Förutsäga effektbehov och optimera energihantering för bränslecellsbatterihybridbilar

The automotive industry has been actively seeking ways to reduce emissions and combat global warming. While pure battery electric vehicles have shown promise in achieving zero-tailpipe emissions, they face challenges in meeting the energy demands of large construction machines like excavators and wheel loaders, due to the heavy batteries required. To overcome this issue, Fuel Cell Hybrid Electric Vehicles (FCHEV) have emerged as a potential solution. However, efficient energy management systems are crucial for FCHEV, as fuel cells are slow-reacting devices and construction machines operate with highly transient work cycles. This thesis addresses the need for an effective energy management strategy by developing a controller and machine load predictor for an FCHEV. The proposed approach utilizes Model Predictive Control (MPC) to minimize an objective function encompassing hydrogen consumption and rate constraints. The controller determines the optimal power split between the fuel cell and battery over a specific time-horizon, ensuring power demand is met while adhering to system constraints. Additionally, an auto-correlation-based machine load predictor is integrated with the controller to optimize the power split between the battery and fuel cell. By implementing the MPC combined with the auto-correlation-based load predictor, the FCHEV effectively utilizes a narrower battery State of Charge (SoC) window, potentially reducing the required battery size in the machine. Moreover, the strategy reduces transients in fuel cell power, slowing down degradation and enhancing its lifetime, in comparison to Volvo Construction Equipment AB’s (Volvo CE) previous real-time power-split function. This research contributes to the development of energy-efficient solutions for large construction machines, particularly in the context of FCHEV. The proposed energy management strategy utilizing MPC and load prediction techniques holds promise for improving overall system performance, reducing hydrogen consumption, and limiting the degradation of fuel cell and battery components.Bilindustrin har sedan länge sökt sätt att minska utsläppen och bekämpa den globala uppvärmningen. Även om rent batteridrivna elektriska fordon är i princip avgasfria, så är det utmananade att möta energikraven för stora byggmaskiner som grävmaskiner och hjullastare med endast batterier. För att övervinna detta problem har bränslecell-hybrid-elektriska fordon (FCHEV från engelskans Fuel-cell hybrid electrical vehicle) identifierats som en potentiell lösning. Dock är effektiva energihanteringssystem avgörande för FCHEV, eftersom bränsleceller reagerar långsamt och byggmaskiner arbetar med snabbt varierande arbetscykler. Detta examensarbete försöker att möta behovet av en effektiv energihanteringsstrategi genom att utveckla en styrenhet och maskinbelastningsprognos för en FCHEV. Det föreslagna tillvägagångssättet använder modellprediktiv reglering (MPC) för att minimera en målfunktion som ta hänsyn till både vätekonsumtion och hastighetsbegränsningar. Styrenheten bestämmer den optimala effektfördelningen mellan bränslecellen och batteriet över en specifik tidshorisont, och säkerställer att effektkravet uppfylls samtidigt som systembegränsningarna följs. Dessutom integreras en auto-korrelationsbaserad maskinbelastningsprediktor med styrenheten för att optimera effektfördelningen mellan batteriet och bränslecellen. Genom att implementera MPC i kombination med den auto-korrelationsbaserade belastningsprognosen, använder FCHEV effektivt ett smalare fönster för batterets laddningstillstånd (SoC), vilket potentiellt minskar den nödvändiga batteristorleken i maskinen. Dessutom minskar strategin transienter i bränslecellseffekten och förbättrar dess livstid, jämfört med Volvo Construction Equipment AB:s (Volvo CE) tidigare lösning. Denna forskning bidrar till utvecklingen av energieffektiva lösningar för stora byggmaskiner, särskilt i sammanhanget FCHEV. Den föreslagna energihanteringsstrategin, med sin kombination av MPC och belastningsprediktionstekniker, har en potential att förbättra den totala systemprestandan, minska vätekonsumtionen och begränsa försämringen av bränslecell- och batterikomponenter