學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73897
Browse
4 results
Search Results
Item 透過鯨魚演算法調變權重之類神經網路應用於三電力電動車輛系統上最佳化能源管理策略(2023) 邱竺楊; Chiu, Chu-Yang本研究旨在透過類神經網路應用於三電力電動車輛能量管理策略上，以增進未來可實現於車輛控制器硬體上之可行性。類神經網路之訓練數據集，由混合動力車輛之能量管理領域上，常應用之最小等效能耗法(Equivalent Consumption Minimum Strategy, ECMS)進行收集。首先，本研究先建立具有三電力源電動車輛系統特性之低階動力學模型，其中包含電力源(燃料電池、鋰電池、超級電容)，所需相關參數皆從商業軟體Advanced Vehicle Simulator(ADVISOR)獲得，基於目標車型 Toyota Mirai 設計具有三電力架構之增程式版本，動力系統包含110kW燃料電池組、40Ah鋰三元電池組以及165F/48V超級電容組，並搭配150kW交流馬達。作為訓練數據集來源，ECMS控制策略為一包含六階層環狀結構，分別為鋰電池健康度、需求功率、電池殘電量、超級電容殘電量、燃料電池與需求功率比值以及鋰電池與需求功率比值，作為訓練類神經網路使用，輸入為ECMS前四層參數，輸出則為後兩層：燃料電池與需求功率比值與鋰電池與需求功率比值，本研究透過鯨魚仿生演算法針對類神經網路調變權重(WOA-ANN)與傳統倒傳遞法(BPANN)進行分析比較。為評估類神經網路之效益，本研究同時也建立規則庫控制法。為分析能耗差異性，透過新歐洲駕駛循環(New European Drive Cycle, NEDC)以及全球統一輕型車輛測試程序(Worldwide Harmonized Light-Duty Vehicle Test Procedure V.2, WLTP Class-2)進行模擬分析，於五次NEDC以及WLTP Class-2行車型態下，RB、ECMS、BPANN、WOA-ANN能耗分別為：50.58、39.27、47.13、39.13kWh；72.70、51.10、61.29、51.50kWh。與RB相比，ECMS、BPANN、WOA-ANN改善率分別為：22.36%、6.82%、22.64%；29.71%、15.70%、29.16%。相較於ECMS，BPANN與WOA-ANN相似度分別為：83.32、99.64%；83.37%、99.22%。本研究利用兩台快速雛型控制器，驗證ECMS理論型控制應用於車用載具之可行性，透過硬體嵌入式開發環境進行Real-time運行，在兩種行車形態下，WOA-ANN於SIL與HIL開發環境之能耗表現相似度皆高達95%，以此先行驗證應用於實車控制器之成效。Item 改良式灰狼演算法應用於三動力複合動力車之最佳化能源管理控制器開發(2022) 黃威凱; Huang, Wei-Kai本研究旨於開發一新型能量管理策略，以灰狼演算法 (Grey Wolf Optimizer, GWO)與粒子群演算法 (Particle Swarm Optimization, PSO)相結合所開發 之 改良式灰狼演算法 (Improved Grey wolf Optimizer, IGWO)，並以此為核心應 用於 三動力複合動力車 之最佳化能量管理， 再 透過硬體嵌入式系統 (Hardware-In-the-Loop, HIL)進行即時 (Real-Time)運算，驗證本研究開發之能量管理系統可於真實環境下運行。改良式灰狼演算法結合灰狼演算法中三項灰狼行為，分別為： ：(1) 取得獵物位置 、 (2)包圍獵物、(3)攻擊獵物，及粒子群演算法 中 粒子 移動更新 方式，結合兩種演算法之優點，並能彌補相互間缺點， 以 得到更加 精確之最佳解。本研究除開發IGWO外，也 將 開發 其他 三種控制策略 與 IGWO進行能源效益比較 ，分別為 ：(1)規則控制庫 (Rule-base, RB)、 (2)最小等效油耗法 (Equivalent Consumption Minimization Strategy, ECMS)以及原始灰狼演算法 (Grey Wolf Optimizer, GWO)進行比較 。 基本規則庫依設計者的專家工程經驗與元件物理特性所撰寫模式切換之策略，共五種策略 (純電動模式、 純引擎模式、 複合動力模式、 ISG回充模式及煞車回充模式最小等效油耗法透過巢狀 迴圈進行全域格點搜索 (Global Grid並透過輸入各項行車條件，利用窮舉法運算，找出全部可行解，再透過內插方式計算 出最小油耗時動力分配 比 ；灰狼演算法是透 過 模仿 灰狼捕獵 行為 透過包圍環繞方式， 進而找到最佳獵物位置， 亦 同時為最佳解。各控制策略 (RB、 ECMS、 GWO及 IGWO)運行一次 WLTP行車型態之等效燃油消耗分別為 [1479.0g, 1167.0g, 977.2g, 968.2g]；運行一次NEDC行車型態等效燃油消耗分別為 [561.7g, 490.3g, 393.0g, 391.9g]，在一次WLTP中能耗改善以Rule-base為基準分別為 [21.095% , 33.520% , 34.536%]，在一次NEDC中能耗改善以Rule-base為基準分別為 [12.711% , 30.033 , 30.229%]，由此可知，將最佳化方法導入三動力複合動力車進行動力分配，能有效降低整車能源消耗。本研究透過 兩 台快速雛型控制器，建立一即時模擬平台。驗證由 IGWO為核心開發之能量管理系統於真實環境下應用之可行性，在兩種行車型態下，於電腦模擬與HIL環境運行之等效 燃 油 消 耗 相似度 高達 90%以上由此可知，從上述結果可客觀判斷，此能量管理系統未來應用於實車有非常高之可行性 。Item 鯨魚演算法應用於三動力複合動力系統之最佳化能量管理(2021) 江明謙; Jiang, Ming-Qian本研究旨於開發鯨魚演算法 (Whale Optimization Algorithm, WOA) 應用於三動力複合動力車系統之最佳化能量管理，並透過硬體嵌入式系統 (Hardware-In-the-Loop, HIL) 進行即時 (Real-time) 運算，驗證開發之能量管理系統於真實環境應用可行性。三動力源複合動力車之系統搭載43 kW的內燃機引擎、30 kW的馬達與15 kW的一體式啟動發電機 (Integrated Starter Generator, ISG)，搭配1.872 kW-h儲能鋰電池，整車重量為1,368 kg。於能量管理系統中，WOA透過三種行為模式進行最佳化搜索，分別為：(1) 探勘 (Exploration)、(2) 收縮環繞 (Shrinking Encircling)、(3) 螺旋更新 (Spiral Updating)，最大迭代次數為300次，共有80隻鯨魚進行最佳化能量管理。本研究將開發之WOA與另外三種控制策略進行能耗比較：(1) 基本規則庫 (Rule-based)：依工程經驗與元件性能所撰寫模式切換之策略，共設計五種模式 (煞車回充、純電動、複合動力、純引擎、引擎回充)；(2) 最小等效油耗策略 (Equivalent Consumption Minimization Strategy, ECMS)：透過全域格點搜尋 (Global Grid Search) 各種行車條件的所有可行解，進而倒推最小等效油耗時之動力分配方式；(3) 人工蜂群演算法 (Artificial Bee Colony, ABC)：主要由三種蜜蜂角色分工進行最佳化搜尋，分別為：(i) 工蜂 (Employed bee)、(ii) 觀察蜂 (Onlooker Bee)、(iii) 偵查蜂 (Scout Bee)，即時運算當下行車需求之最佳動力分配方式。各控制策略運行一次NEDC行車形態下，Rule-based、ECMS、ABC、WOA的等效燃油消耗量分別為[330.7g, 289.5g, 270.2g, 267.5g]；運行一次FTP-72行車形態下的等效燃油消耗量分別為[342.9g, 291.4g, 278.9g, 275.9g]。在一次NEDC中，以Rule-based為基底相比的能耗改善百分比是[12.458%, 18.294%, 19.110%]；在一次FTP-72中，能耗改善百分比是[15.018%, 18.664%, 19.539%]。Rule-based與WOA於10L燃油與起始電量90%的鋰電池耗盡下，於重複NEDC循環下的總行駛里程分別為[259.80 km, 276.66 km]；於重複FTP-72循環下的總行駛里程分別為[258.93 km, 282.56 km]。在重複NEDC循環下，以Rule-based為基底相比的里程改善百分比為6.489%；在重複FTP-72循環下，里程改善百分比為9.126%。由此可知，導入最佳化方法於複合動力車輛進行動力分配，可有效降低整車能耗，進而提高行駛里程。本研究透過兩台快速雛型控制器，建立一即時模擬平台。驗證由WOA為核心開發之能量管理系統於真實環境應用可行性，在兩種行車型態中，於電腦模擬與HIL環境運算之等效油耗結果有高達98%的相似度，藉此，將可實現未來於實車應用之願景。Item 利用動態粒子群演算法於三動力源複合動力系統之最佳能量管理(2016) 黃祥庭; Huang, Siang-Ting本研究採用動態粒子群演算法（Dynamic Particle Swarm Optimization, DPSO），用於三動力源複合動力車的能量管理系統。該車輛模型建製七個主要部分：內燃引擎、驅動馬達、起動發電機、鋰電池、能量管理系統、駕駛模式和變速箱。在能量管理系統，DPSO有五個演算步驟：（1）初始化、（2）確定適應度函數、（3）更新學習因子與慣性權重、（4）位置和速度更新、（5）輸出雙動力分配比。適應度函數粒子考慮運算效率，本研究設定四個。適應度函數於本研究為引擎、馬達、發電機之等效油耗，及懲罰值限制動力源之操作點於物理限制範圍內。可建製出三輸入輪胎轉速、電池電量、需求功率與雙輸出引擎與馬達動力分配比之DPSO能量管理系統並與整車模型作聯結。為了解本即時模擬之效益，本文與三種控制管理策略進行比較:(1)規則庫管理(Rule base):有五種控制模式(系統就緒、充電模式、電動模式、複合動力模式及煞車回充模式)，根據內燃引擎的效率和馬達定轉速下找出最大扭矩；(2)最小等效油耗策略（ECMS）:搭配全域搜尋(GSA)將所有的可能解都尋找，找出最小油耗時之動力源扭矩；(3)粒子群演算法(PSO):與DPSO相似，但DPSO會依據不同的型車狀態去改變學習值及慣性權重。模擬結果發現，在NEDC行車形態下， DPSO的效率比傳統的PSO改善率高0.09%，DPSO與規則庫控制相比，在等效油耗部分改善35.36％，而能量消耗改善為44.08％次於ECMS的最佳解 (改善37.3%等效油耗與46.95%能耗)。未來將本研究實際應用於三動力車輛並於動力計上測試實際能耗效果。