Resumo Técnico: Controle de Direção Econômica para Veículos Elétricos com Transmissão de Múltiplas Velocidades

Declaração do Problema

O artigo aborda o desafio de maximizar a eficiência energética em Veículos Elétricos Conectados e Autônomos (CAEVs) equipados com transmissões de múltiplas velocidades. Embora as transmissões de velocidade única sejam o padrão em EVs pela sua simplicidade, os sistemas de múltiplas velocidades oferecem potenciais melhorias na autonomia de condução e aceleração. No entanto, os controladores de direção econômica existentes frequentemente têm dificuldade em otimizar esses sistemas em tempo real devido à complexidade computacional da programação não linear de inteiros mistos (MINLP). Além disso, muitas abordagens atuais dependem de estruturas hierárquicas que desacoplam a otimização de velocidade e marcha, ou simplificam a dinâmica do trem de força ao ignorar forças de frenagem mecânica, levando a uma gestão de energia subótima em ambientes de tráfego dinâmicos. O problema central é desenvolver um controlador de co-otimização em tempo real que gerencie simultaneamente a velocidade longitudinal do veículo e as trocas de marcha discretas, aderindo a restrições de segurança derivadas de previsões de tráfego.

Metodologia

Estrutura de Previsão de Tráfego

Para permitir um controle proativo, o sistema emprega um algoritmo de previsão de tráfego baseado em um modelo de fluxo de tráfego de segunda ordem de Payne-Whitham (PW) discretizado.

• Integração de Dados: O algoritmo funde dados de Fase de Sinal e Tempo (SPaT) em tempo real, dados de GPS do veículo ego e dados V2V/V2I de Veículos Conectados (CVs).
• Estimativa: Um Filtro de Kalman Não Linear (UKF) estima a velocidade e a densidade do tráfego à frente do veículo precedente imediato.
• Previsão: O modelo propaga a dinâmica do fluxo de tráfego ao longo de um horizonte de previsão para prever a trajetória longitudinal do veículo que segue diretamente à frente, considerando interseções semaforizadas e condições de tráfego misto.

Formulação de Co-Otimização

O núcleo do controlador proposto é uma co-otimização simultânea da velocidade do veículo e da operação do trem de força.

• Dinâmica do Sistema: O modelo integra a dinâmica longitudinal do veículo (incluindo aceleração e posição), a dinâmica do estado de carga (SOC) da bateria usando um modelo de resistência interna e um modelo abrangente de trem de força.
• Modelo de Trem de Força: Diferente de estudos anteriores que frequentemente assumem frenagem mecânica zero, esta formulação modela explicitamente a interação entre a frenagem regenerativa e a frenagem hidráulica. Inclui restrições para cortes de frenagem regenerativa em baixa velocidade e limites de torque do motor baseados na velocidade.
• Função Objetivo: A função de custo minimiza uma soma ponderada do consumo de energia da bateria ($P_b$), aceleração (para conforto) e o desvio da posição terminal do veículo ego de uma distância de seguimento segura desejada atrás da trajetória prevista do veículo líder.

Simplificação do Problema para Implementação em Tempo Real

O problema original é um problema de otimização de inteiros mistos não linear devido à seleção de marcha discreta e termos bilineares (ex: torque do motor $\times$ relação de marcha). Para permitir a execução em tempo real, os autores aplicam diversas técnicas de simplificação:

1. Técnica Big-M: Variáveis de seleção de marcha discretas são convertidas em um conjunto de restrições de desigualdade linear.
2. Aproximação Linear por Partes: Termos quadráticos (como o arrasto do ar $v^2$) e mapas de eficiência do motor não lineares são aproximados usando Conjuntos Ordenados Especiais do tipo 2 (SOS2) e ajuste polinomial, respectivamente.
3. Relaxação de McCormick: Termos bilineares envolvendo velocidade e torque do motor são convexificados em desigualdades lineares.
4. Restrições Suaves (Soft Constraints): Restrições de tráfego rígidas são relaxadas usando variáveis de folga para garantir a viabilidade, sendo penalizadas dentro da função de custo.

O problema simplificado resultante é resolvido dentro de uma estrutura de Controle Preditivo Baseado em Modelo (MPC) utilizando o solver Gurobi.

Principais Contribuições

1. Co-Otimização Simultânea: Ao contrário dos métodos hierárquicos que separam o planejamento de velocidade e marcha, este controlador otimiza concomitantemente a velocidade longitudinal do veículo, a operação do motor e as manobras de troca de marcha discreta.
2. Modelagem de Trem de Força de Alta Fidelidade: A formulação incorpora interações realistas entre frenagem regenerativa e mecânica, bem como a dinâmica da bateria, evitando a simplificação excessiva de assumir forças de frenagem mecânica zero.
3. Eficiência Computacional: Ao empregar técnicas Big-M, aproximações SOS2 e relaxações de McCormick, o complexo problema de inteiros mistos é transformado em uma forma passível de solução em tempo real (tempo médio de resolução de ~0,27s por ciclo).
4. Restrições Críticas de Segurança: O controlador integra previsões de tráfego para impor distâncias seguras de seguimento de veículos e fluxo de tráfego suave em ambientes dinâmicos com interseções semaforizadas.

Resultados

Simulações Numéricas

O algoritmo foi validado utilizando a ferramenta Simulation of Urban MObility (SUMO) com um pelotão de 10 veículos atravessando um trecho de estrada de 1800 m com duas interseções semaforizadas.

• Desempenho: Comparado a um controlador de linha de base para um EV com transmissão de velocidade única (usando o mesmo framework de otimização), o controlador de múltiplas velocidades reduziu o consumo de SOC da bateria em 12,01%.
• Economia de Energia: O consumo de energia melhorou de 203,6 Wh/km para 179,1 Wh/km.
• Insights Operacionais: A transmissão de múltiplas velocidades permitiu que o motor operasse consistentemente dentro de uma faixa mais eficiente, particularmente durante a aceleração e cruzeiro de alta velocidade, reduzindo a necessidade de descarga de alta corrente da bateria.

Testes em Estradas Reais

A validação foi conduzida na Rodovia Trunk 55 (TH55) em Minnesota, cobrindo uma rota de 18 km com 22 interseções.

• Configuração: Dados de tráfego do mundo real, incluindo SPaT e trajetórias de veículos, foram registrados e utilizados para simular o comportamento do veículo precedente para o veículo ego.
• Desempenho: O controlador proposto alcançou uma redução de 11,36% no consumo de energia (uso de SOC da bateria) ao longo do trajeto de 18 km em comparação com sua contraparte de velocidade única.
• Observação: Os resultados confirmaram que a transmissão de múltiplas velocidades permite que o motor opere em um regime mais eficiente, validando a abordagem em um ambiente de tráfego misto e realista.

Significância e Limitações

O artigo afirma que o algoritmo proposto consegue preencher a lacuna entre os ganhos teóricos de eficiência energética das transmissões de múltiplas velocidades e os requisitos práticos de controle em tempo real em tráfego dinâmico. Ao demonstrar melhorias de dois dígitos na eficiência energética através de simulações e testes no mundo real, o trabalho valida a viabilidade da co-otimização de velocidade e seleção de marcha para CAEVs.

Os autores notam modestamente uma limitação primária: o framework atualmente exclui efeitos térmicos da bateria. Como a temperatura influencia significativamente a eficiência e a degradação da bateria, os autores identificam a integração da dinâmica térmica como um próximo passo necessário para evoluir o controlador em um sistema de gestão de trem de força holístico. O artigo não propõe aplicações futuras específicas além desta integração térmica ou outras modificações de hardware.