21234

۲۱۲۳۴

به‌سازي مديريت انرژي سيستم ذخيره ساز انرژي هيبريد شامل باتري و ابرخازن با در نظر گرفتن اثرات دما و عمر

كارشناسي ارشد

سيستم محركه خودرو

۹۶-۹۸

۱۳۹۸/۷/۲۹

دكتر مسعود دهمرده

دكتر مسعود مسيح تهراني

خودرو

با توجه افزايش روزافزون خودروهاي الكتريكي كه مهمترين قسمت آنها باتري يا همان سيستم ذخيره انرژي مي باشد و وابستگي زياد طول عمر باتري به نحوه استفاده از آن، نياز به يك استراتژي مديريت كارآمد كه بتواند طول عمر باتري را هرچه بيشتر افزايش دهد تا هزينه اين خودروها را كاهش دهد هر چه بيشتر احساس مي گردد.از عوامل بسيار موثر بر طول عمر باتري مي توان به دماي باتري ، نرخ جريان خروجي و فركانس نوسانات توان خروجي از باتري اشاره كرد كه در اين پايان نامه مورد بررسي قرار گرفته است. در اين ميان سيستم ذخيره انرژي بر پايه باتري به تنهايي نمي تواند با دامنه نوسانات شديد توان مورد نياز در اثر شتابگيري هاي سريع و يا حركت در شيب عمل كند به همين دليل ابرخازن كه حدودا داراي توان بر كيلوگرمي معادل 3 برابر توان بر كيلوگرم باتري مي باشد به سيستم ذخيره ساز انرژي خودروي الكتريكي اضافه شده است تا در چنين شرايطي وارد عمل گردد. با ورود ابرخازن به سيستم ذخيره ساز نياز به يك سيستم مديريت انرژي كه بتواند توان درخواستي وسيله نقليه برقي را بين باتري و ابرخازن به نحوي تقسيم كند كه طول عمر باتري حداكثر گردد احساس مي گردد. به منظور افزايش طول عمر باتري روشهاي متعددي از جمله استفاده از سيستم ذخيره هيبريدي كه شامل باتري و ابر خازن است استفاده گرديده است تا نوسانات زياد توان و جريان مورد نياز خودرو توسط ابر خازن تامين گردد و همچنين جريان توليدي در زمان ترمز كردن خودرو در ابرخازن ذخيره گردد. براي افزايش طول عمر باتري استراتژيهاي زيادي از جمله استراتژيهاي UC-Based و SOP-Based پيشنهاد گرديده است تا ميزان شارژ و دشارژ باتري و همچنين ولتاژ آن در محدوده اي قرا گيرد كه طول عمر باتري حداكثر گردد. براي اندازه گيري طول عمر باتري با در نظر گرفتن اثر دما، از مدلهاي افت ظرفيت باتري و ابرخازن كه در آن دما و عمق دشارژ (DOD)و نرخ جريان شارژ و دشارژ براي باتري و ابر خازن در نظر گرفته شده است استفاده گرديده است.

1398/08/11

Optimization of Hybrid Energy Storage Energy Management System Including Battery and Supercapacitor Considering Temperature and Aging Effects

10/20/2020 12:00:00 AM

Batteries are considered as the most important component of an electric vehicle in terms of their costs and weight and the assurance of their longevity is a major concern among the electric vehicles manufacturers and users. In order to make the batteries which are vulnerable to high currents inferred from high power demands of electric vehicle, number of charge-discharge cycles, depth of discharge and temperature, another component called Super Capacitor which can deal with this issue without capacity loss in hundreds of thousands cycle and almost no sensitivity to extreme temperatures or depth of charge is switched in to compensate for such battery shortcoming. These two component combined together constitute a system called Hybrid Energy Management System abbreviated HESS. To figure out the switching times of battery and super capacitor there must be an algorithm or strategy in place to distribute the power demand between battery and super capacitor, this strategy is called Power Distribution System. There are many different energy management strategies investigated by different researchers from all over the world to optimize such systems to achieve the best battery life and battery state of heath possible. There are off-line strategies which implement different driving cycles classified as high and low energy and are offered by different authorities or for different driving scenarios, which rely on predefined rules, dynamic programming, predictive, fuzzy, Stochastic, wavelet decomposition and online ones which use real driving conditions for power distribution of battery and super capacitor. In this manuscript an electric bike dynamic and HESS are simulated and four different energy management system have been evaluated and compared for their efficiencies in improving battery life and distance traveled in two standard 20 degrees Celsius excluding the battery or super capacitor aging effects and at 45 degrees Celsius including battery and U.C aging effects, then a fuzzy inference system based on U.C SOC and power demand was proposed and then a new set of fuzzy rules defined to include the effect of battery SOC and the acceleration of the motorcycle modeled and finally predefined fuzzy rules were optimized by implementing genetic algorithm (G.A) and a 18% is achieved .