On the use of traffic condition forecast to optimize automotive powertrain subsystems

Abstract

[ES] El trabajo propuesto utiliza dos tipos de información: la que proviene del entorno (V2I), y la que proviene de otros vehículos (V2V), para mejorar las características de los sistemas más importantes de los vehículos, concretamente el control térmico de la batería o la potencia demandada a lo largo de una ruta señalizada. El trabajo presentado utiliza herramientas de control óptimo, como pueden ser control mediante modelo predictivo (MPC) y programación dinámica (DP), para aprovechar la información futura y optimizar el comportamiento del vehículo. Primero, mediante programación dinámica y procesando la información de las señales de tráfico, se obtiene un perfil de velocidades deseado para seguir a un vehículo, evitando la colisión, respetando los semáforos, y minimizando el consumo total de combustible. Los ensayos experimentales realizados en los laboratorios de CMT-Motores térmicos han sido utilizados para validar las simulaciones y demostrar la capacidad de este tipo de algoritmos para reducir un 19,96% el consumo total, sin penalizar el tiempo total de ruta, y manteniendo un coste computacional aceptable. Es importante remarcar, que, aunque el algoritmo ha sido utilizado para optimizar el comportamiento de motores de combustión interna alternativos (MCIA), la técnica puede ser utilizada en motores híbridos o eléctricos. Posteriormente, se ha realizado un segundo estudio para motores eléctricos cuando la ruta a seguir es conocida. El trabajo propone una predicción de la energía demandada en la ruta para caracterizar las limitaciones térmicas de la batería. El control propuesto utiliza MPC para mantener la temperatura de la batería en el rango aceptable, evitando posibles fallos en la batería. La estimación de la ruta ha sido mejorada mediante la implementación de in algoritmo de aprendizaje automático que procesa rutas anteriores. Los resultados muestran que, tras realizar unas pocas rutas, el modelo puede aprender lo suficiente para reducir un 6% la energía total consumida en el trayecto.

[EN] This work uses information from both, the environment (V2I), and from nearby vehicles (V2V), to improve the performance of critical powertrain subsystems in the vehicle, such as the thermal control management of the battery or the power demand consumption of a vehicle over a signalized route. The work makes use of optimal control theory, namely model predictive control (MPC) and dynamic programming (DP), to profit from preceding horizon information and optimize the vehicle performance, First, by means of Dynamic Programming (DP) and by having the information of the traffic lights scenario of the route in advance, a velocity profile is computed such that follows a preceding vehicle over a given route, taking advantage of the green traffic lights timing to minimize fuel consumption. Experimental tests were conducted on a test bench to evaluate the real fuel consumption of the simulated speed profile when compared to the preceding vehicle. Results show that a reduction of 19.96 % in fuel consumption was possible without penalizing travel time while maintaining real-time feasibility. Although the work is made in an internal combustion engine, the algorithm can be directly applied to electric or hybrid vehicles. Then, a second study is made for electric vehicles with a predefined route. The work proposes a prediction horizon estimation of the future energy demand based on the known vehicle route. Together with a model predictive controller (MPC), it is possible to keep track of an optimal battery temperature which avoids battery derating during the warm-up phase of the vehicle. A self-learning methodology is proposed in which the controller improves its estimations by repeating the same route over several trips. Results show that with a few trips the model can learn enough to reduce a consistent 6% of overall energy consumption during the daily commute proposed.