
Trong nghiên cứu của luận văn này, tốc độ cao nhất trong chu trình lái của xe luôn nằm trong dải định mức của động cơ (|𝜔 𝑚 | > 𝜔 đ𝑚) Điều này đảm bảo rằng động cơ hoạt động trong vùng mômen không đổi.
Bộ điều khiển dòng điện trên hệ trục d-q được áp dụng cho một khâu quán tính bậc nhất, do đó cần thiết kế một hệ thống điều khiển vòng kín Việc sử dụng bộ điều khiển PI với cấu trúc như Hình 2.11 là điều cần thiết để đảm bảo hiệu suất điều khiển tối ưu.
Hình 2.11 Cấu trúc điều khiển vòng dòng điện trên hệ tọa độ d-q
Xét trên trục d, hàm truyền đạt của đối tượng có dạng:
Với bộ điều khiển PI có dạng:
Từ PT 2.37 và PT 2.38, xét hàm truyền hệ hở:
𝐾 𝑖𝑑 = 𝜏 𝑑 , khi đó hàm truyền hệ hở có dạng:
Vậy hàm truyền hệ kín sẽ là:
Thời gian quá độ được chọn như sau:
Trong hệ thống điều khiển cho dòng điện, thời gian quá độ 𝑇 𝑟𝑒𝑠 thường được xác định là 10ms, đảm bảo nhỏ hơn ít nhất 10 lần so với thời gian đáp ứng của vòng điều khiển tốc độ.
Do ở trên đã chọn sao cho 𝐾 𝑝𝑑
𝐾 𝑖𝑑 = 𝜏 𝑑 , vì vậy giá trị 𝐾𝑝d được xác định theo công thức:
Vậy nên các hằng số cho bộ điều khiển PI dòng điện trên trục d là:
Chứng minh tương tự, bộ điều khiển PI cho vòng dòng điện trên trục q là:
Phương trình bộ điều khiển dòng điện trên hệ trục d-q là:
• Nghịch đảo khối chuyển đổi hệ tọa độ
Với phần điều khiển cho bộ biến đổi Inverter, có thể thực hiện nghịch đảo trực tiếp như sau:
Mô hình hóa và thiết kế điều khiển cho hệ thống năng lượng lai
Mô hình toán của các phần tử trong hệ thống
Mô hình toán học của một cell pin có thể được thể hiện qua nhiều dạng mô hình thay thế, trong đó mô hình điện áp-dòng điện được sử dụng phổ biến trong nghiên cứu hệ thống Mô hình này mô tả sự biến đổi của điện áp cực pin và trạng thái sạc (SOC) khi dòng điện thay đổi.
𝑢 𝑐𝑒𝑙𝑙 𝑂𝐶 là điện áp hở mạch của pin khi đã sạc đầy (V)
𝑟 𝑐𝑒𝑙𝑙 là nội trở tương đương của pin (ꭥ)
𝑄 𝑏𝑎𝑡 là dung lượng pin, được đo bằng đơn vị (Ah)
Điện áp hở mạch của pin phụ thuộc vào trạng thái sạc của nó Nghiên cứu này trình bày mối quan hệ giữa điện áp và trạng thái sạc thông qua một bảng tra một chiều Trạng thái sạc được xác định bằng phương pháp tính toán Coulomb.
Do hệ thống pin bao gồm nhiều cell pin kết nối với nhau nên tổng điện áp và dòng điện của hệ pin là:
22 với 𝑛 𝑠𝑒−𝑏𝑎𝑡 và 𝑛 𝑝𝑎−𝑏𝑎𝑡 lần lượt là số cell mắc nối tiếp và số nhánh mắc song song của hệ pin
2.3.1.2 Mô hình hóa siêu tụ điện
Mô hình toán tương đường của siêu tụ điện được biểu diễn ở phương trình dưới đây:
𝐶 𝑚𝑜𝑑 là điện dung của một module siêu tụ (F)
𝑟 𝑠𝑐−𝑚𝑜𝑑 là nội trở của một module siêu tụ (ꭥ)
Nhằm tặng mức điện áp đầu ra và điện dung của siêu tụ, các module siêu tụ sẽ được mắc nối với nhau Do đó:
Trong nghiên cứu này, siêu tụ đóng vai trò quan trọng trong việc cải thiện chất lượng điều khiển của hệ năng lượng lai Các yếu tố chính của siêu tụ bao gồm điện áp và trạng thái sạc (SOC) Ở đây, SOC của siêu tụ được định nghĩa như sau:
PT 2.55 với 𝑢 𝑠𝑐 𝑚𝑖𝑛 được qui ước bằng một nửa giá trị điện áp định mức của siêu tụ 𝑢 𝑠𝑐_𝑛𝑜𝑚
2.3.1.3 Mô hình hóa bộ biến đổi DC-DC hai chiều
Trong thiết kế hệ năng lượng lai, việc tối ưu hiệu suất bộ điều khiển động cơ là rất quan trọng Điều này có thể đạt được bằng cách tăng điện áp hệ thống, giảm dòng điện lớn và các tổn hao liên quan Một cách để tăng điện áp là thêm cell pin, nhưng điều này làm tăng kích thước, trọng lượng và chi phí của hệ thống Thay vào đó, việc sử dụng bộ biến đổi điện tử công suất DC-DC hai chiều giúp tăng điện áp và giảm dòng điện, từ đó giảm tổn thất Hơn nữa, bộ biến đổi này cho phép năng lượng chảy ngược để nạp lại hệ thống trong quá trình hãm tái sinh, nâng cao hiệu quả sử dụng Với những ưu điểm này, bộ biến đổi DC-DC hai chiều trở thành lựa chọn tối ưu cho việc điều khiển hệ năng lượng lai.
Bộ biến đổi này bao gồm hai phần: bộ chuyển mạch sử dụng van IGBT và một cuộn kháng
Mô hình mạch tương đương của bộ chuyển mạch được trình bày ở Hình 2.12
Hình 2.12 Mạch tương đương của bộ chuyển mạch HESS
Phương trình tương đương của bộ biến đổi DC-DC 2 chiều Chopper này là:
0 ≤ 𝑚 ≤ 1 là hàm điều chế cho bộ Chopper
𝜂 𝑐ℎ là hiệu suất của bộ biến đổi
2.3.1.4 Mô hình hóa cuộn kháng L
Hình 2.13 Mạch tương đương của cuộn kháng L
Cuộn kháng là một phần tử quan trọng trong việc tích lũy năng lượng, và khi kết hợp với siêu tụ điện, nó tạo ra một nguồn dòng điện có thể điều khiển Theo mạch điện tương đương được trình bày trong Hình 2.13, phương trình mô hình toán cho cuộn kháng được xác định rõ ràng.
2.3.1.5 Mô hình hóa phần nối mạch Coupling
Phần kết nối giữa 2 nguồn điện của HESS với hệ truyền động của xe được biểu diễn bằng hệ phương trình:
Biểu diễn EMR và điều khiển hệ năng lượng lai
Mô hình hệ thống năng lượng lai pin-siêu tụ sẽ được trình bày lại theo phương pháp EMR, như thể hiện trong Hình 2.14 Phương pháp EMR sẽ được áp dụng để xác định đường điều chỉnh của mô hình hệ thống, trong đó biến cần điều khiển là dòng điện của pin năng lượng 𝑖 𝑏𝑎𝑡 Việc xác định chính xác "tuning path" cho từng biến điều khiển là rất quan trọng.
Hình 2.14 Biểu diễn EMR hệ năng lượng lai Pin-Siêu tụ
Để điều khiển dòng điện qua pin, cần sử dụng trình từ tác động đến các đại lượng như trong Hình 2.14 Dòng điện 𝑖 𝑏𝑎𝑡 sẽ được điều chỉnh thông qua dòng điện đi qua bộ biến đổi.
Dòng điện qua siêu tụ của HESS, ký hiệu là 𝑖𝑐ℎ, sẽ được điều khiển bởi dòng 𝑖𝑠𝑐 Dòng 𝑖𝑠𝑐 có thể được điều chỉnh thông qua điện áp vào bộ biến đổi DC-DC Cuối cùng, điện áp 𝑢𝑐ℎ sẽ được điều chỉnh nhờ hàm điều chế 𝑚1 Do đó, đường điều chỉnh cho dòng điện của pin sẽ được xác định theo các yếu tố này.
Dựa trên phương pháp thiết kế điều khiển nghịch đảo mô hình hệ thống, chúng ta xác định đường điều khiển “Control path” và xây dựng bộ điều khiển cho từng phần tử Bằng cách thực hiện nghịch đảo từ “tuning path” đã xác định, chúng ta có thể thu được đường điều khiển “Control path” với cấu trúc cụ thể.
• Nghịch đảo phần tử kết nối mạch Coupling
• Nghịch đảo bộ biến đổi DC-DC 2 chiều
Từ PT 2.56, thực hiện nghịch đảo trực tiếp như sau:
• Bộ điều khiển dòng điện cho cuộn kháng L
Hình 2.15 Cấu trúc điều khiển vòng dòng điện qua cuộn kháng L
Cuộn kháng là một phần tử lưu trữ năng lượng, hoạt động như một khâu quán tính bậc nhất, do đó không thể thực hiện nghịch đảo trực tiếp Để kiểm soát dòng điện qua cuộn kháng, cần thiết kế một bộ điều khiển PI vòng kín theo cấu trúc được minh họa trong Hình 2.15.
Hàm truyền đạt của đối tượng có dạng:
Xét bộ điều khiển PI có dạng:
Từ PT 2.62 và PT 2.63, đặt: 𝑘 = 1
𝑟 𝐿 Xét hàm truyền hệ hở:
Chọn tham số để thỏa mãn: 𝐾 𝑝𝐿
𝐾 𝑖𝐿 = 𝜏, khi đó hàm truyền hệ hở trở thành:
Vậy nên hàm truyền hệ kín là:
PT 2.66 Để thỏa mãn yêu cầu về thời gian quá độ, chọn:
Với vòng điều khiển dòng điện, chọn thời gian quá độ 𝑇 𝑟𝑒𝑠 là 10ms Khi đó, giá trị của 𝐾𝑝L được xác định theo công thức:
Các hằng số cho bộ điều khiển PI dòng điện qua cuộn kháng L là:
Phương trình bộ điều khiển dòng điện PI cho cuộn kháng L là:
• Nghịch đảo bộ biến đổi DC-DC 2 chiều Chopper lần thứ 2
Do đường điều khiển “Control path” đi qua bộ Chopper 2 lần nên ta cần thêm
1 bộ điều khiển nghịch đảo nữa cho khối Chopper để có được hàm điều chế 𝑚, từ đó tạo tín hiệu PWM đóng cắt các van công suất
Hàm điều chế 𝑚 được tính theo công thức sau:
• Khối chiến lược điều khiển Strategy
Khối Strategy sẽ thực hiện các thuật toán chiến lược nhằm tối ưu hóa lượng đặt cho dòng điện pin 𝑖 𝑏𝑎𝑡 𝑟𝑒𝑓 theo từng mục đích điều khiển Luận văn sẽ trình bày hai chiến lược quản lý năng lượng mới được đề xuất trong quá trình nghiên cứu của tác giả.
CHIẾN LƯỢC QUẢN LÝ NĂNG LƯỢNG SỬ DỤNG BỘ LỌC THÍCH NGHI
Thuật toán bộ lọc thích nghi
Bộ lọc thông thấp là thuật toán phổ biến trong phân phối năng lượng giữa các nguồn khác nhau, nhờ vào tính đơn giản và yêu cầu tính toán thấp của vi xử lý Thuật toán này hiệu quả trong việc loại bỏ các thành phần dòng điện tần số cao cho pin Thông thường, bộ lọc thông thấp phân phối năng lượng giữa pin và SC dựa trên sự khác biệt về đặc tính tần số.
Giá trị hằng số thời gian 𝜏 thường được tìm ra nhờ vào đồ thị Ragone [35,
Giá trị của 𝜏 trong hệ thống năng lượng cần được điều chỉnh liên tục để duy trì hoạt động ổn định trong quá trình di chuyển của xe, vì sự phân bố năng lượng chịu ảnh hưởng lớn từ điều kiện lái xe thực tế Để thích nghi với điều kiện sử dụng, phương pháp PT 4.1 đã được biến đổi, trong đó phương trình bộ lọc thông thấp truyền thống được viết lại dưới dạng khâu tích phân có phản hồi âm Hai hệ số mới, 𝜏 𝑎 và 𝑘 𝑑, được giới thiệu để thay thế cho hằng số thời gian ban đầu, với 𝜏 𝑎 được chọn từ biểu đồ Ragone để phù hợp với đặc tính của hệ năng lượng lai pin-siêu tụ trong nghiên cứu.
𝑘 𝑑 trong Hình 3.1 được tính toán ra nhờ các chiến lược quản lý đề xuất dưới đây
Chiến lược quản lý năng lượng tập trung vào việc tối ưu hóa khả năng của siêu tụ điện để hỗ trợ hiệu quả cho pin Khi siêu tụ điện còn nhiều "khả năng", nó sẽ cung cấp năng lượng tốt hơn, giúp cải thiện hiệu suất tổng thể của hệ thống.
Khả năng của siêu tụ được thể hiện qua ba khía cạnh chính: năng lượng, SOC (State of Charge) và điện áp Do đó, hệ số phân phối thích ứng 𝑘 𝑑 được tính toán dựa trên ba phương diện này.
• Chiến lược dựa trên năng lượng của siêu tụ:
• Chiến lược dựa trên SOC của siêu tụ:
• Chiến lược dựa trên điện áp của siêu tụ:
Chiến lược dựa trên năng lượng liên quan đến điện áp của siêu tụ, vì năng lượng siêu tụ tỷ lệ thuận với điện áp Đồng thời, chiến lược dựa trên SOC được xác định bởi mối quan hệ giữa điện áp siêu tụ đo được và giá trị điện áp tối thiểu của siêu tụ.
SOC của pin là một hàm phi tuyến tính với điện áp, trong khi SOC của siêu tụ lại tuyến tính với điện áp của nó, tạo ra hiệu ứng đặc biệt cho chiến lược điều khiển Thuật toán dựa trên điện áp siêu tụ là bình phương của chiến lược dựa trên SOC Mặc dù tất cả các phương pháp đều dựa vào giá trị điện áp của siêu tụ, mỗi chiến lược lại mang đến sự biến thiên “khả năng” của siêu tụ theo những tỷ lệ khác nhau, giúp tối ưu hóa hiệu quả Do đó, bộ lọc thích nghi có khả năng tự động điều chỉnh hằng số thời gian phù hợp với từng giai đoạn hoạt động của xe.
Chiến lược quản lý năng lượng sẽ được củng cố bởi khối điều khiển sạc siêu tụ, giúp tối ưu hóa quá trình sạc lại siêu tụ trong các tình huống xe không cần công suất lớn, như khi di chuyển ổn định Theo thuật toán, siêu tụ sẽ được sạc lại với dòng điện cố định nếu giá trị tuyệt đối của dòng điện yêu cầu của xe 𝑖 𝑡𝑟𝑎𝑐 nhỏ hơn hoặc bằng giá trị ε.
Hình 3.2 Khối điều khiển sạc siêu tụ điện
Thuật toán giới hạn điện áp siêu tụ
Để tối ưu hóa hiệu quả sử dụng siêu tụ, bên cạnh chiến lược điều khiển đã đề ra, một thuật toán giới hạn khoảng điện áp hoạt động của siêu tụ sẽ được áp dụng Vì 75% năng lượng của siêu tụ điện được lưu trữ trong khoảng điện áp từ 𝑢 𝑠𝑐_𝑚𝑖𝑛 đến 𝑢 𝑠𝑐_𝑛𝑜𝑚, bộ giới hạn điện áp sẽ đảm bảo siêu tụ luôn hoạt động trong dải điện áp này.
Hình 3.3 Bộ giới hạn điện áp siêu tụ
Hình 3.3 đưa ra sơ đồ thuật toán của bộ giới hạn điện áp siêu tụ Điều mà được làm rõ ở phương trình dưới đây
Thay vì phải thay đổi giá trị một cách đột ngột khi chạm tới giới hạn 𝑢 𝑠𝑐_𝑚𝑖𝑛 và
Giá trị tiệm cận 𝑢 𝑠𝑐_𝑛𝑜𝑚, 𝑢 𝑠𝑐_ℎ𝑖 và 𝑢 𝑠𝑐_𝑙𝑜 được tích hợp để cải thiện sự điều chỉnh điện áp siêu tụ, giúp hệ thống hoạt động mượt mà hơn Việc này không chỉ nâng cao hiệu suất mà còn giảm thiểu nguy cơ mất điều khiển trong các tình huống không mong muốn.
Cuối cùng, toàn bộ chiến lược quản lý năng lượng và các thuật toán hỗ trợ sẽ được triển khai trong khối Strategy theo sơ đồ Hình 3.4 như sau:
Hình 3.4 Sơ đồ triển khai khối Strategy
Mô phỏng, thực nghiệm kiểm chứng và bình luận
Hệ thống xe điện sử dụng năng lượng lai đã được mô phỏng bằng phần mềm MATLAB/Simulink, với thư viện EMR Thông số kỹ thuật chi tiết của hệ thống được trình bày trong bảng 4.1, dựa trên mẫu xe Mitsubishi i-MiEV và siêu tụ điện NESSCAP, phục vụ cho các thí nghiệm tại phòng TN nghiên cứu xe điện CTI, như thể hiện trong Hình 3.5 và Hình 3.6.
Hình 3.5 Xe ô tô điện Mitsubishi i-MiEV
Hình 3.6 Siêu tụ điện NESSCAP EMHSR-0062C0-125R0SR2
Bảng 3.1 Thông số kỹ thuật của hệ thống Đại lượng Thông số
Hệ số khí động học 𝐶 𝑑 𝐴 𝑓 0.8295 m 2
Khối lượng riêng không khí (ở 20 ° C) ρ 1.25 kg/m 3
Công suất tối đa 𝑃 𝑚𝑎𝑥 49 kW
Từ thông cực 𝜑 𝑝 0.06 Wb Điện cảm Stator 𝐿 𝑠𝑑 140 μH
Dung lượng 1 cell 𝑄 𝑏𝑎𝑡 50 Ah Điện áp hở mạch 1 cell 𝑢 𝑐𝑒𝑙𝑙_𝑛𝑜𝑚 3.7 V Điện áp hở mạch 1 cell (ở
Siêu tụ NESSCAP EMHSR-0062C0-125R0SR2 Điện áp định mức 𝑢 𝑠𝑐_𝑛𝑜𝑚 125V Điện dung 𝐶 𝑚𝑜𝑑 62 F
Mật độ nặng lượng theo khối lượng 2.0 Wh/kg
Mật độ công suất khả dụng 1.8 kW/kg
Dòng liên tục tối đa
Nghiên cứu này sử dụng hai chu trình lái đặc trưng để kiểm chứng tính đúng đắn và so sánh hiệu quả của các thuật toán đề xuất Chu trình lái đầu tiên là NEDC, đại diện cho điều kiện lái xe tiêu chuẩn ở châu Âu, bao gồm bốn chu trình nội đô và một chu trình trên cao tốc Chu trình thứ hai là Artemis Urban, phản ánh dữ liệu thực tế về hành vi người lái tại châu Âu Ngoài ra, các chiến lược thích nghi sẽ được so sánh với bộ LPF truyền thống có tần số cắt 45 mHz từ nghiên cứu trước đó.
Mô phỏng offline Đáp ứng tốc độ của xe điện với các chu trình lái được thể hiện ở Hình 3.7
Bộ điều khiển tốc độ hoạt động hiệu quả khi duy trì vận tốc xe ổn định theo mức đặt, không xảy ra hiện tượng quá điều chỉnh Hình 3.8 minh họa dòng điện cần thiết cho hệ thống nguồn năng lượng.
Hình 3.7 Đáp ứng tốc độ của xe điện
Hình 3.8 Dòng điện yêu cầu của hệ thống truyền động
Mục tiêu chính của nghiên cứu này là tối ưu hóa hệ năng lượng lai nhằm giảm thiểu áp lực lên pin, không chỉ ở giá trị rms mà còn ở sự biến đổi nhanh chóng của dòng điện Kết quả mô phỏng dòng điện của pin với ba thuật toán đề xuất được trình bày trong Hình 3.9 và Hình 3.10.
Hình 3.9 Dòng điện pin với các chiến lược điều khiển với chu trình NEDC
Hình 3.10 Dòng điện pin với các chiến lược điều khiển với chu trình Artemis
Hình 3.11 so sánh các chỉ tiêu chất lượng dòng điện pin, bao gồm giá trị rms và độ lệch chuẩn, giữa bốn thuật toán trong hệ năng lượng lai và xe chạy thuần pin khi pin và siêu tụ đều được sạc đầy Mục tiêu của thuật toán đề xuất là giảm giá trị rms và độ lệch chuẩn của dòng pin, từ đó có khả năng tăng tuổi thọ của pin dựa trên nghiên cứu về pin LiFePO4.
Hình 3.11 Chỉ tiêu chất lượng của dòng điện pin
Xe điện chạy thuần pin phải chịu dòng điện rms cao nhất từ pin, như thể hiện trong Hình 3.11a Trong chu trình NEDC, thuật toán dựa trên SOC siêu tụ cho thấy hiệu quả tốt nhất với việc giảm lần lượt 20% và 14% dòng rms so với xe điện chạy pin thuần và thuật toán LPF truyền thống Hơn nữa, độ lệch chuẩn dòng điện của thuật toán SOC là thấp nhất, như thể hiện trong Hình 3.11b Mặc dù thuật toán dựa trên năng lượng siêu tụ là kém hiệu quả nhất trong số các thuật toán đề xuất, nhưng nó vẫn vượt trội hơn so với thuật toán LPF truyền thống.
Chu trình Artemis Urban cho thấy những chiến lược điều khiển và hệ năng lượng lại mang lại hiệu quả đáng kể, với phương pháp năng lượng siêu tu giảm thiểu tới 69% và 55% dòng rms của pin so với xe điện chạy pin thuần và thuật toán LPF truyền thống Độ lệch chuẩn dòng điện của thuật toán này chỉ là 3.1A, tương đương 17% so với xe chạy pin Thuật toán dựa trên SOC và điện áp siêu tụ cũng đạt kết quả tốt hơn so với phương pháp truyền thống, giúp giảm thiểu đáng kể sự biến động xấu lên pin của xe.
Chiến lược dựa trên năng lượng mang lại hiệu quả cao nhất cho các chu kỳ đô thị với điều kiện lái xe thay đổi liên tục Trong khi đó, chiến lược dựa trên SOC và điện áp lại tỏ ra hiệu quả hơn khi điều kiện lái xe ít biến động Việc giảm thiểu đáng kể dòng điện cực đại và dòng điện rms của pin giúp hạn chế sự sụt giảm điện áp, từ đó tránh được các tác động không mong muốn lên hệ thống truyền động điện Hệ thống nguồn lai và các chiến lược lọc thích ứng được đề xuất là lựa chọn phù hợp hơn cho ô tô điện trong thành phố so với các loại xe điện khác hoạt động trong điều kiện ổn định.
Hình 3.12 Điện áp siêu tụ với các chiến lược quản lý ở chu trình NEDC
Hình 3.13 Điện áp siêu tụ với các chiến lược quản lý ở chu trình Artemis
Hình 3.12 và Hình 3.13 minh họa hoạt động của siêu tụ điện tại các mức điện áp ban đầu khác nhau, cho thấy rằng siêu tụ điện luôn được duy trì trong vùng hoạt động đã được xác định Các chiến lược bộ lọc thích nghi thể hiện rõ hiệu quả trong việc khai thác khả năng của siêu tụ điện, vượt trội hơn so với các thuật toán lọc truyền thống Điều này chứng tỏ sự bền vững và hiệu quả của hệ thống điều khiển và quản lý năng lượng.
3.3.3.1 Xây dựng hệ thống thực nghiệm
Phương pháp mô phỏng tích hợp phần cứng cấp độ tín hiệu (Signal HIL)
[39] được sử dụng để kiểm chứng khả năng triển khai trên vi điều khiển theo thời gian thực của các thuật toán đề xuất
Hình 3.14 Sơ đồ nguyên lý mô phỏng Signal HIL
Hình 3.15 Hệ thống thực nghiệm mô phỏng Signal HIL
Dựa trên lý thuyết trong phụ lục, Hình 3.14 và Hình 3.15 mô tả sơ đồ nguyên lý và triển khai thực tế của hệ thống nghiên cứu Mô hình hệ năng lượng lai và hệ truyền động xe điện được mô phỏng trên trạm điều khiển dSPACE DS1103 Kit vi điều khiển TI C2000 được sử dụng để triển khai các bộ điều khiển và chiến lược quản lý năng lượng, với hai vi điều khiển tương tác qua mạch kết nối, tạo ra sự tương tác tín hiệu giống như thực tế Hệ thống mạch kết nối bao gồm DAC cung cấp tín hiệu tương tự cho các cảm biến dòng điện, điện áp, và ADC giúp C2000 thu thập tín hiệu đo, trong khi hệ thống CAN bus truyền tín hiệu điều khiển từ C2000 đến mô hình hệ thống trên trạm điều khiển dSPACE.
Mô phỏng offline cho thấy rằng chiến lược dựa trên năng lượng mang lại hiệu quả tốt nhất trong điều kiện lái xe biến động Kịch bản được đánh giá là thuật toán dựa trên năng lượng trong chu trình lái WLTC class 2, đại diện cho kiểu lái xe của các phương tiện ở Ấn Độ, Nhật Bản và Châu Âu, hiện đang được sử dụng để đánh giá hiệu suất khí thải của xe ô tô thương mại Siêu tụ được sạc đầy ở giai đoạn đầu, phản ánh điều kiện hoạt động phổ biến của xe điện vào buổi sáng Kết quả thực nghiệm từ hệ thống mô phỏng HIL cho thấy dòng điện của hệ năng lượng tương tự như trong mô phỏng, và điện áp siêu tụ thực nghiệm cũng cho thấy độ đập mạch rất nhỏ.
Mặc dù có sự tương đồng giữa kết quả thử nghiệm và mô phỏng, nhưng vẫn tồn tại một số sai lệch nhỏ do nhiễu đo trong quá trình giao tiếp giữa các vi điều khiển, như được thể hiện trong Hình 3.17b và Hình 3.18b.
Hình 3.16 Đáp ứng tốc độ với chu trình WLTC
Hình 3.17 Dòng điện hệ năng lượng lai trong thực nghiệm
Hình 3.18 Điện áp siêu tụ thực nghiệm
Kết luận, kết quả mô phỏng HIL cấp độ tín hiệu xác nhận rằng chiến lược quản lý năng lượng đề xuất là khả thi và hiệu quả trên ECU tích hợp Thời gian tính toán của thuật toán trong ECU rất ngắn, với tốc độ lấy mẫu 0.5 ms Hành vi của hệ thống trong mô phỏng offline đã được xác thực thông qua hệ thống thực nghiệm thời gian thực.
QUẢN LÝ NĂNG LƯỢNG BẰNG PHƯƠNG PHÁP ĐIỀU KHIỂN BIẾN ĐỒNG TRẠNG THÁI THEO MÔ HÌNH DỰ BÁO
Điều khiển tối ưu cho hệ năng lượng lai bằng thuật toán alt-PMP
Vấn đề chính trong hệ năng lượng lai bán chủ động là xác định chiến lược quản lý năng lượng hiệu quả để phân phối năng lượng cho từng nguồn Theo nguyên lý EMR, thuật toán quản lý được thực hiện trong khối Strategy nhằm tạo ra dữ liệu cho 𝑖 𝑏𝑎𝑡_𝑟𝑒𝑓 Nghiên cứu này áp dụng thuật toán alt-PMP để tối ưu hóa dòng điện từ pin Bằng cách tiếp cận hệ thống dưới dạng công suất và năng lượng, bài toán trở nên đơn giản và khả thi hơn Hệ truyền động của xe điện yêu cầu công suất 𝑃 𝑡𝑟𝑎𝑐 từ hệ năng lượng trong quá trình hoạt động, với 𝑃 𝑏𝑎𝑡 và 𝑃 𝑠𝑐 được cung cấp từ pin và siêu tụ để đáp ứng nhu cầu này.
Hình 4.1 Biểu diễn dòng công suất của hệ thống
Bài toán được bắt đầu từ siêu tụ, mối quan hệ giữa năng lượng và công suất của siêu tụ được biểu diễn trong phương trình dưới đây:
Từ PT 4.1, mô hình hóa của hệ thống được đưa ra chỉ bằng một phương trình đơn giản như sau:
Từ PT 4.2, có thể nhận thấy rằng năng lượng siêu tụ 𝐸 𝑠𝑐 là biến trạng thái của hệ thống Hệ thống năng lượng sẽ được điều khiển thông qua biến này.
Theo kết quả được đưa ra trong bài báo [24], nghiệm tối ưu cho bài toán năng lượng nêu trên sẽ là:
PT 4.3 với λ được gọi là biến đồng trạng thái được tính toán ra bởi chương trình alt-PMP ứng với mỗi chu trình lái thử nghiệm
Chiến lược điều khiển biến đồng trạng thái bằng dự báo mô hình
Điều khiển dự báo mô hình hệ thống (Model Predictive Control - MPC) là một phương pháp hứa hẹn cho việc tối ưu hóa quản lý hệ năng lượng lai theo thời gian thực Phương pháp này chuyển đổi bài toán điều khiển thông thường thành một bài toán tối ưu hóa, và giải quyết nó trong một khoảng thời gian được dự báo cho mỗi bước điều khiển rời rạc Hình 4.2 [41] minh họa sơ đồ tổng quát của hệ năng lượng lai được điều khiển bằng chiến lược MPC.
Hình 4.2 Chiến lược quản lý năng lượng dựa trên phương pháp MPC
Phương pháp quản lý năng lượng cho xe ô tô điện đã được ứng dụng rộng rãi trên thế giới, đặc biệt thông qua thuật toán MPC Trong nghiên cứu [42], hệ năng lượng lai pin-siêu tụ được điều khiển qua hai cấp: cấp trên xác định ngưỡng công suất của pin, trong khi cấp dưới điều chỉnh công suất cho pin và siêu tụ dựa trên ngưỡng đã dự báo Nghiên cứu [43] sử dụng thuật toán MPC để điều khiển trạng thái sạc (SoC) của pin dựa trên dữ liệu giao thông Chiến lược quản lý năng lượng được chia thành cấp dài hạn, thu thập thông tin về vận tốc giao thông, và cấp ngắn hạn, dự báo vận tốc tức thời SoC của pin và vận tốc dự báo sẽ được đưa vào khối MPC để tối ưu hóa mô-men và tốc độ xe, với mục tiêu giảm thiểu mức tiêu thụ năng lượng và sự chuyển trạng thái của động cơ.
Trac SS. s s1 e s1 s con1 e coup s con2 e con2
Optimization solving in receding horizon w(k+1), …, w(k+N p )
Dựa trên kết quả tối ưu từ thuật toán alt-PMP, một thuật toán điều khiển cận tối ưu cho quản lý năng lượng đã được phát triển để hoạt động trong thời gian thực Mô hình hệ thống có thể được diễn đạt lại từ các phương trình 4.2 và 4.3.
Giá trị trung bình tối ưu của biến đồng trạng thái trên toàn bộ chu trình được ký hiệu là λ_avg, trong khi λ_c là tín hiệu điều khiển từ bộ điều khiển biến đồng trạng thái.
Cuối cùng, theo PT 4.5, cấu trúc điều khiển cho biến đồng trạng thái được trình bày trong Hình 4.3 Nghiên cứu này đề xuất hai phương pháp cho bộ điều khiển λ, bao gồm phương pháp điều khiển dự báo mô hình (MPC) và bộ điều khiển khác.
PI truyền thống để so sánh hiệu quả
Hình 4.3 Cấu trúc điều khiển cho biến đồng trạng thái
MPC (Model Predictive Control) là một thuật toán điều khiển cận tối ưu nổi bật với khả năng xử lý các bài toán hệ thống có nhiều ràng buộc Trong nghiên cứu hệ năng lượng lai cho xe điện, MPC là lựa chọn lý tưởng cho bộ điều khiển λ, nhờ vào khả năng quản lý các ràng buộc vật lý như công suất tối đa của pin, năng lượng của siêu tụ, và độ biến thiên của tín hiệu điều khiển Để áp dụng bộ điều khiển MPC, mô hình hệ thống cần được biểu diễn dưới dạng không gian trạng thái.
Từ PT 4.6, mô hình rời rạc của hệ thống được hình thành với bước thời gian trích mẫu Δt như sau:
Với mô hình rời rạc trên, phiếm hàm mục tiêu dạng toàn phương được định nghĩa như sau:
Các ma trận trọng số 𝑄 𝑘, 𝑅 𝑘−1 và 𝑃 𝑘−1 là những yếu tố quan trọng trong hàm mục tiêu, ảnh hưởng trực tiếp đến chất lượng điều khiển Việc điều chỉnh hợp lý các ma trận này là cần thiết để tối ưu hóa hiệu suất điều khiển.
Các điều kiện ràng buộc của hệ thống năng lượng được đưa ra như sau:
PT 4.10 Để có thể giải quyết bài toán tối ưu toàn phương, một phương pháp thường được sử dụng là Quadratic Programming (QP) Phương pháp này đòi hỏi vấn đề cần giải phải ở dưới dạng toàn phương chính tắc như sau [44]:
2 𝑧 𝑇 𝐻𝑧 + 𝑐 𝑇 𝑧, PT 4.11 với dạng ràng buộc:
PT 4.12 z ở đây là vector chứa tất cả các biến của hệ thống
43 với N là số bước tính toán trong một cửa sổ dự báo của MPC [31]
Tổng số biến trong vector z từ k=1 đến k=N là:
Trong nghiên cứu này, vì hệ thống có một biến trạng thái, một biến điều khiển và một đầu ra nên: 𝑛 𝑥 = 𝑛 𝑦 = 𝑛 𝑢 = 1
Sau khí định nghĩa được vector biến z, từ PT 4.11 phiếm hàm mục tiêu dạng toàn phương chính tắc có thể được viết lại như sau:
Một cách tương tự, những điều kiện rang buộc được viết lại như sau:
Theo các phương trình 4.7, 4.8, 4.10, 4.12, 4.15, 4.16 và 4.17, các ma trận H, c, Ae, be, Ai, bi, zupper và zlower được xác định thông qua các phép biến đổi đại số thông thường [45] Kết quả cuối cùng của các ma trận này phản ánh các đặc trưng của bài toán lập trình bậc hai (QP).
] = 𝐼 𝑁𝑢 ⊗ 𝑅 PT 4.18 trong đó 𝑅 0 = 𝑅 1 = ⋯ = 𝑅 𝑁−1 = 𝑅 với 𝑅 ∈ R 𝑛 𝑢 × 𝑛 𝑢 là ma trận trọng số cho biến điều khiển, I là ma trận đơn vị
] = 𝐼 𝑁𝑛 𝑢 ⊗ 𝑃 PT 4.19 trong đó 𝑃 0 = 𝑃 1 = ⋯ = 𝑃 𝑁−1 = 𝑃 với 𝑃 ∈ R 𝑛 𝑢 × 𝑛 𝑢 là ma trận trọng số cho độ biến thiên của điều khiển
] = 𝐼 𝑁𝑛 𝑢 ⊗ 𝑄 PT 4.21 trong đó 𝑄 1 = 𝑄 2 = ⋯ = 𝑄 𝑁 = 𝑄 với 𝑄 ∈ R 𝑛 𝑦 × 𝑛 𝑦 là ma trận trọng số cho sai lệch e
PT 4.23 với ma trận 𝐼 𝑁,−1 có dạng:
Trong nghiên cứu này, các ma trận Ai và bi được xác định là ma trận rỗng Ràng buộc của hệ thống sẽ được thực hiện thông qua các ma trận biên zupper và zlower.
Cuối cùng, với việc thu thập tất cả các ma trận cần thiết, bài toán tối ưu toàn phương cho hệ năng lượng lai có thể được giải quyết bằng hàm giải thuật tích hợp trong MATLAB, cụ thể là hàm quadprog.
Bộ điều khiển PI cho biến đồng trạng thái
Theo mục 4.2.1, mô hình hệ năng lượng lai có thể được xem là một khâu tích phân đơn giản, cho phép sử dụng bộ điều khiển PI Hàm truyền hệ hở của hệ thống được xác định như sau:
46 trong đó 𝑘 𝑃 và 𝑘 𝐼 là các hệ số của bộ điều khiển PI
Từ PT 4.30, hàm truyền hệ kín của hệ thống là:
Hàm truyền khâu dao động bậc 2 có dạng chuẩn là:
PT 4.32 trong đó 𝜉 là hệ số tắt dần và 𝜔 𝑛 là tần số góc tự nhiên Đồng nhất hệ số PT 4.31 và 4.32 suy ra 𝑘 𝑃 và 𝑘 𝐼 được tính như sau:
PT 4.33 với 𝑇 𝑟𝑒𝑠 là thời gian đáp ứng của hệ thống 𝜉 được chọn bằng 1 nhằm triệt tiêu dao động và độ quá điều chỉnh Tác dụng của bộ điều khiển này lên hệ năng lượng có thể được điều chỉnh thông qua 𝑇 𝑟𝑒𝑠
Kết quả mô phỏng và bình luận
Để đánh giá hiệu quả của các thuật toán điều khiển biến đồng trạng thái, bài viết sử dụng hai chu trình lái FTP và WLTC class 2 Những chu trình này thường được áp dụng để kiểm tra xe điện vì chúng phản ánh hành vi lái xe từ dữ liệu thực tế Hình 4.4 minh họa đáp ứng tốc độ của hệ truyền động xe i-MiEV trong hai chu trình lái này.
Hình 4.4 Đáp ứng tốc độ của xe với hai chu trình lái
Xe điện có khả năng đạt tốc độ nhanh chóng mà không cần điều chỉnh quá mức, nhờ vào mô hình hệ truyền động điện chính xác Giá trị λ_avg được tính toán trước bằng alt-PMP theo chu trình WLTC class 2, và sẽ được sử dụng cho toàn bộ mô phỏng kiểm chứng, vì chu trình WLTC phản ánh hầu hết các điều kiện lái xe từ dữ liệu thực Trong trạng thái ban đầu, pin sẽ được sạc đầy và siêu tụ sẽ được nạp tới 95% điện áp định mức.
Kết quả mô phỏng và bình luận
Mục tiêu chính của việc phát triển chiến lược quản lý năng lượng cho hệ năng lượng lai là giảm thiểu ảnh hưởng tiêu cực đến tuổi thọ của pin trong khi vẫn đảm bảo đáp ứng yêu cầu công suất của xe Để đạt được điều này, sẽ tiến hành mô phỏng so sánh giữa ba loại xe: xe điện thuần chạy pin, xe điện với hệ năng lượng lai áp dụng chiến lược quản lý MPC, và xe điện hệ năng lượng lai sử dụng bộ điều khiển PI Đồng thời, giải pháp tối ưu bằng phương pháp alt-PMP cũng sẽ được đưa ra làm tiêu chuẩn so sánh.
Hình 4.5 Phân phối công suất của hệ năng lượng lai với bộ PI
Hình 4.6 Phân phối công suất của hệ năng lượng lai với bộ MPC
Hình 4.7 minh họa dòng điện của pin với các thuật toán đề xuất, cho thấy sự phân phối công suất của hệ năng lượng lai với bộ điều khiển PI và MPC như được trình bày trong Hình 4.5 và Hình 4.6 Các chiến lược điều khiển được so sánh với lời giải alt-PMP và dòng điện của xe chạy thuần pin Kết quả từ các đồ thị cho thấy rõ sự khác biệt giữa các dòng điện pin, trong đó dòng điện pin do chiến lược điều khiển biến đồng trạng thái bằng MPC tạo ra có biên độ gần nhất với lời giải tối ưu alt-PMP sau các chu trình kiểm thử.
Hình 4.8 Các chỉ tiêu chất lượng của dòng điện pin
Các chỉ số chất lượng của dòng điện pin cho thấy hệ xe chạy thuần pin có dòng pin rms cao nhất, đạt 21.4 A ở chu trình FTP và 19.6 A ở chu trình WLTC Chiến lược MPC mang lại hiệu quả vượt trội, giảm 34.6% và 26.9% dòng pin rms so với xe thuần pin trong hai chu trình này Kết quả của thuật toán MPC gần đạt tối ưu alt-PMP Bộ điều khiển PI cũng cho kết quả khả quan với dòng pin rms là 15.94 A (FTP) và 15.92 A (WLTC) Đối với chỉ số độ lệch chuẩn, chiến lược MPC vẫn là tốt nhất với giá trị 9.7 A (FTP) và 8.9 A (WLTC), chỉ bằng 51% và 54.4% giá trị độ lệch chuẩn của hệ thuần pin Bộ điều khiển PI giảm được 34.8% và 31% độ lệch chuẩn so với xe chạy thuần pin trong hai chu trình FTP và WLTC.
Hình 4.9 Điện áp siêu tụ với các thuật toán đề xuất
Đồ thị điện áp siêu tụ cho thấy rằng siêu tụ hoạt động hiệu quả hơn với thuật toán MPC so với bộ điều khiển PI trong vùng điện áp ràng buộc Siêu tụ luôn được sạc về mức 95-100% điện áp định mức ở cuối chu trình, chứng tỏ khả năng hoạt động ổn định với các thuật toán đề xuất Các kết quả mô phỏng đã xác nhận hiệu quả của các chiến lược quản lý năng lượng trong nhiều điều kiện hoạt động khác nhau, mở ra tiềm năng lớn cho việc triển khai trong ứng dụng thời gian thực.
