Nghiên cứu tối ưu hóa thiết kế độ lớn và tham số điều khiển nguồn năng lượng hệ động lực xe hybrid (TT)

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC NHA TRANG

VŨ THĂNG LONG

NGHIÊN CỨU TỐI ƯU HÓA THIẾT KẾ ĐỘ LỚN
VÀ THAM SỐ ĐIỀU KHIỂN NGUỒN NĂNG LƯỢNG
HỆ ĐỘNG LỰC XE HYBRID

Ngành đào tạo: Kỹ thuật cơ khí động lực
Mã số: 62520116

TÓM TẮT LUẬN ÁN TIẾN SĨ

Khánh Hòa – 2015


Công trình được hoàn thành tại Trường Đại học Nha Trang

Người hướng dẫn khoa học:

PGS.TS. Nguyễn Văn Nhận

Phản biện 1 :

Phản biện 2 :

Phản biện 3 :

Luận án được bảo vệ tại Hội đồng đánh giá luận án cấp trường họp tại
Trường Đại học Nha Trang vào hồi ….. giờ, ngày … tháng … năm …

1

Có thể tìm hiểu luận án tại :


MỞ ĐẦU
1. Lý do chọn đề tài
Xe hybrid được xem là một trong những giải pháp quá độ giải quyết áp lực của
yêu cầu tiết kiệm nhiên liệu hóa thạch và giảm thiểu ô nhiễm môi trường bởi khí thải
của xe cơ giới.
Làm chủ kỹ thuật và công nghệ tối ưu hóa độ lớn các thành phần cơ bản nguồn
động lực và tham số điều khiển nguồn năng lượng hệ động lực hybrid là một trong
những điều kiện tiên quyết để có thể thiết kế và chế tạo xe hybrid.
Với mục đích nghiên cứu lý thuyết và thực tiễn của giải pháp hybrid hóa để làm
cơ sở cho việc thiết kế và chế tạo xe hybrid, đồng thời cho phép đánh giá mức độ phù
hợp của các mẫu xe hybrid được khai thác trong điều kiện ở Việt Nam, nghiên cứu
sinh (NCS) chọn đề tài luận án : “Nghiên cứu tối ưu hóa thiết kế độ lớn và tham số
điều khiển nguồn năng lượng hệ động lực xe hybrid ".
2. Mục tiêu nghiên cứu
Xây dựng mô hình tối ưu hóa và phát triển giải thuật để tối ưu hóa độ lớn của các
nguồn năng lượng và tối ưu hóa các tham số điều khiển nguồn năng lượng của hệ động
lực xe hybrid, nhằm nâng cao tính kinh tế nhiên liệu, giảm phát thải các chất độc hại
có trong khí thải của động cơ đốt trong.
3. Đối tượng nghiên cứu
Xe hybrid có hệ động lực được cấu thành từ hai loại nguồn động lực là động cơ
đốt trong và động cơ điện.
4. Phạm vi nghiên cứu
(1) Các nguồn năng lượng trong cấu trúc tổng thể của hệ động lực của ô tô hybrid
kiểu song song và kiểu hỗn hợp, bao gồm: động cơ đốt trong (ICE), động cơ điện (EM),

máy phát điện (EG) và ắcqui (AQ).
(2) Tối ưu hóa thiết kế độ lớn của các nguồn năng lượng thuộc hệ động lực của ô
tô hybrid kiểu song song và kiểu hỗn hợp.
(3) Tối ưu hóa tham số điều khiển nguồn năng lượng hệ động lực của ô tô hybrid
kiểu song song và kiểu hỗn hợp.
2


5. Nội dung nghiên cứu
Nội dung nghiên cứu gồm: Tổng quan về xe hybrid và tối ưu hóa hệ động lực của
xe hybrid; Tối ưu hóa thiết kế độ lớn và tham số điều khiển nguồn năng lượng hệ động
lực xe hybrid bằng giải thuật đàn ong; Mô phỏng thực nghiệm tối ưu hóa độ lớn và
tham số điều khiển nguồn năng lượng hệ động lực xe hybrid; Kết luận và khuyến nghị
6. Hạn chế của luận án
Luận án mới chỉ đề cập vấn đề tối ưu hóa độ lớn của các nguồn năng lượng và
tham số điều khiển nguồn năng lượng thuộc hệ động lực của xe hybrid với mục tiêu là
giảm tiêu hao nhiên liệu và mức độ phát thải của động cơ đốt trong trong điều kiện vẫn
đảm bảo các yêu cầu về tính năng động lực học. Phương pháp tối ưu hóa thiết kế độ
lớn và tham số điều khiển nguồn năng lượng của hệ động lực xe hybrid bằng giải thuật
đàn ong chưa được khảo nghiệm trên các mẫu xe hybrid thực trong phòng thí nghiệm
hoặc vận hành trong điều kiện thực tế.
7. Đóng góp chính
(1) Phát triển mô hình tối ưu hoá đồng thời, đa mục tiêu các thành phần cơ bản của
hệ động lực và tham số điều khiển;
(2) Phát triển phương trình fs(Sj) (2.30), nb(Sj,t) (2.32) và ph(Sj,t) (2.34) của giải
thuật Đàn Ong;
(3) Xây dựng các hàm phạt phản ảnh điều kiện ràng buộc về mặt động lực học cho
giải thuật Đàn Ong để giải bài toán tối ưu đặt ra.
(4) Xây dựng một mô-đun chương trình bằng Matlab để kết nối giải thuật tối ưu
với phần mềm ADVISOR, có áp dụng cho điều kiện Việt Nam.

3


Chương 1
TỔNG QUAN VỀ Ô TÔ HYBRID VÀ NGHIÊN CỨU
TỐI ƯU HÓA HỆ ĐỘNG LỰC CỦA Ô TÔ HYBRID
Tối ưu hóa thiết kế độ lớn của các nguồn năng lượng thuộc hệ động lực của ô
tô hybrid: Hệ động lực của ô tô hybrid có ít nhất hai loại nguồn động lực khác nhau đó
là động cơ đốt trong và động cơ điện có cùng một chức năng chính là cung cấp động
năng cho bánh xe chủ động của xe, ngoài ra hệ động lực cần có hệ thống sản xuất và
lưu trữ điện là máy phát và ắc qui. Độ lớn của ICE, EM và máy phát trong luận án này
được hiểu là công suất có ích lớn nhất. Độ lớn của ắc qui chính là dung lượng tổng
cộng của ắc qui. Tối ưu hóa độ lớn các thành phần cơ bản của hệ động lực là việc xác
định công suất lớn nhất hợp lý của ICE, EM, máy phát và dung lượng ắc qui nhằm
thỏa mãn mục tiêu tối ưu đề ra.
Tối ưu hóa tham số điều khiển nguồn năng lượng của hệ động lực ô tô hybrid:
Được hiểu là việc xác định và kiểm soát chế độ làm việc của các nguồn năng lượng
sao cho đạt được các mục tiêu mà phương án hybrid có thể mang lại.
Các nghiên cứu về tối ưu hóa trên ô tô hybrid hiện nay tập trung vào:
- Thiết kế và chế tạo các mô hình ô tô và một số thành tố cơ bản của hệ động lực
ô tô hybrid.
- Nghiên cứu tối ưu tham số điều khiển: Phương pháp tối ưu hóa sử dụng giải
thuật phân tử; Phương pháp tối ưu hóa sử dụng giải thuật di truyền (GA-Genetic
Algorithm) và Phương pháp sử dụng giải thuật mô phỏng quá trình ủ của kim loại
(SA-Simulated Annealing)
- Nghiên cứu về tối ưu hóa thiết kế độ lớn nguồn động lực: Tối ưu hóa nguồn
động lực cho ô tô hybrid kiểu nối tiếp sử dụng giải thuật di truyền kết hợp với giải
thuật tìm kiếm cục bộ SQP (Sequential Quadratic Programming) ; Tối ưu hóa nguồn
động lực cho ô tô hybrid kiểu song song sử dụng ba giải thuật: Giải thuật phân chia

hình chữ nhật (DIRECT), giải thuật mô phỏng quá trình ủ của kim loại (SA) và giải
thuật di truyền (GA) để nâng cao hiệu quả kinh tế nhiên liệu.

4


- Nghiên cứu về tối ưu hóa đồng thời độ lớn nguồn động lực và tham số điều
khiển: Tối ưu hóa cho ô tô hybrid kiểu nối tiếp và song song sử dụng giải thuật di
truyền.
Qua việc phân tích, tóm tắt những kết quả nghiên cứu trên ô tô hybrid cho thấy
các công trình nghiên cứu trong nước phần lớn tập trung vào vấn đề thiết kế và chế tạo
các mô hình ô tô và một số thành tố cơ bản của hệ động lực ô tô hybrid nhằm mục đích
tìm hiểu sâu hơn về xe hybrid hoặc phục vụ công tác đào tạo. Các nghiên cứu của
nước ngoài đã công bố hiện nay tập trung vào tối ưu hóa riêng lẻ độ lớn nguồn động
lực hoặc chỉ tối ưu trị số của các tham số điều khiển. Một vài nghiên cứu mới nhất đã
tiến hành tối ưu hóa đồng thời độ lớn nguồn động lực và tham số điều khiển, sử dụng
giải thuật di truyền và đã cho ra kết quả khả quan. Tuy nhiên do bản chất của giải thuật
di truyền là dựa trên quá trình chọn lọc tự nhiên qua rất nhiều thế hệ nên thời gian tìm
kiếm rất lâu, ngoài ra những nghiên cứu sử dụng giải thuật di truyền vẫn chưa thử
nghiệm tối ưu hóa toàn bộ các tham số điều khiển của một loại ô tô thương mại cụ thể,
một vài tham số được giữ nguyên ở giá trị mặc định.
Từ những vấn đề còn tồn tại trong nghiên cứu ô tô hybrid trình bày trên, trong
nghiên cứu này sử dụng phương pháp mới để nghiên cứu vấn đề tối ưu hóa độ lớn
nguồn năng lượng và tham số điều khiển nguồn năng lượng của hệ động lực ô tô
hybrid. Giải thuật đàn ong đã được lựa chọn và cải tiến để giải bài toán nói trên đối với
ô tô hybrid kiểu song song và kiểu hỗn hợp. Phần mềm ADVISOR và phần mềm
Matlab được sử dụng để thực hiện mô phỏng thực nghiệm với 2 đối tượng thực
nghiệm là ô tô Honda Insight 2000 và Toyota Prius 1998, trong đó có xét đến các điều
kiện ràng buộc là điều kiện khai thác kỹ thuật ở Việt Nam.

5


Chương 2
TỐI ƯU HÓA THIẾT KẾ ĐỘ LỚN VÀ THAM SỐ ĐIỀU KHIỂN
NGUỒN NĂNG LƯỢNG HỆ ĐỘNG LỰC Ô TÔ HYBRID BẰNG
GIẢI THUẬT ĐÀN ONG
Chương 2 trình bày mô hình tối ưu hóa độ lớn các nguồn năng lượng và các tham
số điều khiển hệ động lực của ô tô hybrid được cấu thành từ động cơ đốt trong và động
cơ điện. Những thông tin cơ bản về giải thuật đàn ong, một số nội dung cải tiến giải
thuật đàn ong cơ sở do NCS thực hiện và phương pháp sử dụng giải thuật đàn ong trong
bài toán tối ưu hóa riêng lẻ các tham số điều khiển và bài toán tối ưu hóa đồng thời độ
lớn của các nguồn năng lượng và các tham số điều khiển hệ động lực ô tô hybrid được
xem là cơ sở lý thuyết của phần mô phỏng thực nghiệm được trình bày ở Chương 3.
MÔ HÌNH TỐI ƯU HÓA ĐỘ LỚN NGUỒN NĂNG LƯỢNG VÀ THAM SỐ
ĐIỀU KHIỂN HỆ ĐỘNG LỰC Ô TÔ HYBRID

Hình 2-1: Mô hình tổng quát tối ưu hóa cho ô tô hybrid sử dụng MDO
6


NCS sử dụng phương pháp Tối ưu hóa thiết kế đa ngành (Multidisciplinary
Design Optimization - MDO) để giải bài toán tối ưu hóa đồng thời nhiều tham số của
hệ động lực hybrid được cấu thành từ nhiều thành tố có đặc điểm cấu tạo và nguyên lý
hoạt động rất khác nhau theo sơ đồ trên Hình 2-1.

G ( X )  w1.FC  w2 .HC  w3 .CO  w4 .NO
w  w  w  w  1
 1
2

3
4

hl ( X )  0
kq ( X )  0


 X CZ 1 xCZ 1 _ min  xCZ 1 _ max  


...

 X CZ  n xCZ  n _ min  xCZ  n _ max  

X 
 X CS 1 xCS 1 _ min  xCS 1 _ max  


...

 X CS  m xCS  m _ min  xCS  m _ max 



(2.1)

(2.2)

 FC ( X ) 
 HC ( X ) 


Y 
CO ( X ) 


 NO ( X ) 

(2.3)

Trong đó :
G(X) là hàm mục tiêu cần tối ưu
hl(X) ≤ 0 và kq(X) ≥ 0 là các điều kiện ràng buộc về tính năng động lực học của xe
XCZ-i (i = 1 ÷ n) là tập các biến về độ lớn các thành phần cơ bản của hệ động lực,
bao gồm công suất có ích lớn nhất của ICE, EM, EG và dung lượng AQ
XCS-j (j = 1 ÷ m) là tập các biến về tham số điều khiển nguồn năng lượng
Y là tập biến đầu ra gồm suất tiêu thụ nhiên liệu FC; hàm lượng phát thải các chất
HC, CO và NO.
Quá trình tối ưu hóa độ lớn các nguồn năng lượng và tham số điều khiển hệ động
lực ô tô hybrid trong luận án này thực hiện bằng phương pháp “thử và sai” có định
hướng theo giải thuật tối ưu được lựa chọn. Quá trình này gồm rất nhiều vòng lặp, tại
7


mỗi vòng lặp BỘ TỐI ƯU sẽ gán các giá trị cụ thể của mỗi biến cần tối ưu của X trong
miền giá trị được giới hạn bởi giới hạn dưới và giới hạn trên ở phương trình (2.2)
nhằm tạo một “ứng viên” tối ưu để đưa vào khối THIẾT BỊ đã được mô hình hóa.
Chiến lược điều khiển sẽ xác định điểm làm việc của các nguồn năng lượng theo từng
thời điểm của chu trình vận hành. Kết quả đầu ra Y của khối THIẾT BỊ sẽ xác định
được lượng tiêu thụ nhiên liệu FC, hàm lượng các chất độc hại HC, CO, NO trong khí
thải và tính năng động lực học của ô tô. Các thành phần của biến đầu ra Y sẽ được đưa

về lại cho BỘ TỐI ƯU để tính toán hàm mục tiêu G(X) và kiểm tra các điều kiện ràng
buộc. Dựa vào kết quả của hàm mục tiêu và điều kiện ràng buộc mà BỘ TỐI ƯU sẽ
thay đổi trị số các thành phần của X theo một Giải thuật tối ưu để tạo ra một “ứng
viên” mới. Quá trình lặp lại nhiều lần cho đến khi thỏa mãn điều kiện tối ưu.
Phần kế tiếp của Luận án tập trung nghiên cứu cải tiến và sử dụng giải thuật đàn
ong (BA) làm BỘ TỐI ƯU để giải quyết bài toán tối ưu hóa độ lớn các thành phần cơ
bản hệ động lực và tham số điều khiển cho ô tô hybrid như mô tả ở trên.
GIẢI THUẬT ĐÀN ONG CƠ SỞ (BBA)
Quá trình tối ưu hóa cho xe hybrid sử dụng BBA như sau:
 Bước 1: Khởi tạo một quần thể n ong trinh sát, mỗi ong (lời giải) trinh sát là một
tập hợp các giá trị cụ thể của tất cả các biến số đầu vào biểu diễn độ lớn của các
thành phần cơ bản của nguồn động lực xe hybrid và tham số của chiến lược điều
khiển
 Bước 2: Xác định trị số FC, HC, CO, NO và hàm phạt Ci(X) cho mỗi ong bằng cách
kết hợp giữa BBA và phần mềm tính toán ADVISOR
 Bước 3: Tính toán fitness cho tất cả phần tử quần thể ong trinh sát dựa theo phương
trình (2.22); và chọn m ong trinh sát có fitness từ cao tới thấp
 Bước 4: Thực hiện việc tìm kiếm lân cận của e vị trí “ưu tú” (vị trí có fitness cao
trong số m vị trí được chọn), tại mỗi vị trí này thực hiện n1 tìm kiếm và chọn một
ong có fitness cao nhất
 Bước 5: Tương tự bước 4 nhưng thực hiện ở (m-e) vị trí còn lại, mỗi vị trí thực hiện
n2 tìm kiếm (n2 < n1)
8


 Bước 6: Gán (n-m) ong để thực hiện tìm kiếm ngẫu nhiên trong không gian tìm
kiếm để tìm những vùng tiềm năng khác, việc này nhằm tránh kết quả cuối cùng tìm
được là giá trị tối ưu cục bộ.
 Bước 7: Cập nhật quần thể mới từ những ong tốt nhất của m vị trí và (n-m) ong tìm
kiếm ngẫu nhiên

 Bước 8: Kết thúc quá trình tìm kiếm nếu điều kiện hội tụ thỏa mãn, nếu chưa thỏa
mãn thì quay lại Bước 2. Điều kiện hội tụ ở đây là fitness lớn nhất trong quần thể mới
sau mỗi vòng lặp không thay đổi sau một số vòng lặp qui định hoặc sau N vòng lặp.
Để ứng dụng BBA vào bài toán đặt ra ở trên, hàm fitness Fn(X) được sử dụng để
đánh giá độ phù hợp của lời giải. Fn(X) là trị số nghịch đảo của hàm mục tiêu G(X),
những lời giải có “fitness” lớn sẽ cho hàm mục tiêu G(X) nhỏ và ngược lại. Tuy nhiên
việc tìm lời giải cho G(X) nhỏ nhất nhưng vẫn phải thỏa mãn điều kiện ràng buộc về
tính năng động lực học của xe. Trong BBA, việc lựa chọn lời giải tốt nhất chỉ dựa vào
Fn(X), do đó để xét thêm điều kiện ràng buộc về mặt động lực học thì hàm Fn(X) ở
phương trình (2.22) đã được NCS đưa thêm 3 hàm phạt Ci(X) (xem phương trình 2.24)
để xét điều kiện về tính năng động lực học của Việt Nam theo TCVN 4054 : 2005 và
22 TCN 307 – 03. Những lời giải (ứng viên) cho kết quả vi phạm điều kiện ràng buộc
sẽ làm giảm Fn(X), nên khả năng được lựa chọn của nó cũng sẽ bị thấp đi.

Fn( X ) 

1
3

G ( X )   ki . Ci ( X )



1
G' ( X )

(2.22)

i 1

3

G ' ( X )  G( X )   ki . Ci ( X )

(2.23)

C1 ( X )  max(0; vmax  Velocity ( X )) / vmax

C2 ( X )  max(0; min  Slope( X )) /  min
C ( X )  max(0; Time( X )  t ) / t
200 m
200 m
 3

(2.24)

i 1

Trong đó:
X = (x1, x2, …, xn) là các biến số đầu vào cần tối ưu
Ci(X), αi và Fi(X) là hàm phạt, giá trị qui định và giá trị thực tế của các tham số
ràng buộc
9


ki là hệ số phạt được lựa chọn bằng phương pháp “thử và sai (trial and
error) ” theo kinh nghiệm
G ' ( X ) là

hàm mục tiêu có xét đến điều kiện ràng buộc

vmax , θmin và t200m là yêu cầu vận tốc tối đa, độ dốc tối thiểu của đường mà xe phải
leo được và thời gian cho phép từ khi xe khởi hành cho đến khi đi được 200m
GIẢI THUẬT ĐÀN ONG DỰA TRÊN PHEROMONE (PBA)
Tương tự như khi sử dụng BBA vào bài toán tối ưu, hàm fitness Fn(X) là trị số
nghịch đảo của hàm mục tiêu G’(x). Hàm phạt ở (2.28) được NCS đưa vào (2.27) để
xét thêm điều kiện ràng buộc về tính năng động lực học của xe.
Giá trị fitness tại vị trí Sj được tính như sau:
fitness( S j )( x ) 

1
3

G ( S j )( x )   ki . Ci ( S j )( x )



1
G ( S j )( x )
'

(2.27)

i 1

C1 ( S j )( x )  max(0; vmax  Velocity ( S j )( x ) ) / vmax

C2 ( S j )( x )  max(0; min  Slope( S j )( x ) ) /  min

C3 ( S j )( x )  max(0; Time( S j )( x )  t200 m ) / t200 m

(2.28)

Quá trình tối ưu hóa sử dụng PBA cho xe hybrid như sau:
 Bước 1: Khởi tạo một quần thể n ong trinh sát, mỗi ong (lời giải) trinh sát là một
tập hợp các giá trị cụ thể của tất cả các biến số biểu diễn độ lớn của các thành phần
cơ bản của nguồn động lực xe hybrid và biến số là các tham số điều khiển
 Bước 2: Xác định trị số FC, HC, CO, NO và hàm phạt Ci(X) cho mỗi ong bằng cách
kết hợp giữa PBA và phần mềm ADVISOR
 Bước 3: Tính toán fitness cho tất cả phần tử quần thể ong trinh sát dựa theo phương
trình (2.27), (2.28) và (2.30)
 Bước 4: Chọn e ong có fitness từ cao tới thấp
 Bước 5: Tính toán số lượng ong để tìm kiếm cục bộ ở e vị trí Sj được chọn, số
lượng ong ở thời điểm t tìm kiếm tại từng vị trí là nb(Sj,t) được xác định bởi phương
trình 2.32. Trong luận án này, phương trình tính nb(Sj,t), fs(Sj) và ph(Sj,t) đã được
10


NCS phát triển và hoàn thiện so với các phương trình nghiên cứu của
(Packianather, 2009).

fs( S j ) 

fitness ( S j )  fitness (Se1 )
e

  fitness(S )  fitness(S )

nb ( S j , t ) 

e 1

i

i 1

(2.30)

ph( S j , t  1) . f s ( S j ) 

.m.e

(2.32)

ph(S j , t )  ph(S j , t  1) .   f s (S j ) . nb (S j , t )

(2.34)

e

  ph(Si , t  1) . f s (Si ) 




i 1

Trong đó:
fs(Sj) là số điểm (fitness score) tại vị trí Sj
m là số lượng ong trung bình tại từng vị trí tìm kiếm trong e

Se+1 là vị trí có fitness cao nhất của các vị trí không được chọn của n.
ph(Sj,t) là trị số pheromone tại vị trí Sj
α, β là tham số điều khiển sự ảnh hưởng lượng pheromone tại vị trí Sj của lần
lặp trước và fitness tại vị trí Sj.
ρ là tham số điều khiển sự bay hơi của pheromone.
 Bước 6: Gán (n-e) ong để thực hiện tìm kiếm ngẫu nhiên trong không gian tìm kiếm
để tìm những vùng tiềm năng khác, việc này nhằm tránh kết quả cuối cùng tìm
được là giá trị tối ưu cục bộ.
 Bước 7: Chọn ong tốt nhất tại e vị trí sau khi tìm kiếm cục bộ kết hợp với (n-e) tìm
kiếm ngẫu nhiên để tạo thành quần thể mới
 Bước 8: Cập nhật quần thể mới
 Bước 9: Dùng phương trình (2.34) để cập nhật pheromone cho quần thể mới
 Bước 10: Kết thúc quá trình tìm kiếm nếu điều kiện hội tụ thỏa mãn, nếu chưa thỏa
mãn thì quay lại Bước 4. Điều kiện hội tụ ở đây là fitness lớn nhất trong quần thể
mới sau mỗi vòng lặp không thay đổi sau một số vòng lặp qui định hoặc sau N vòng
lặp.
11


Chương 3
MÔ PHỎNG THỰC NGHIỆM TỐI ƯU HÓA ĐỘ LỚN
VÀ THAM SỐ ĐIỀU KHIỂN NGUỒN NĂNG LƯỢNG
CỦA HỆ ĐỘNG LỰC Ô TÔ HYBRID
MỤC TIÊU MÔ PHỎNG THỰC NGHIỆM
Nội dung mô phỏng thực nghiệm trong luận án nhằm các mục tiêu dưới đây :
(1) Giải bài toán tối ưu hóa hệ động lực hybrid bằng giải thuật đàn ong;
(2) So sánh chất lượng tối ưu hóa hệ động lực hybrid bằng giải thuật đàn ong cơ
sở và bằng giải thuật đàn ong dựa trên pheromone;
(3) So sánh kết quả tối ưu hóa hệ động lực xe hybrid theo chu trình vận hành áp
dụng cho ô tô con được cơ quan hữu quan của Việt Nam xây dựng và theo chu trình

vận hành FTP do EPA xây dựng;
(4) Đánh giá độ tin cậy của phương pháp tối ưu hóa hệ động lực hybrid bằng giải
thuật đàn ong.
NỘI DUNG MÔ PHỎNG THỰC NGHIỆM
TT Danh mục các mô phỏng thực nghiệm
Mô phỏng thực nghiệm trên Honda Insight 2000

1

2

3

4

Tối ưu hóa riêng lẻ tham số điều khiển bằng giải thuật BBA theo chu trình vận
hành áp dụng cho ô tô con ở Việt Nam (CECDC).
Tối ưu hóa riêng lẻ tham số điều khiển bằng giải thuật BBA theo chu trình vận
hành FTP.
Tối ưu hóa riêng lẻ tham số điều khiển bằng giải thuật PBA theo chu trình vận
hành CECDC.
Tối ưu hóa riêng lẻ tham số điều khiển bằng PBA theo FTP.
12


Tối ưu hóa đồng thời độ lớn nguồn năng lượng và tham số điều khiển bằng

5

BBA theo CECDC

Tối ưu hóa đồng thời độ lớn nguồn năng lượng và tham số điều khiển bằng

6

BBA theo FTP
Tối ưu hóa đồng thời độ lớn nguồn năng lượng và tham số điều khiển bằng

7

PBA theo CECDC
Tối ưu hóa đồng thời độ lớn nguồn năng lượng và tham số điều khiển bằng

8

PBA theo FTP

Mô phỏng thực nghiệm trên Toyota Prius 1998
Tối ưu hóa riêng lẻ tham số điều khiển bằng PBA theo CECDC với các bộ

9

trọng số wi khác nhau
Tối ưu hóa đồng thời độ lớn nguồn năng lượng và tham số điều khiển bằng

10

PBA theo CECDC với các bộ trọng số wi khác nhau

Honda Insight 2000
Mục tiêu tối ưu cho xe HONDA Insight 2000 với điều kiện ràng buộc được xác

định trong điều kiện Việt Nam có dạng như sau :
 Min  G ( X )   Min( FC )

vmax  120km / h

  min  11%
t
 200 m  20, 4 s

Khi tối ưu riêng lẻ tham số điều khiển sử dụng giải thuật BBA và PBA (Bảng
3-7; 3-8; 3-9 và 3-10 phần Phụ lục):
-

Giải thuật BBA và PBA đã xác định được các bộ trị số tham số điều khiển mới

ở cột (1), (2) và (3) so với bộ tham số điều khiển hiện tại của xe Honda Insight 2000 ở
cột (0) theo chu trình vận hành CECDC và FTP. So sánh giá trị của FC, vmax, min và
13


t200m của các kết quả do BBA và PBA tìm thấy và giá trị của FC, vmax, min và t200m của
xe Honda Insight 2000 nguyên bản, chẳng hạn so sánh giá trị của cột (1) và cột (0) ở
Bảng 3-7; 3-8; 3-9 và 3-10 cho thấy khi sử dụng bộ trị số tham số điều khiển mới này
sẽ cải thiện được FC, đồng thời cho tốc độ tối đa vmax, khả năng leo dốc min và thời
gian tăng tốc t200m tương đương so với xe Honda Insight 2000.
-

Khi tối ưu riêng lẻ tham số điều khiển theo chu trình vận hành CECDC và FTP

thì độ lớn nguồn động lực được giữ nguyên. Do tổng công suất cực đại của ICE, EM

trên xe Honda Insight 2000 nguyên bản lớn hơn rất nhiều so với công suất tổng cộng
yêu cầu để xe Honda Insight 2000 đồng thời thỏa mãn cả 3 điều kiện ràng buộc về mặt
động lực học của Việt Nam. Do đó, việc sử dụng hàm phạt ở phương trình (2.24) và
(2.28) chưa có ý nghĩa thực tiễn trong trường hợp này, các kết quả tối ưu tìm được đều
cho xe có khả năng leo dốc tối thiểu luôn lớn hơn rất nhiều so với qui định là 11%, yêu
cầu vận tốc cực đại vmax cũng luôn lớn hơn 120 km/h và thời gian tăng tốc t200m luôn
nhỏ hơn 20,4s.
-

Với mỗi chu trình vận hành khác nhau sẽ có trị số tham số điều khiển tối ưu

tương ứng. Khi sử dụng cùng bộ trị số tham số điều khiển chung cho hai chu trình FTP
và CECDC sẽ cho kết quả FC khác nhau.
-

Theo Bảng 3-7; 3-8; Bảng 3-9 và 3-10 thì PBA cho kết quả tìm kiếm FC, vmax,

min và t200m tương đương so với BBA nhưng thực nghiệm cho thấy khi sử dụng BBA,
tốc độ tìm kiếm hội tụ trung bình sau khoảng 19 vòng lặp, mỗi vòng lặp sử dụng 50
ong (tương đương 50 lần gọi ADVISOR chạy mô phỏng) và 20 ong khởi tạo ban đầu,
nên tổng số ong trung bình cần thiết để tìm kiếm là 970 ong. Trong khi đó, tốc độ tìm
kiếm hội tụ trung bình của PBA sau khoảng 15 vòng lặp, mỗi vòng lặp sử dụng 50 ong
và 22 ong khởi tạo ban đầu, nên tổng số ong trung bình cần thiết tìm kiếm là 772 ong.
Do đó, tốc độ hội tụ trung bình của PBA cao hơn khoảng 20% so với BBA.
Khi tối ưu đồng thời độ lớn nguồn động lực và tham số điều khiển sử dụng
giải thuật BBA và PBA (Bảng 3-11;3-12; 3-13 và 3-14 phần Phụ lục):
-

Giải thuật BBA và PBA đã đồng thời xác định được các bộ trị số độ lớn các

thành phần cơ bản hệ động lực (biểu diễn qua hệ số tỉ lệ fc_trq_scale, mc_trq_scale và
ess_cap_ scale) và tham số điều khiển mới từ cột (1) đến cột (5) trong Bảng 3-11; 314


12; 3-13 và 3-14 so với độ lớn nguồn động lực và tham số điều khiển hiện tại của xe
Honda Insight 2000 ở cột (0).
-

Do yêu cầu về tính năng động lực học (vmax, min, t200m) sau khi tối ưu thấp hơn

so với xe Honda Insight 2000 nguyên thủy nên công suất cực đại yêu cầu của xe sau
khi tối ưu giảm đi nhiều. Chẳng hạn với độ lớn nguồn động lực ở cột (1) trong Bảng 311 thì công suất cực đại của ICE chỉ còn 45% và công suất cực đại của EM bằng
30,5%, dung lượng yêu cầu của AQ còn 97% so với xe nguyên bản, do đó làm cho FC
giảm đi 1,721 lít/100km (giảm 34,5%).
-

Việc sử dụng hàm phạt (2.24) và (2.28) do NCS đề xuất đã cho kết quả tối ưu

tìm được có tốc độ tối đa vmax, khả năng leo dốc min và thời gian tăng tốc t200m đều
thỏa mãn điều kiện ràng buộc về mặt động lực học phù hợp điều kiện của Việt Nam,
đồng thời BBA và PBA cũng tìm được FC nhỏ nhất tương ứng.
-

Hệ số hybrid HF trên các ô tô hybrid hiện nay thường nằm trong khoảng (0,1 –

0,5), trong đó hệ số hybrid của 5 bộ kết quả do BBA và PBA đề xuất ở Bảng 3-11; 312; 3-13 và 3-14 có giá trị xấp xỉ với hệ số hybrid trên xe Honda Insight 2000 hiện
nay.
-

Với mỗi chu trình vận hành khác nhau, BBA và PBA sẽ tìm được trị số độ lớn

nguồn năng lượng hệ động lực và tham số điều khiển tối ưu khác nhau.
-

So sánh FC, vmax, min và t200m ở Bảng 3-11 và 3-12, hay FC, vmax, min và t200m ở

Bảng 3-13 và 3-14 thì PBA cho kết quả tìm kiếm FC, vmax, min và t200m tương đương
so với BBA nhưng thực nghiệm cho thấy tốc độ hội tụ trung bình của BBA sau khoảng
25 vòng lặp, mỗi vòng lặp sử dụng 50 ong (tương đương 50 lần gọi ADVISOR chạy
mô phỏng) và 20 ong khởi tạo ban đầu, nên tổng số ong tìm kiếm là 1270 ong. Trong
đó tốc độ hội tụ trung bình của PBA sau khoảng 19 vòng lặp, mỗi vòng lặp sử dụng 50
ong và 22 ong khởi tạo ban đầu, nên tổng số ong tìm kiếm là 972 ong, do đó tốc độ tìm
kiếm trung bình của PBA cao hơn khoảng 23% so với BBA.

15


Toyota Prius 1998
Mục tiêu tối ưu trong trường hợp này với điều kiện ràng buộc được xác định
trong điều kiện ở Việt Nam có dạng như sau :
 Min  G ( X )   Min( w1.FC  w2 .HC  w3 .CO  w4 .NO)
 4
 w 1
i

i 1

vmax  120km / h
   11%
 min

t200 m  20,5s



Trong đó FC , HC ,

CO

và

NO

là giá trị chuẩn hóa của FC, HC, CO và NO.

Khi tối ưu riêng lẻ tham số điều khiển sử dụng giải thuật PBA (Bảng 3-15
phần Phụ lục):
(1). Trọng số wi có ảnh hưởng nhiều đến kết quả tối ưu riêng lẻ tham số điều
khiển. Cụ thể :
- Lượng tiêu thụ nhiên liệu FC nhỏ nhất tìm được sau mỗi quá trình tối ưu, ứng
với một bộ trị số cụ thể của wi (i = 1 - 4), tỉ lệ nghịch với trọng số w1 đi kèm với FC
trong hàm mục tiêu (xem Hình 3-6). Khi w1 = 0,85, giá trị FC do PBA tìm được giảm
đi 0,858 lít/100km (12,5%) nhưng khi w1 = 0,1 thì giá trị FC nhỏ nhất mà PBA tìm
thấy lại lớn hơn 0,171 lít/100km (2,5%) so với FC hiện tại trên xe Toyota Prius 1998.

Hình 3-6. Ảnh hưởng của w1 đến FC
16


4

- Do

 w  1 nên khi tăng trọng số w1 để giảm lượng tiêu thụ nhiên liệu thì trọng
i 1

i

số w2, w3 và w4 sẽ phải giảm. Hàm lượng HC có xu hướng thay đổi tương tự như FC;
HC tỉ lệ nghịch với w1 và tỉ lệ thuận với trọng số w2 đi kèm với nó (xem Hình 3-7). Khi
w1 = 0,85 và w2 = 0,05, giá trị HC do PBA tìm được giảm đi 0,049 g/km (4,9%) nhưng
khi w1 = 0,1 và w2 = 0,3 thì giá trị HC nhỏ nhất mà PBA tìm thấy lại lớn hơn 0,065
g/km (6,5%) so với HC hiện tại trên xe Toyota Prius 1998.

Hình 3-7a. Ảnh hưởng của w1 đến HC

Hình 3-7b. Ảnh hưởng của w2 đến HC
- Hàm lượng CO (g/km) có xu hướng tăng lên theo w1 và giảm theo w3 (xem
Hình 3-8). Khi w1 = 0,85 và w3 = 0,05, giá trị CO do PBA tìm được lớn hơn 0,008

17


g/km (0,7%) so với CO hiện tại trên xe Toyota Prius 1998 nhưng khi w1 = 0,1 và w2 =
0,3 thì giá trị CO nhỏ nhất mà PBA tìm thấy lại giảm đi là 0,105 g/km (9,3%).

Hình 3-8a. Ảnh hưởng của w1 đến CO

Hình 3-8b. Ảnh hưởng của w3 đến CO
- Hàm lượng NO (g/km) có xu hướng biến thiên theo w1 ngược với FC và HC;
NO có xu hướng tăng lên theo w1 và giảm theo w4, điều này có thể lý giải do khi quá

trình cháy tốt hơn sẽ làm cho FC và HC giảm nhưng nhiệt độ cháy cao tạo điều kiện
thích hợp để hình thành NO (xem Hình 3-9). Khi w1 = 0,85 và w4 = 0,05, giá trị NO do
PBA tìm được lớn hơn 0,012 g/km (5,7%) so với NO hiện tại trên xe Toyota Prius
1998 nguyên bản, nhưng khi w1 = 0,1 và w4 = 0,3 thì giá trị NO nhỏ nhất mà PBA tìm
thấy lại giảm đi là 0,07 g/km (33,2%) so với NO hiện tại trên xe Toyota Prius 1998
nguyên bản.

18


Hình 3-9a. Ảnh hưởng của w1 đến NO

Hình 3-9b. Ảnh hưởng của w4 đến NO
(2). Khi tối ưu riêng lẻ tham số điều khiển thì độ lớn nguồn động lực được giữ
nguyên. Do tổng công suất cực đại của ICE, EM trên xe Toyota Prius 1998 nguyên
bản lớn hơn rất nhiều so với công suất tổng cộng yêu cầu để xe Toyota Prius 1998
đồng thời thỏa mãn cả 3 điều kiện ràng buộc về mặt động lực học của Việt Nam. Do
đó, việc sử dụng hàm phạt ở phương trình (2.28) chưa có ý nghĩa thực tiễn, các kết quả
tối ưu tìm được đều có khả năng leo dốc tối thiểu luôn lớn hơn rất nhiều so với qui
định là 11%, yêu cầu vận tốc cực đại vmax cũng luôn lớn hơn 120 km/h và thời gian
tăng tốc t200 luôn nhỏ hơn 20,5s.
Khi tối ưu đồng thời độ lớn nguồn động lực và tham số điều khiển sử dụng
giải thuật PBA (Bảng 3-19 phần Phụ lục):
19


(1). So với tối ưu riêng lẻ tham số điều khiển, khi tối ưu đồng thời độ lớn các
thành phần cơ bản hệ động lực và tham số điều khiển cho xe Toyota Prius 1998 thì
trọng số wi không có ảnh hưởng đáng kể đến trị số FC, HC, CO và NO do PBA tìm
được. Theo Bảng 3-19, mặc dù PBA tìm được 3 bộ kết quả tối ưu có độ lớn nguồn

động lực và tham số điều khiển khác nhau nhưng trị số của FC, HC, CO và NO chỉ
khác nhau một lượng rất nhỏ, không đáng kể.
(2). Hệ số hybrid HF của các xe hybrid hiện nay thông thường nằm trong khoảng
(0,1 – 0,5), giải thuật PBA đã tìm được hệ số HF có trị số gần với xe Toyota Prius
1998 nguyên bản và có xu hướng tăng nhẹ lên.
(3). Để giảm FC, hàm lượng phát thải và thỏa mãn yêu cầu động lực học của Việt
Nam, hệ số tỉ lệ fc_trq_scale có xu hướng giảm về giới hạn dưới của nó, do đó công
suất cực đại của ICE sẽ nhỏ đi đáng kể. Tuy nhiên, các hệ số mc_trq_scale,
ess_cap_scale và gc_trq_scale thay đổi theo hướng tăng về giới hạn trên của chúng,
điều này có thể giải thích là vì xe hybrid có hiệu suất cao và phát thải ít khi làm việc
nhiều ở chế độ điện. Khi đó, suất tiêu thụ nhiên liệu và hàm lượng các chất ô nhiễm
trong khí thải giảm rất nhiều so với xe nguyên bản, chẳng hạn giá trị FC ở cột (1) giảm
đi 2,025 lít/100km (tương đương 29,4 %), HC giảm đi 0,567 g/km (giảm 56,5 %), CO
giảm đi 0,563 g/km (giảm 49,7 %) và NO giảm đi 0,061 g/km (giảm 28,9 %).
(4). Với việc sử dụng hàm phạt (2.28) do NCS xây dựng, các kết quả tối ưu tìm
được của xe Toyota Prius 1998 luôn đồng thời thỏa mãn cả 3 điều kiện ràng buộc về
mặt động lực học của Việt Nam, trong đó khả năng leo dốc tối thiểu min sau khi tối ưu
luôn nằm sát cận trên của điều kiện qui định là 11%, trong khi đó vận tốc cực đại vmax
luôn lớn hơn 120 km/h và thời gian tăng tốc t200m luôn nhỏ hơn 20,5s.

20


TÓM TẮT NHỮNG ĐÓNG GÓP MỚI CỦA LUẬN ÁN

Đề tài luận án: “Nghiên cứu tối ưu hóa thiết kế độ lớn và tham số điều khiển
nguồn năng lượng hệ động lực xe hybrid”
Ngành/Chuyên ngành: Kỹ thuật cơ khí động lực
Mã số:

62520116

Nghiên cứu sinh:

Vũ Thăng Long

Người hướng dẫn: PGS.TS Nguyễn Văn Nhận
Cơ sở đào tạo:

Trường Đại học Nha Trang

Nội dung :
(5) Phát triển mô hình tối ưu hoá đồng thời, đa mục tiêu các thành phần cơ bản của
hệ động lực và tham số điều khiển;
(6) Phát triển phương trình fs(Sj) (2.30), nb(Sj,t) (2.32) và ph(Sj,t) (2.34) của giải
thuật Đàn Ong;
(7) Xây dựng các hàm phạt phản ảnh điều kiện ràng buộc về mặt động lực học cho
giải thuật Đàn Ong để giải bài toán tối ưu đặt ra.
(8) Xây dựng một mô-đun chương trình bằng Matlab để kết nối giải thuật tối ưu
với phần mềm ADVISOR, có áp dụng cho điều kiện Việt Nam.

Người hướng dẫn

Nghiên cứu sinh

21


Abstracts

Thesis title: “Research on design optimization of energy source sizes and control
parameters of hybrid electric vehicle powertrain system”
Mayor:

Transportation Engineering

Major code: 62520116
PhD Student: Vu Thang Long
Supervisor: Prof. Nguyen Van Nhan
Education institution: Nha Trang University

Abstracts:
(1) Development of multi-objective optimization model of energy source sizes and
control parameters of hybrid electric vehicle powertrain system;
(2) Developing equations fs(Sj) and nb(Sj,t) of pheromone energy source sizes and
control parameters of hybrid electric vehicle powertrain system-based Bees
Algorithm;
(3) Building penalty functions to optimize energy source sizes and control
parameters of hybrid electric vehicle.
(4) Building a software module to optimize energy source sizes and control
parameters of hybrid electric vehicle by means of ADVISOR software in which
Vietnamese performances and driving cycle are taken into account.
Phd Student

22


DANH MỤC CÔNG TRÌNH NGHIÊN CỨU CỦA TÁC GIẢ
1. Vu Thang Long, (2011), “Research on power flow management in hybrid
engines”, Tạp chí cơ khí Việt Nam, Số đặc biệt 01, 10/2011

2. V. T. LONG, N. V. NHAN, (2012), “Bees-algorithm-based optimization of
component size and control strategy parameters for parallel hybrid electric
vehicles”, International Journal of Automotive Technology, 13, 7, 1177 – 1183.
3. V. T. LONG, (2012), “Application of Bees Algorithm for simultaneous
optimisation of HEV key component sizes and control strategy”, The 2nd
international conference on automotive technology, engine and alternative
fuels, ISBN: 978-604-73-1496-6, 37 – 43.
4. Vu Thang Long (2013), “Research on Control Strategy of Series Hybrid
Electric Vehicles”, The 3rd International Conference on Sustainable Energy,
2013, ISBN: 978-604-73-1990-9
5. V. T. LONG (2013), “Research on Control Strategy of Series Hybrid Electric
Vehicles”, International Journal of

Renewable Energy and Environmental

Engineering, ISSN 2348-0157, Vol. 01, No. 01, October 2013
6. V. T. LONG (2015), “Application of a pheromone-based bees algorithm for
simultaneous optimisation of key component sizes and control strategy for
hybrid electric vehicles”, International Journal of Swarm Intelligence and
Evolutionary Computation, USA, Vol. 04, Issue 01, 2015
7. Vu Thang Long (2015), “Application of a Pheromone-based Bees Algorithm as
an optimizer of Multidisciplinary Design Optimization for Powertrain
Component Sizing and Control Strategy Parameters for Hybrid Electric
Vehicles – Toyota Prius 1998”, The 14th Conference on Science and
Technology, International Session on Transportation Engineering, HCM City
University of Technology
8. V. T. LONG, MS. PACKIANATHER (2016), “Application of a PheromoneBased Bees Algorithm as an Optimizer Within a Multidisciplinary Design
Optimization System for Powertrain Component Sizing and Control Parameters
for Hybrid E-Vehicles”, International Journal of Transportation Engineering
and

Technology,

USA,

Vol.

1,

10.11648/j.ijtet.2015.0101.11
23

No.

1,

2015,

pp

1-9,

doi: