⚡ electrical engineering

Eco-Driving Control for Electric Vehicles with Multi-Speed Transmission: Optimizing Vehicle Speed and Powertrain Operation in Dynamic Environments

Dit artikel stelt een real-time eco-driving controller voor voor elektrische voertuigen met versnellingsbakken met meerdere versnellingen die de voertuigsnelheid en de aandrijflijnbediening co-optimaliseert met behulp van verkeersvoorspellingsbeperkingen, waarbij tot 11,36% reductie in energieverbruik wordt bereikt in dynamische gemengde verkeersomgevingen.

Oorspronkelijke auteurs: Suiyi He, Zongxuan Sun

Gepubliceerd 2026-01-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Suiyi He, Zongxuan Sun

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je in een elektrische auto (EV) rijdt. De meeste elektrische auto's hebben tegenwoordig een transmissie die lijkt op een versnellingsloze fiets: het heeft één vershoudverhouding. Of je nu langzaam een steile heuvel op kruipt of over de snelweg raast, de motor draait altijd met een snelheid die relatief is aan je wielen. Dit is eenvoudig, maar het is niet altijd de meest efficiënte manier om energie te gebruiken.

Dit artikel stelt een slimmere manier voor om deze auto's aan te sturen door ze een transmissie met meerdere versnellingen te geven (zoals een fiets met 3 versnellingen) en een "superintelligent" brein dat precies bepaalt wanneer ze van versnelling moeten wisselen en hoe snel ze moeten rijden, terwijl het tegelijkertijd vooruitkijkt naar het verkeer.

Hier is een uitsplitsing van de ideeën uit het artikel met behulp van eenvoudige analogieën:

1. Het Probleem: De "One-Size-Fits-All" Versnelling

Denk aan een elektrische auto met één versnelling als een hardloper die alleen op één specifiek tempo kan joggen. Als hij moet sprinten, moet hij extreef hard werken (energie verspillen). Als hij langzaam moet wandelen, beweegt hij zijn benen nog steeds te snel (ook energie verspillen).

De oplossing uit het artikel: Geef de auto een 3-traps transmissie. Nu kan de auto "van versnelling wisselen" net als een fietser. De auto kan een lage versnelling gebruiken voor het beklimmen van heuvels (hoog koppel, lage snelheid) en een hoge versnelling voor het cruisen op de snelweg (lage snelheid, hoge efficiëntie).

2. Het "Superbrein" (De Eco-Driving Controller)

Het hebben van 3 versnellingen is geweldig, maar als je ze op het verkeerde moment wisselt, verspil je energie. De auteurs hebben een computeralgoritme gemaakt dat fungeert als een bijrijder.

Simultaan Denken: In plaats van alleen te beslissen "hoe snel ik moet gaan" en daarna "welke versnelling ik moet kiezen" als afzonderlijke stappen, doet dit brein beide tegelijkertijd. Het vraagt zich af: "Als ik nu naar de 3e versnelling schakel en iets langzamer rijd, bespaar ik dan meer batterij dan wanneer ik in de 2e versnelling blijf en opsnel?"
De Glazen Bol (Verkeersvoorspelling): De auto reageert niet alleen op de auto voor hem; hij voorspelt de toekomst. Door gebruik te maken van gegevens van verkeerslichten, andere verbonden auto's en sensoren, werkt het algoritme als een glazen bol. Het weet dat er 500 meter verderop een rood licht aankomt. In plaats van op te accelereren en vervolgens hard te remmen (wat energie verspilt), vertraagt de auto vroegtijdig en laat hij uitrollen. Dit wordt "Eco-Driving" genoemd.

3. De Uitdaging: De Wiskunde is Moeilijk

Proberen de perfecte snelheid, de perfecte versnelling en het perfecte remmoment voor elke seconde van een rit te berekenen, is een enorme wiskundige puzzel. Het bevat "mixed integers" (discrete versnellingen) en complexe curven.

De Truc: De auteurs hebben deze enorme puzzel vereenvoudigd. Ze hebben de complexe, niet-lineaire wiskunde omgezet in een formaat dat een standaardcomputer in minder dan een seconde kan oplossen. Dit betekent dat het systeem in realtime kan draaien terwijl je daadwerkelijk rijdt, en niet alleen in een simulatie.

4. De Resultaten: Energie Besparen in de Echte Wereld

Het team heeft dit systeem op twee manieren getest:

Virtueel Rijden: Ze simuleerden een auto die door een stad met verkeerslichten en andere auto's rijdt.
Rijden in de echte wereld: Ze reden met een testvoertuig op een echte snelweg in Minnesota (Trunk Highway 55) met 22 kruispunten.

De Uitkomst:

In de simulatie gebruikte de 3-versnellingsauto 12% minder batterij dan de auto met één versnelling.
In de testrit in de echte wereld (een rit van 18 km) bespaarde de 3-versnellingsauto 11,36% meer energie.

Waarom bespaarde het zoveel?

Betere Versnelingselectie: De motor bleef vaker in zijn "sweet spot" (waar hij het meest efficiënt is).
Slimmer Remmen: De auto maakte effectiever gebruik van "regeneratief remmen" (het omzetten van de motor in een generator om de batterij op te laden) omdat het de snelheid beter kon beheren.
Minder Verspilling: Door het verkeer te voorspellen, vermeed de auto de "stop-en-start" energieverspilling die optreedt wanneer je hard moet remmen en daarna weer moet accelereren.

5. Wat het Niet Doet (Beperkingen)

Het artikel is eerlijk over wat het weglaat. Het huidige systeem houdt geen rekening met de batterijtemperatuur. Net zoals een mens moe wordt in extreme hitte of kou, veranderen batterijen hun prestaties op basis van temperatuur. De auteurs merken op dat het toevoegen van temperatuurbeheer de volgende stap is voor toekomstig onderzoek, maar deze specifieke studie richtte zich puur op snelheid, versnellingen en verkeersvoorspelling.

Samenvatting

Dit artikel presenteert een "slimme bestuurder" voor elektrische auto's met meerdere versnellingen. Door versnellingen te combineren met voorspellend verkeersbewustzijn, kan de auto meer rijden als een professionele wielrenner (efficiënt uitrollen en schakelen) dan als een robot die vastzit in één versnelling. Het resultaat is een aanzienlijke daling in het energieverbruik, wat betekent dat de auto verder kan rijden op een enkele lading zonder dat er grotere batterijen nodig zijn.

Technische Samenvatting: Eco-rijcontrole voor Elektrische Voertuigen met Multi-speed Transmissie

Probleemstelling

Het artikel behandelt de uitdaging om de energie-efficiëntie te maximaliseren in Connected en Autonomous Electric Vehicles (CAEVs) die zijn uitgerust met multi-speed transmissies. Hoewel single-speed transmissies de standaard zijn in EV's vanwege hun eenvoud, bieden multi-speed systemen potentieel voor verbeteringen in rijbereik en acceleratie. De huidige eco-rijcontrollers hebben echter vaak moeite met het optimaliseren van deze systemen in real-time vanwege de computationele complexiteit van mixed-integer nonlinear programming (MINLP). Bovendien vertrouwen veel huidige benaderingen op hiërarchische structuren die snelheid en versnellingsoptimalisatie ontkoppelen, of ze vereenvoudigen de aandrijflijn-dynamiek door mechanische remkrachten te negeren, wat leidt tot suboptimale energiebeheersing in dynamische verkeersomgevingen. Het kernprobleem is het ontwikkelen van een real-time, co-optimalisatiecontroller die gelijktijdig de longitudinale voertuigsnelheid en discrete versnellingen beheert, terwijl voldaan wordt aan veiligheidsrestricties afgeleid van verkeersvoorspellingen.

Methodologie

Verkeersvoorspellingskader

Om proactieve controle mogelijk te maken, maakt het systeem gebruik van een verkeersvoorspellingsalgoritme gebaseerd op een gediscretiseerd tweede-orde Payne-Whitham (PW) verkeersstroommodel.

Data-integratie: Het algoritme fuseert real-time Signal Phase and Timing (SPaT) data, GPS-data van het ego-voertuig, en V2V/V2I-data van Connected Vehicles (CV's).
Schatting: Een Unscented Kalman Filter (UKF) schat de verkeerssnelheid en -dichtheid voor het direct voorliggende voertuig.
Voorspelling: Het model propageert de verkeersstroomdynamiek over een voorspellingshorizon om de longitudinale trajectorie van het voertuig direct voor het voertuig te voorspellen, rekening houdend met gesignaleerde kruispunten en gemengde verkeerssituaties.

Co-optimalisatie Formulering

De kern van de voorgestelde controller is een gelijktijdige co-optimalisatie van voertuigsnelheid en aandrijflijnbedrijf.

Systeemdynamica: Het model integreert longitudinale voertuigdynamica (inclusief acceleratie en positie), batterij State of Charge (SOC) dynamica met behulp van een interne weerstandsmodel, en een uitgebreid aandrijflijnmodel.
Aandrijflijnmodel: In tegen tegenstelling tot eerdere studies die vaak uitgaan van nul mechanische remming, modelleert deze formulering expliciet de interactie tussen regeneratief remmen en hydraulisch remmen. Het bevat restricties voor de uitschakeling van regeneratief remmen bij lage snelheden en motor koppelgrenzen op basis van snelheid.
Doelfunctie: De kostenfunctie minimaliseert een gewogen som van batterijenergieverbruik ( $P_b$ ), acceleratie (voor comfort), en de afwijking van de terminale positie van het ego-voertuig van een gewenste veilige volgafstand achter de voorspelde trajectorie van het voorliggende voertuig.

Probleemvereenvoudiging voor Real-time Implementatie

Het oorspronkelijke probleem is een niet-lineair mixed-integer optimalisatieprobleem vanwege discrete versnellingsselectie en bilaterale termen (bijv. motorkoppel $\times$ versnellingsverhouding). Om real-time uitvoering mogelijk te maken, passen de auteurs verschillende vereenvoudigingstechnieken toe:

Big-M Techniek: Discrete versnellingsselectie variabelen worden omgezet in een set lineaire ongelijkheidsrestricties.
Stuksgewijze Lineaire Approximatie: Kwadratische termen (zoals luchtweerstand $v^2$ ) en niet-lineaire motor-efficiëntiekaarten worden respectievelijk benaderd met Special Ordered Sets van type 2 (SOS2) en polynomiale fitting.
McCormick Relaxatie: Bilaterale termen die motor-snelheid en koppel betreffen, worden geconvexifieerd naar lineaire ongelijkheden.
Soft Constraints: Harde verkeersrestricties worden versoepeld met behulp van slack-variabelen om haalbaarheid te garanderen, waarbij deze binnen de kostenfunctie worden bestraft.

Het resulterende vereenvoudigde probleem wordt opgelost binnen een Model Predictive Control (MPC) framework met behulp van de Gurobi solver.

Belangrijkste Bijdragen

Gelijktijdige Co-optimalisatie: In tegen tegenstelling tot hiërarchische methoden die snelheid en versnellingsplanning scheiden, optimaliseert deze controller gelijktijdig de longitudinale voertuigsnelheid, motorbedrijf en discrete versnellingsmanoeuvres.
Hoge-getrouwheid Aandrijflijnmodel: De formulering incorporeert realistische interacties tussen regeneratief en mechanisch remmen, evenals batterijdynamica, waardoor de oversimplificatie van het aannemen van nul mechanische remkrachten wordt vermeden.
Computationele Efficiëntie: Door gebruik te maken van Big-M technieken, SOS2-approximaties en McCormick-relaxaties, wordt het complexe mixed-integer probleem getransformeerd naar een vorm die real-time oplosbaar is (gemiddelde rekentijd van ~0,27s per cyclus).
Veiligheidskritische Restricties: De controller integreert verkeersvoorspellingen om veilige volgafstanden en een vloeiende verkeersdoorstroming af te dwingen in dynamische omgevingen met gesignaleerde kruispunten.

Resultaten

Numerieke Simulaties

Het algoritme werd gevalideerd met de Simulation of Urban MObility (SUMO) tool met een platoon van 10 voertuigen die een wegsegment van 1800 m met twee gesignaleerde kruispunten doorstaken.

Prestaties: Vergeleken met een baseline controller voor een EV met een single-speed transmissie (gebruikmakend van hetzelfde optimalisatieframework), verminderde de multi-speed controller het batterij SOC-verbruik met 12,01%.
Energie-economie: Het energieverbruik verbeterde van 203,6 Wh/km naar 179,1 Wh/km.
Operationele Inzichten: De multi-speed transmissie stelde de motor in staat om consistent binnen een efficiënter bereik te opereren, met name tijdens acceleratie en hoge kruissnelheden, waardoor de noodzaak voor hoog-stroom batterijontlading werd verminderd.

Real-world Wegtesten

Validatie werd uitgevoerd op Trunk Highway 55 (TH55) in Minnesota, over een route van 18 km met 22 kruispunten.

Opstelling: Real-world verkeersgegevens, inclusief SPaT en voertuigtrajecten, werden opgenomen en gebruikt om het gedrag van het voorliggende voertuig voor het ego-voertuig te simuleren.
Prestaties: De voorgestelde controller bereikte een reductie van 11,36% in energieverbruik (batterij SOC-gebruik) over de rit van 18 km vergeleken met de single-speed tegenhanger.
Observatie: De resultaten bevestigden dat de multi-speed transmissie de motor in staat stelt om in een efficiënter regime te werken, wat de benadering valideert in een realistische, gemengde verkeersomgeving.

Betekenis en Beperkingen

Het artikel beweert dat het voorgestelde algoritme er succesvol in is geslaagd de kloof te overbruggen tussen de theoretische energie-efficiëntievoordelen van multi-speed transmissies en de praktische vereisten van real-time controle in dynamisch verkeer. Door een dubbelcijferige procentuele verbetering in energie-efficiëntie aan te tonen via zowel simulatie als real-world testen, valideert het werk de levensvatbaarheid van het co-optimaliseren van snelheid en versnellingsselectie voor CAEVs.

De auteurs merken bescheiden op dat een primaire beperking is: het framework sluit momenteel batterij thermische effecten uit. Omdat temperatuur de batterij-efficiëntie en degradatie aanzienlijk beïnvloedt, identificeren de auteurs het integreren van thermische dynamica als een noodzakelijke volgende stap om de controller te laten evolueren naar een holistisch aandrijflijnbesturingssysteem. Het artikel stelt geen specifieke toekomstige toepassingen voor buiten deze thermische integratie of andere hardwaremodificaties.