Stockage hybride et gestion d'énergie dans un véhicule électrique basés sur les nouvelles structures de convertisseurs de puissance // Hybrid storage and energy management in an electric vehicle based on new power converter structures

Abstract

مؤخرًا، شهدت استراتيجيات إدارة الطاقة للمركبات الكهربائية التي تعتمد على خلايا الوقود اهتمامًا متزايدًا، حيث تسعى جاهدة لتحسين تلك الاستراتيجيات بهدف تحقيق توزيع مثالي للطاقة بين مكونات النظام المتعددة. من أجل تعزيز فعالية استخدام الطاقة في المركبات الكهربائية، نعتمد على نظام تخزين طاقة هجين. يتأسس هذا النظام على استخدام خلية الوقود كمكون رئيسي، ويضم بالإضافة إلى ذلك بطارية أيون الليثيوم ومكثف فائق كمكونات مساعدة. ومع ذلك، تواجه هذه الأنظمة تحديات متعددة، مثل ضبط اقتصاد الطاقة لخلية الوقود ومعالجة عدم استقرار جهد خط التيار المستمر، والحفاظ على مكونات التخزين على مدى عمرها، مع مراعات حالة شحن البطارية، في ظل متغيرات الظروف التشغيلية المتنوعة. تم تطوير عدة استراتيجيات تركز على الذكاء الاصطناعي لإدارة الطاقة، وتشمل هذه الاستراتيجيات استخدام المنطق الضبابي من النوع 2، واعتماد الشبكات العصبية الاصطناعية، بالإضافة إلى الاستراتيجية التي تعتمد على الشبكات العصبية الاصطناعية العميقة، مع مراعاة الاقتصاد في استهلاك طاقة خلية الوقود وثبات جهد خط التيار المستمر. وتم تقدير حالة شحن بطارية أيون الليثيوم بالاعتماد على استراتيجية هجينة تجمع بين مرشح كالمان الممتد والشبكة العصبية الاصطناعية العميقة. تم نمذجة ومحاكاة الاستراتيجيات المقترحة، بالإضافة إلى تقنيات التحكم وتدريب الشبكات العصبية والوصول الى أقل خطأ ممكن باستخدام برنامج الماتلاب.

Recently, energy management strategies for fuel cells electric vehicles have witnessed increasing interest, with striving to improve those strategies with the goal of achieving optimal energy distribution among multiple system components. In order to enhance the energy efficiency of electric vehicles, we rely on a hybrid energy storage system. This system is based on the use of a fuel cell as the main component and additionally includes lithium-ion battery and supercapacitor as auxiliary components. However, these systems face multiple challenges, such as adjusting the energy economy of the fuel cell, dealing with DC Bus voltage stability, and maintaining the storage components throughout their lifetime, taking into account the battery state of charge, under diverse operating condition variables. Several artificial intelligence focused strategies are developed for energy management, including the use of type II fuzzy logic, the adoption of artificial neural networks, and the strategy based on deep artificial neural networks, taking into account fuel cell energy economy and DC Bus stability. The state of charge of the lithium-ion battery is estimated based on a hybrid strategy combining an extended Kalman filter and a deep artificial neural network. The proposed strategies, in addition to control techniques and neural network training, are modeled and simulated to achieve the lowest possible error using Matlab.

Récemment, les stratégies de gestion de l'énergie pour les véhicules électriques à piles à combustible suscitent un grand intérêt, améliorant ces stratégies tout en obtenant une répartition optimale de l'énergie entre les composants du système. Afin d’améliorer l’efficacité énergétique des véhicules électriques, nous nous appuyons sur un système de stockage d'énergie hybride. Ce système est basé sur l'utilisation d'une pile à combustible comme composant principal et comprend en outre de batterie lithium-ion et de supercondensateur comme composants auxiliaires. Cependant, ces systèmes sont confrontés à de multiples défis, tels que l'ajustement de l'économie d'énergie de la pile à combustible, la stabilité de la tension du DC Bus et le maintien des composants de stockage tout au long de leur durée de vie, en tenant compte de l'état de charge de batterie, sous diverses variables de conditions de fonctionnement. Plusieurs stratégies axées sur l'intelligence artificielle ont été développées pour la gestion de l'énergie, notamment l'utilisation de la logique floue de type II, l'adoption de réseaux de neurones artificiels, ainsi que la stratégie basée sur les réseaux de neurones artificiels profonds, prenant en compte l'économie d'énergie de pile à combustible. Et la stabilité du DC Bus. L'état de charge de la batterie lithium-ion a été estimé sur la base d’une stratégie hybride combinant un filtre de Kalman étendu et un réseau neuronal artificiel profond. Les stratégies proposées, en plus des techniques de contrôle et d'entraînement des réseaux neuronaux, ont été modélisées et simulées pour obtenir l'erreur la plus faible possible à l'aide de Matlab.