Populære Innlegg

Redaksjonens - 2019

Få flere miles fra plug-in hybrider

Anonim

Plug-in hybrid elektriske kjøretøyer (PHEVs) kan redusere drivstofforbruket og klimagassutslippene i forhold til deres eneste gass-motparter. Forskere ved University of California, Riversides Bourns College of Engineering, har tatt teknologien ett skritt videre, og demonstrerer hvordan man kan forbedre effektiviteten av dagens PHEVer med nesten 12 prosent.

annonse


Siden plug-in hybrider kombinerer gass- eller dieselmotorer med elektriske motorer og store oppladbare batterier, er en nøkkelkomponent et energiledelsessystem (EMS) som styrer når de bytter fra 'all-electric' modus, hvoretter lagret energi fra batteriene er brukt til hybrid modus, som benytter både drivstoff og elektrisitet. Som nye EMS-enheter utvikles, kombinerer en viktig vurdering strømstrømmen fra begge kilder på den mest energieffektive måten.

Selv om ikke alle plug-in hybrider fungerer på samme måte, de fleste starter i all elektrisk modus, kjører på strøm til batteriet er tømt og deretter bytter til hybridmodus. Kjent som binær modus kontroll, er denne EMS-strategien enkel å bruke, men er ikke den mest effektive måten å kombinere de to strømkildene. I laboratorietester har blended utslippsstrategier, hvor strøm fra batteriet brukes i løpet av turen, vist seg å være mer effektiv for å minimere drivstofforbruk og utslipp, men til nå har de ikke vært et realistisk alternativ for virkelige applikasjoner, sa Xuewei Qi, en kandidatstudent i Bourns College of Engineering s senter for miljøforskning og teknologi (CE-CERT) som ledet forskningen. Qi jobber med CE-CERT direktør Matthew Barth, professor i elektroteknikk og datateknikk.

"Blandede utslippsstrategier har evnen til å være ekstremt energieffektiv, men de som foreslås tidligere krever forhåndskunnskap om reisens natur, veiforhold og trafikkinformasjon, som i realiteten er nesten umulig å gi, " sa Qi.

Selv om UCR EMS krever turrelatert informasjon, samles det også data i sanntid ved hjelp av innebygde sensorer og kommunikasjonsenheter, i stedet for å kreve det på forhånd. Det er et av de første systemene basert på en maskinlæringsteknikk kalt forsterkningslæring (RL), og ble publisert online 5. februar 2016 i journalen Transportforskningsrekord .

I sammenligningsbaserte tester på en 20-mil pendling i Sør-California, har UCR EMS overgått nåværende tilgjengelige binære modusystemer, med gjennomsnittlig drivstoffbesparelse på 11, 9 prosent. Enda bedre, sa Qi, systemet blir smartere jo mer det blir brukt og er ikke modell- eller sjåførspesifikt, noe som betyr at det kan brukes til enhver PHEV drevet av noen enkeltperson.

"I vårt forsterkningssystem lærer kjøretøyet alt det trenger å være energieffektivt basert på historiske data. Da flere data samles og evalueres, blir systemet bedre til å ta beslutninger som vil spare på energi, " sa Qi.

Qi sa at neste fase av forskningen vil fokusere på å skape et skybasert nettverk som gjør det mulig for PHEVs å jobbe sammen for enda bedre resultater.

"Våre nåværende funn har vist hvordan individuelle kjøretøy kan lære av sin historiske kjøreadferd for å operere på en energieffektiv måte. Det neste trinnet er å forlenge den foreslåtte modusen til et skybasert kjøretøynettverk der kjøretøy ikke bare lærer fra seg selv, men også hver andre. Dette vil gjøre det mulig for dem å operere på enda mindre drivstoff og vil gi stor innvirkning på mengden klimagasser og andre forurensende stoffer som slippes ut, "sa han.

annonse



Historie Kilde:

Materialer levert av University of California - Riverside . Original skrevet av Sarah Nightingale. Merk: Innholdet kan redigeres for stil og lengde.


Tidsreferanse :

  1. Xuewei Qi, Guoyuan Wu, Kanok Boriboonsomsin, Matthew J. Barth, Jeffrey Gonder. Data-Driven Forsterkning Læringsbasert Real-Time Energy Management System for Plug-In Hybrid Electric Vehicles . Transportforskningsrekord: Journal of Transportation Research Board, 2016; 2572: 1 DOI: 10.3141 / 2572-01