Eco-Driving planification profile for electric motorcycles
Los perfiles de Eco-Driving son algoritmos capaces de utilizar información adicional para crear recomendaciones o limitaciones sobre las capacidades del conductor. Aumentan la autonomía del vehículo, pero actualmente su uso no está relacionado con la autonomía requerida por el conductor. Por esta ra...
- Autores:
-
Bello Ceferino, Cristhian Yesid
- Tipo de recurso:
- Doctoral thesis
- Fecha de publicación:
- 2020
- Institución:
- Pontificia Universidad Javeriana
- Repositorio:
- Repositorio Universidad Javeriana
- Idioma:
- spa
- OAI Identifier:
- oai:repository.javeriana.edu.co:10554/54822
- Palabra clave:
- MPC
Vehículo eléctrico
Perfil de conducción ecológica
Eficiencia
Optimización
MPC
Electric vehicle
Eco-Driving profile
Efficiency
Optimization
Doctorado en ingeniería - Tesis y disertaciones académicas
Vehículos eléctricos
Optimización robusta
Conducción de automóviles
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 4.0 Internacional
Summary: | Los perfiles de Eco-Driving son algoritmos capaces de utilizar información adicional para crear recomendaciones o limitaciones sobre las capacidades del conductor. Aumentan la autonomía del vehículo, pero actualmente su uso no está relacionado con la autonomía requerida por el conductor. Por esta razón, en este trabajo, el desafío de la conducción ecológica se traduce en un controlador óptimo de dos capas diseñado para vehículos eléctricos puros. Este controlador está orientado a asegurar que la energía disponible sea suficiente para completar un viaje demandado, agregando límites de velocidad para controlar la tasa de consumo de energía. Se exponen y analizan los modelos mecánicos y eléctricos requeridos. La función de costo está optimizada para corresponder a las necesidades de cada viaje de acuerdo con el comportamiento del conductor, el vehículo y la información de la trayectoria. El controlador óptimo propuesto en este trabajo es un controlador predictivo de modelo no lineal (NMPC) asociado a una optimización unidimensional no lineal. La combinación de ambos algoritmos permite aumentar alrededor de un 50% la autonomía con una limitación del 30% de las capacidades de velocidad y aceleración. Además, el algoritmo es capaz de asegurar una autonomía final con un 1,25% de error en presencia de ruido de sensor y actuador. |
---|