ITI-MPC: Intelligent Transportation-Informed Predictive Energy Management for Ammonia-Hydrogen Hybrid Electric Vehicles
本文提出了一种智能交通信息驱动的模型预测控制（ITI-MPC）框架，该框架通过整合短时需求预测来优化氨-氢混合动力电动汽车的能量管理，在保持电池荷电状态稳定的同时，实现了42.80%的系统峰值效率。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
重型运输业通往清洁未来的道路是由艰难的选择铺就的。大型卡车和巴士需要巨大的能量来移动，然而为小型汽车提供动力的电池对于这些庞大的作业任务来说往往过于沉重且充电速度过慢。工程师们将目光投向了氢气，这是一种能提供巨大能量且能快速补给的燃料，但储存纯氢需要沉重的高压储罐，难以管理。一种极具前景的替代方案以氨的形式出现，这种化学物质易于储存和运输，因为它在适中的压力下保持稳定且呈液态。然而，氨无法直接在大多数发动机中燃烧；它必须首先通过一个被称为“分解”的过程转化为氢气。这为车辆设计师带来了一个复杂的谜题：系统必须管理液态氨的流动、其转化为气体的速率、气体的储存，以及运行车辆所需的电力，同时还要确保卡车在到达目的地之前绝不会耗尽燃料。
清华大学的研究人员开发了一种新方法来解决这个谜题，为运行在氨氢混合燃料上的车辆创建了一个智能控制系统。在他们的研究中，他们描述了一辆配备了三种主要动力源的车辆：一台燃烧氨氢混合物以产生电力的发动机、一个利用氢气产生动力的燃料电池，以及一个用于提供爆发性动力或在制动时回收能量的电池。挑战在于决定在任何给定时刻每种动力源应该提供多少功率。如果系统过于谨慎，可能会为以后保留过多的氢气，导致油箱充盈但发动机效率低下。如果系统过于激进，可能会过快地消耗氢气，结果发现氨分解器产生的氢气速度跟不上发动机的需求。
为了解决这个问题，团队创建了一种名为 ITI-MPC 的策略，即“智能交通信息驱动的预测性能能量管理”。与那些仅仅对驾驶员当前功率需求做出反应的旧系统不同，这个新系统具有前瞻性。它使用计算机模型，根据车辆的速度和加速度，预测未来几秒钟内卡车的功率需求。通过预知即将发生的情况，系统现在就能做出更明智的决策。例如，如果预测显示前方有一段陡坡，系统可以在提前一刻开始生成额外的氢气，从而确保当沉重的载荷到来时，储罐已经准备就绪。这使得车辆能够平衡氨分解器缓慢稳定的氢气生产与道路上即时需求之间的关系，避免了因过度生产或生产不足而导致的浪费。
研究人员使用从原型氨氢卡车中收集的真实驾驶数据测试了这种新方法。他们将该智能系统与三种其他方法进行了对比：一种是遵循固定指令的简单基于规则的系统，一种是试图在每一瞬间都最小化燃料消耗的方法，以及一种不使用交通或道路信息的标准预测系统。结果表明，新的 ITI-MPC 策略效率最高。它成功降低了车辆消耗的氨总量，实现了 42.80% 的系统效率，高于测试的所有其他方法。至关重要的是，卡车既没有耗尽燃料，也没有让电池电量枯竭；系统保持了电池健康的电量水平，并确保氢气罐得到了有效利用，在行程结束时仅剩极少量的未用燃料。
成功的关键不仅在于拥有更好的发动机或更大的电池，而在于计算机如何随时间管理能量流。研究发现，如果没有前瞻性，旧系统往往会过于保守，为了以防万一而囤积氢气，这意味着发动机必须更辛苦、效率更低地工作来弥补这一点。而新系统通过预判前方路况，可以更自由、更自信地使用氢气，因为它确切知道何时会有更多氢气从氨分解器中产生。这种协调作用使车辆能够在不面临燃料短缺风险的情况下，运行在接近其最优性能极限的状态。研究人员指出，虽然在百分比层面上燃料节省的提升看似微小，但对于一个已经受到物理和安全限制严格约束的系统而言，这代表了效率的显著提升。
这项工作证明，对于复杂的混合动力车辆，控制软件的智能化程度与硬件本身同样重要。通过将对前方道路的短期预测整合到决策过程中，该系统可以驾驭有限存储与缓慢燃料生产之间的微妙平衡。研究证实，即便只是向前看短短几秒钟，也能让车辆在当下做出更好的选择，从而实现更高效、更可持续的重载运输方式。随着运输业寻求脱碳，这种对多源能量系统的智能管理可能会成为未来重型车辆的标准配置。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。