Resumen Técnico: Control de Conducción Ecológica para Vehículos Eléctricos con Transmisión de Varias Velocidades

Planteamiento del Problema

El artículo aborda el desafío de maximizar la eficiencia energética en Vehículos Eléctricos Conectados y Autónomos (CAEVs) equipados con transmisiones de varias velocidades. Aunque las transmisiones de una sola velocidad son el estándar en los VE por su simplicidad, los sistemas de varias velocidades ofrecen mejoras potenciales en el rango de conducción y la aceleración. Sin embargo, los controladores de conducción ecológica existentes suelen tener dificultades para optimizar estos sistemas en tiempo real debido a la complejidad computacional de la programación no lineal de enteros mixtos (MINLP). Además, muchos enfoques actuales dependen de estructuras jerárquicas que desacoplan la optimización de la velocidad y de la marcha, o simplifican la dinámica del tren motriz al ignorar las fuerzas de frenado mecánico, lo que conduce a una gestión de energía subóptima en entornos de tráfico dinámicos. El problema central es desarrollar un controlador de co-optimización en tiempo real que gestione simultáneamente la velocidad longitudinal del vehículo y los cambios de marcha discretos, cumpliendo al mismo tiempo con las restricciones de seguridad derivadas de las predicciones de tráfico.

Metodología

Marco de Predicción de Tráfico

Para permitir un control proactivo, el sistema emplea un algoritmo de predicción de tráfico basado en un modelo de flujo de tráfico de segundo orden de Payne-Whitham (PW) discretizado.

• Integración de Datos: El algoritmo fusiona datos de Fase y Tiempo de Señal (SPaT) en tiempo real, datos de GPS del vehículo propio y datos V2V/V2I de Vehículos Conectados (CVs).
• Estimación: Un Filtro de Kalman Sinuscado (UKF) estima la velocidad y la densidad del tráfico por delante del vehículo precedente inmediato.
• Predicción: El modelo propaga la dinámica del flujo de tráfico sobre un horizonte de predicción para pronosticar la trayectoria longitudinal del vehículo que se encuentra directamente delante, considerando intersecciones semaforizadas y condiciones de tráfico mixto.

Formulación de Co-Optimización

El núcleo del controlador propuesto es una co-optimización simultánea de la velocidad del vehículo y la operación del tren motriz.

• Dinámica del Sistema: El modelo integra la dinámica longitudinal del vehículo (incluyendo aceleración y posición), la dinámica del estado de carga (SOC) de la batería utilizando un modelo de resistencia interna, y un modelo completo del tren motriz.
• Modelo del Tren Motriz: A diferencia de estudios previos que a menudo asumen un frenado mecánico cero, esta formulación modela explícitamente la interacción entre el frenado regenerativo y el frenado hidráulico. Incluye restricciones para el corte de frenado regenerativo a bajas velocidades y límites de par del motor basados en la velocidad.
• Función Objetivo: La función de costo minimiza una suma ponderada del consumo de energía de la batería ($P_b$), la aceleración (para la comodidad) y la desviación de la posición terminal del vehículo propio respecto a una distancia de seguimiento segura deseada detrás de la trayectoria predicha del vehículo líder.

Simplificación del Problema para la Implementación en Tiempo Real

El problema original es un problema de optimización de enteros mixtos no lineal debido a la selección discreta de marchas y términos bilineales (por ejemplo, par del motor $\times$ relación de marcha). Para permitir la ejecución en tiempo real, los autores aplican varias técnicas de simplificación:

1. Técnica Big-M: Las variables de selección de marcha discretas se convierten en un conjunto de restricciones de desigualdad lineales.
2. Aproximación Lineal por Tramos: Los términos cuadráticos (como la resistencia del aire $v^2$) y los mapas de eficiencia del motor no lineales se aproximan utilizando Conjuntos Especiales Ordenados de tipo 2 (SOS2) y ajuste polinómico, respectivamente.
3. Relajación de McCormick: Los términos bilineales que involucran la velocidad y el par del motor se convexifican en desigualdades lineales.
4. Restricciones Blandas: Las restricciones de tráfico estrictas se relajan mediante variables de holgura para asegurar la factibilidad, penalizándolas dentro de la función de costo.

El problema resultante se resuelve dentro de un marco de Control Predictivo basado en Modelo (MPC) utilizando el solver Gurobi.

Contribuciones Clave

1. Co-Optimización Simultánea: A diferencia de los métodos jerárquicos que separan la planificación de la velocidad y la marcha, este controlador optimiza concurrentemente la velocidad longitudinal del vehículo, la operación del motor y las maniobras de cambio de marcha discretas.
2. Modelado de Alta Fidelidad del Tren Motriz: La formulación incorpora interacciones realistas entre el frenado regenerativo y el mecánico, así como la dinámica de la batería, evitando la simplificación excesiva de asumir fuerzas de frenado mecánico cero.
3. Eficiencia Computacional: Al emplear técnicas Big-M, aproximaciones SOS2 y relajaciones de McCormick, el complejo problema de enteros mixtos se transforma en una forma resoluble en tiempo real (tiempo de resolución promedio de ~0.27s por ciclo).
4. Restricciones Críticas de Seguridad: El controlador integra predicciones de tráfico para imponer distancias de seguimiento seguras y un flujo de tráfico suave en entornos dinámicos con intersecciones semaforizadas.

Resultados

Simulaciones Numéricas

El algoritmo fue validado utilizando la herramienta de Simulación de Movilidad Urbana (SUMO) con un pelotón de 10 vehículos atravesando una sección de carretera de 1800 m con dos intersecciones semaforizadas.

• Desempeño: Comparado con un controlador base para un VE con transmisión de una sola velocidad (usando el mismo marco de optimización), el controlador de varias velocidades redujo el consumo de SOC de la batería en un 12.01%.
• Economía de Energía: El consumo de energía mejoró de 203.6 Wh/km a 179.1 Wh/km.
• Perspectivas Operativas: La transmisión de varias velocidades permitió que el motor operara consistentemente dentro de un rango más eficiente, particularmente durante la aceleración y la navegación a alta velocidad, reduciendo la necesidad de descarga de alta corriente de la batería.

Pruebas de Carretera en el Mundo Real

La validación se llevó a cabo en la Autopista Trunk 55 (TH55) en Minnesota, cubriendo una ruta de 18 km con 22 intersecciones.

• Configuración: Se registraron datos de tráfico del mundo real, incluyendo SPaT y trayectorias de vehículos, y se utilizaron para simular el comportamiento del vehículo precedente para el vehículo propio.
• Desempeño: El controlador propuesto logró una reducción del 11.36% en el consumo de energía (uso de SOC de la batería) durante el trayecto de 18 km en comparación con su contraparte de una sola velocidad.
• Observación: Los resultados confirmaron que la transmisión de varias velocidades permite que el motor opere en un régimen más eficiente, validando el enfoque en un entorno de tráfico mixto y realista.

Significado y Limitaciones

El artículo afirma que el algoritmo propuesto logra cerrar la brecha entre las ganancias teóricas de eficiencia energética de las transmisiones de varias velocidades y los requisitos prácticos de control en tiempo real en entornos de tráfico dinámicos. Al demostrar mejoras de dos dígitos en la eficiencia energética tanto en simulaciones como en pruebas del mundo real, el trabajo valida la viabilidad de la co-optimización de la velocidad y la selección de marchas para los CAEVs.

Los autores señalan modestamente una limitación principal: el marco actualmente excluye los efectos térmicos de la batería. Dado que la temperatura influye significativamente en la eficiencia y degradación de la batería, los autores identifican la integración de la dinámica térmica como un siguiente paso necesario para evolucionar el controlador hacia un sistema de gestión integral del tren motriz. El artículo no propone aplicaciones futuras específicas más allá de esta integración térmica u otras modificaciones de hardware.