Дослідження методів машинного навчання для оптимізації енергоспоживання в гібридних електромобілях з підзарядкою від мережі
DOI:
https://doi.org/10.30977/VEIT.2025.27.0.10Ключові слова:
оптимізація енергоспоживання;, моніторинг стану батареї;, розподіл потужності., плагін-гібридний електромобіль, система керування енергією, машинне навчанняАнотація
У статті представлено огляд сучасних підходів до оптимізації енергоспоживання в гібридних електромобілях, що підключаються до мережі (PHEV), із використанням алгоритмів машинного навчання (ML). Актуальність дослідження зумовлена необхідністю підвищення ефективності PHEV для зниження витрати палива та рівня шкідливих викидів, а також складністю керування енергопотоками між двигуном внутрішнього згоряння та електродвигуном за різних умов руху. Для досягнення поставленої мети застосовано інтелектуальні підходи керування енергоспоживанням, зокрема алгоритми глибокого навчання, методи навчання з підкріпленням та модельно-передбачувальне керування, призначені для адаптивного керування розподілом енергії в режимі реального часу. Розглянуто ключові параметри та функції системи керування енергією, визначено ключові технічні виклики та тенденції розвитку. Особливу увагу приділено динамічній адаптації EMS до умов руху, прогнозуванню енергетичних потреб, моніторингу технічного стану акумулятора, а також персоналізованим стратегіям керування, що реалізуються на основі алгоритмів ML. Результати дослідження підтверджують, що застосування ML-стратегій керування енергією дає змогу наблизитися до оптимального режиму енергоспоживання та підвищує економію палива порівняно з традиційними методами на основі правил. У висновках визначено основні виклики впровадження ML у системи PHEV, серед яких потреба у великому обсязі даних для навчання, забезпечення швидкодії алгоритмів та їхня надійність в умовах невизначеності. Також окреслено напрямки подальших досліджень. Проте, попри значний прогрес, залишаються невирішені питання та перспективні напрями для подальших досліджень задля вдосконалення EMS у PHEV. Проте, попри значний прогрес, залишаються невирішені питання та перспективні напрями для подальших досліджень. У цьому огляді узагальнено наявні знання, виявлено наукові прогалини та наголошено на важливості подальших досліджень задля вдосконалення EMS у PHEV.
Посилання
Munsi, Md, Chaoui, Hicham. (2024). Energy Management Systems for Electric Vehicles: A Comprehensive Review of Technologies and Trends. IEEE Access. PP. 1-1. 10.1109/ACCESS.2024.3371483.
T. Tiong, I. Saad, K. T. K. Teo and H. b. Lago, "Deep Reinforcement Learning with Robust Deep Deterministic Policy Gradient," 2020 2nd International Conference on Electrical, Control and Instrumentation Engineering (ICECIE), Kuala Lumpur, Malaysia, 2020, pp. 1-5, doi: 10.1109/ICECIE50279.2020.9309539.
Khalid, Junaid & Anwari, Makbul & Khan, Muhammad & Hidayat, T.. (2022). Efficient Load Frequency Control of Renewable Integrated Power System: A Twin Delayed DDPG-Based Deep Reinforcement Learning Approach. IEEE Access. 10. 1-1. 10.1109/ACCESS.2022.3174625.
Habib, Md, Ahmed, Koushik & Suhan, Ahmed & Vadher, Abhishek & Arefin, Md & Tanvir, Md Shahnewaz & Rizvee, Sayad & Swapno, Md. (2021). Recent Progress in Energy Management System for Fuel Cell Hybrid Electric Vehicle. 10.1007/978-981-16-4321-7_60.
Munsi, Md & Joshi, Ravi. (2024). Comprehensive Analysis of Fuel Cell Electric Vehicles: Challenges, Powertrain Configurations, and Energy Management Systems. IEEE Access. PP. 1-1. 10.1109/ACCESS.2024.3472704.
Xi, J., Ma, J., Wang, T., Gao, J. (2023). Research on Energy Management Strategy of a Hybrid Commercial Vehicle Based on Deep Reinforcement Learning. World Electric Vehicle Journal, 14(10), 294. https://doi.org/10.3390/wevj14100294
Chun Wang, Rui Liu, Aihua Tang,Energy management strategy of hybrid energy storage system for electric vehicles based on genetic algorithm optimization and temperature effect, Journal of Energy Storage, Volume 51, 2022, 104314, ISSN 2352-152X, https://doi.org/10.1016/j.est.2022.104314.
M. H. Hajimiri and F. R. Salmasi, "A Fuzzy Energy Management Strategy for Series Hybrid Electric Vehicle with Predictive Control and Durability Extension of the Battery," 2006 IEEE Conference on Electric and Hybrid Vehicles, Pune, India, 2006, pp. 1-5, doi: 10.1109/ICEHV.2006.352279.
Nivolianiti, E.; Karnavas, Y.L.; Charpentier, J.-F. Fuzzy Logic-Based Energy Management Strategy for Hybrid Fuel Cell Electric Ship Power and Propulsion System. J. Mar. Sci. Eng. 2024, 12, 1813. https://doi.org/10.3390/jmse12101813
R. Cheng and Z. Dong, "Modeling and Simulation of Plug-In Hybrid Electric Powertrain System for Different Vehicular Application," 2015 IEEE Vehicle Power and Propulsion Conference (VPPC), Montreal, QC, Canada, 2015, pp. 1-7, doi: 10.1109/VPPC.2015.7352976.
Lechowicz, Andrzej & Augustynowicz, Andrzej. (2013). Modeling and simulation of the hybrid powertrain for the use in buggy vehicle. International Symposium on Electrodynamic and Mechatronic Systems, SELM 2013 - Proceedings. 43-44. 10.1109/SELM.2013.6562971.
Keegan, G.; Nelendran, P.; Oluwafemi, O. Modeling and Simulation of Hybrid Electric Vehicles for Sustainable Transportation: Insights into Fuel Savings and Emissions Reduction. Energies 2024, 17, 5225. https://doi.org/10.3390/en17205225
Chou, J.; Chung, W.-C. Cloud Computing and High Performance Computing (HPC) Advances for Next Generation Internet. Future Internet 2024, 16, 465. https://doi.org/10.3390/fi16120465.
Sathupadi, K.; Achar, S.; Bhaskaran, S.V.; Faruqui, N.; Abdullah-Al-Wadud, M.; Uddin, J. Edge-Cloud Synergy for AI-Enhanced Sensor Network Data: A Real-Time Predictive Maintenance Framework. Sensors 2024, 24, 7918. https://doi.org/10.3390/s24247918
Alternative Fuels Data Center. How Do Plug-In Hybrid Electric Cars Work? https://afdc.energy.gov/vehicles/how-do-plug-in-hybrid-electric-cars-work.
M. S. Munsi and H. Chaoui, "Energy Management Systems for Electric Vehicles: A Comprehensive Review of Technologies and Trends," in IEEE Access, vol. 12, pp. 60385-60403, 2024, doi: 10.1109/ACCESS.2024.3371483.
Zeng, Y.; Huang, Z.; Cai, Y.; Liu, Y.; Xiao, Y.; Shang, Y. A Control Strategy for Driving Mode Switches of Plug-in Hybrid Electric Vehicles. Sustainability 2018, 10, 4237. https://doi.org/10.3390/su10114237
Guang Wu, Xing Zhang, Zuomin Dong, Power-train architectures of electrified vehicles: Re-view, classification and comparison, Journal of the Franklin Institute, Volume 352, Issue 2, 2015, Pages 425-448, ISSN 0016-0032, https://doi.org/10.1016/j.jfranklin.2014.04.018.
Qi, Xuewei & Wu, Guoyuan & Boriboonsomsin, Kanok & Barth, Matthew. (2016). Development and Evaluation of an Evolutionary Algorithm-Based OnLine Energy Management System for Plug-In Hybrid Electric Vehicles. IEEE Transactions on Intelligent Transportation Systems. PP. 1-11. 10.1109/TITS.2016.2633542.
Yonggang Liu, Yitao Wu, Xiangyu Wang, Liang Li, Yuanjian Zhang, Zheng Chen, Energy management for hybrid electric vehicles based on imitation reinforcement learning, Energy, Volume 263, Part C, 2023, 125890, ISSN 0360-5442, https://doi.org/10.1016/j.energy.2022.125890.
Mittal, V.; Shah, R. Energy Management Strategies for Hybrid Electric Vehicles: A Technology Roadmap. World Electr. Veh. J. 2024, 15, 424. https://doi.org/10.3390/wevj15090424
Xilei Sun, Jianqin Fu, Huiyong Yang, Mingke Xie, Jingping Liu, An energy management strategy for plug-in hybrid electric vehicles based on deep learning and improved model predictive control, Energy, Volume 269, 2023, 126772, ISSN 0360-5442, https://doi.org/10.1016/j.energy.2023.126772.
Mechichi, Oumaima & Trigui, Rochdi & Ouni, Lilia. (2022). Adaptive λ-Control Strategy for Plug-In HEV Energy Management Using Fast Initial Multiplier Estimate. Applied Sciences. 12. 10543. 10.3390/app122010543
Recalde, A.; Cajo, R.; Velasquez, W.; Alvarez-Alvarado, M.S. Machine Learning and Optimization in Energy Management Systems for Plug-In Hybrid Electric Vehicles: A Comprehensive Review. Energies 2024, 17, 3059. https://doi.org/10.3390/en17133059
A. Alyakhni, L. Boulon, J. -M. Vinassa and O. Briat, "A Comprehensive Review on Energy Management Strategies for Electric Vehicles Considering Degradation Using Aging Models," in IEEE Access, vol. 9, pp. 143922-143940, 2021, doi: 10.1109/ACCESS.2021.3120563.
Hua, Min & Shuai, Bin & Zhou, Quan & Jinhai, Wang & He, Yinglong & Xu, Hongming. (2023). Recent Progress in Energy Management of Connected Hybrid Electric Vehicles Using Reinforcement Learning. 10.48550/arXiv.2308.14602
Choi, Yongkeun & Guanetti, Jacopo & Moura, Scott & Borrelli, Francesco. (2020). Data-driven Energy Management Strategy for Plug-in Hybrid Electric Vehicles with Real-World Trip Information. IFAC-PapersOnLine. 53. 14224-14229. 10.1016/j.ifacol.2020.12.1070
Gong, C., Xu, J. and Lin, Y. (2024), Plug-In Hybrid Electric Vehicle Energy Management with Clutch Engagement Control via Continuous-Discrete Reinforcement Learning. Energy Technol., 12: 2301512. https://doi.org/10.1002/ente.202301512
Wu, Xinyang & Wedernikow, Elisabeth & Nitsche, Christof & Huber, Marco. (2023). Towards Optimal Energy Management Strategy for Hybrid Electric Vehicle with Reinforcement Learning. 10.48550/arXiv.2305.12365.
Lee, S., Seon, J., Hwang, B., Kim, S., Sun, Y., & Kim, J. (2024). Recent Trends and Issues of Energy Management Systems Using Machine Learning. Energies, 17(3), 624. https://doi.org/10.3390/en17030624
Singh, Rajesh & Utkurovich, Kuchkarbaev & Alkhayyat, Ahmed & Saritha, G. & Jayadurga, R. & Waghulde, Kishor. (2024). Machine Learning Applications in Energy Management Systems for Smart Buildings. E3S Web of Conferences. 540. 10.1051/e3sconf/202454008002.
Akram, Ali & Abbas, Sagheer & Khan, Muhammad & Athar, Atifa & Ghazal, Taher & Al Hamadi, Hussam. (2024). Smart Energy Management System Using Machine Learning. Computers, Materials & Continua. 78. 959-973. 10.32604/cmc.2023.032216.
Zheng Chen, Hongji Gu, Shiquan Shen, Jiangwei Shen, Energy management strategy for power-split plug-in hybrid electric vehicle based on MPC and double Q-learning, Energy, Volume 245, 2022, 123182, ISSN 0360-5442, https://doi.org/10.1016/j.energy.2022.123182.
Mohamed Y. Nassar, Mohamed L. Shaltout, Hesham A. Hegazi, Multi-objective optimum energy management strategies for parallel hybrid electric vehicles: A comparative study, Energy Conversion and Management, Volume 277, 2023, 116683, ISSN 0196-8904, https://doi.org/10.1016/j.enconman.2023.116683.
Professor Dr. Niranjan Nayak, Mr. Anshuman Satpathy, An Adaptive Energy Management Strategy for Plug-in Hybrid Electric Vehicles (PHEVs) Utilizing Real-Time Speed Profiles and Optimized Battery Discharge Levels, Energy Storage and Saving, 2025, ISSN 2772-6835, https://doi.org/10.1016/j.enss.2024.11.011.
Ma, Y.; Wang, P.; Sun, T. Research on Energy Management Method of Plug-In Hybrid Electric Vehicle Based on Travel Characteristic Prediction. Energies 2021, 14, 6134. https://doi.org/10.3390/en14196134.
Chen, C.; Wang, X.; Xie, Z.; Lei, Z.; Shangguan, C. Research on Plug-in Hybrid Electric Vehicle (PHEV) Energy Management Strategy with Dynamic Planning Considering Engine Start/Stop. World Electr. Veh. J. 2024, 15, 350. https://doi.org/10.3390/wevj15080350.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
