Aprendizagem de máquinas aplicada à estratégia de gerenciamento de potência em veículos elétricos

Detalhes bibliográficos
Autor(a) principal: Silva, Fabrício Leonardo, 1993-
Data de Publicação: 2023
Tipo de documento: Tese
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/8970
Resumo: Orientador: Ludmila Corrêa de Alkmin e Silva
id UNICAMP-30_92a19a3bd8f7e075c9d8ee08720e3f56
oai_identifier_str oai::1267783
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Aprendizagem de máquinas aplicada à estratégia de gerenciamento de potência em veículos elétricosMachine learning applied to power management strategy in electric vehiclesSistemas de gestão de energiaAprendizado de máquinaRedes neurais (Computação)Veículos a motor - DinâmicaVeículos elétricosEnergy management systemsMachine learningNeural networks (Computation)Motor vehicles - DynamicsElectric vehiclesOrientador: Ludmila Corrêa de Alkmin e SilvaTese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia MecânicaResumo: Este trabalho tem como objetivo desenvolver uma estratégia de gerenciamento de potência, por meio de aprendizado de máquinas, para um veículo elétrico com tração nas quatro rodas. Para atingir esse objetivo, um gerador de ciclos de condução foi elaborado a partir de um método evolucionário de operadores genéticos, capaz de produzir um ciclo de treinamento, que simule os desafios reais encontradas em vias urbanas e rodoviárias, a partir de ciclos de conduções padrões e ciclos reais. Posteriormente, um modelo de rede neural artificial de multicamadas com arquitetura genérica foi desenvolvido, dessa maneira, durante o treinamento evolucionário genético multiobjetivo, a melhor configuração para a arquitetura da rede neural seja determinada, assim como a quantidade de camadas, o número de neurônios e as suas funções de ativação. Em seguida, a rede é aplicada no gerenciamento de potência de um veículo elétrico e o seu treinamento visa maximizar a autonomia do veículo, minimizar a massa do sistema de potência elétrica (motores e baterias), minimizar o tempo total de recarga da bateria e minimizar os custos envolvidos com a bateria. Após o treinamento, a solução com maior fator de desempenho apresentou uma autonomia de 157,8 km, massa do sistema elétrico de 295,4 kg, uma expectativa de vida útil da bateria de 205.000 km, um valor RMSE de 0,172 km/h para a variação máxima de 3,986 km/h. Por fim, a rede neural artificial foi implementada em um microcontrolador ATmega 328p e uma simulação hardware-in-the-loop é desenvolvida para avaliar a rede atuando em condições reais. Os resultados obtidos na simulação mostram que o microcontrolador conseguiu gerenciar a distribuição de potência do veículo elétrico adequadamente, obtendo um erro RMSE da velocidade do veículo em comparação com o ciclo de treinamento de 0,188 km/h e um erro máximo das velocidades de 3,986~km/h. O tempo de processamento gasto pelo microcontrolador para processar o comando de atuação variou entre 0,012 s e 0,018 s, com tempo médio de 0,015 sAbstract: This work aims to develop a power management strategy by machine learning for a four-wheel-drive electric vehicle. A model is developed to reproduce the planar (longitudinal and lateral) dynamic behavior of vehicles. To achieve this objective, a driving cycle generator was developed based on an evolutionary method of genetic operators, generating a training cycle that simulates the real conditions of urban roads and highways, based on standard driving cycles and real cycles. Subsequently, a multilayer artificial neural network model with generic architecture was developed, in this way, during the multi-objective genetic evolutionary training, the best configuration for the neural network architecture is determined, such as the number of layers, the number of neurons and their activation functions. Then, the network is applied in the power management of an electric vehicle and its training aims to maximize the vehicle's autonomy, minimize the mass of the electric power system (motors and batteries), minimize the total battery recharge time and minimize the costs involved with the battery. The training aims to maximize the vehicle's autonomy, minimize the electric power system mass (motors and batteries), the battery recharge time, and the battery cost. After training, the solution with the highest fitness value had a autonomy of 157.8 km, electrical system mass of 295.4 kg, a battery life expectancy of 205,000 km, an RMSE value of 0.172 km/h for the maximum variation of 3.986 km/h. Finally, the best artificial neural network was implemented in an ATmega 328p microcontroller and a hardware-in-the-loop simulation evaluates the neural network performing under real conditions. The results obtained in the simulation indicate that the microcontroller adequately managed the power distribution of the electric vehicle,obtaining an RMS error of the vehicle speed compared to the training cycle of 0.188 km/h and a maximum speed error of 3.986~km/h. The processing time spent by the microcontroller to process the actuation command varied between 0.012 s and 0.018 s, with an average time of 0.015 sDoutoradoMecânica dos Sólidos e Projeto MecânicoDoutor em Engenharia MecânicaFuncamp5445.1[s.n.]Silva, Ludmila Corrêa de Alkmin e, 1981-Garcia, Angel PontinBarros, Tárcio André dos SantosBecker, MarceloSodré, José RicardoUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia MecânicaPrograma de Pós-Graduação em Engenharia MecânicaUNIVERSIDADE ESTADUAL DE CAMPINASSilva, Fabrício Leonardo, 1993-20232023-02-17T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf1 recurso online (124 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/8970SILVA, Fabrício Leonardo. Aprendizagem de máquinas aplicada à estratégia de gerenciamento de potência em veículos elétricos. 2023. 1 recurso online (124 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/8970. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1267783porreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2023-05-02T14:54:14Zoai::1267783Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2023-05-02T14:54:14Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Aprendizagem de máquinas aplicada à estratégia de gerenciamento de potência em veículos elétricos
Machine learning applied to power management strategy in electric vehicles
title Aprendizagem de máquinas aplicada à estratégia de gerenciamento de potência em veículos elétricos
spellingShingle Aprendizagem de máquinas aplicada à estratégia de gerenciamento de potência em veículos elétricos
Silva, Fabrício Leonardo, 1993-
Sistemas de gestão de energia
Aprendizado de máquina
Redes neurais (Computação)
Veículos a motor - Dinâmica
Veículos elétricos
Energy management systems
Machine learning
Neural networks (Computation)
Motor vehicles - Dynamics
Electric vehicles
title_short Aprendizagem de máquinas aplicada à estratégia de gerenciamento de potência em veículos elétricos
title_full Aprendizagem de máquinas aplicada à estratégia de gerenciamento de potência em veículos elétricos
title_fullStr Aprendizagem de máquinas aplicada à estratégia de gerenciamento de potência em veículos elétricos
title_full_unstemmed Aprendizagem de máquinas aplicada à estratégia de gerenciamento de potência em veículos elétricos
title_sort Aprendizagem de máquinas aplicada à estratégia de gerenciamento de potência em veículos elétricos
author Silva, Fabrício Leonardo, 1993-
author_facet Silva, Fabrício Leonardo, 1993-
author_role author
dc.contributor.none.fl_str_mv Silva, Ludmila Corrêa de Alkmin e, 1981-
Garcia, Angel Pontin
Barros, Tárcio André dos Santos
Becker, Marcelo
Sodré, José Ricardo
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Mecânica
Programa de Pós-Graduação em Engenharia Mecânica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Silva, Fabrício Leonardo, 1993-
dc.subject.por.fl_str_mv Sistemas de gestão de energia
Aprendizado de máquina
Redes neurais (Computação)
Veículos a motor - Dinâmica
Veículos elétricos
Energy management systems
Machine learning
Neural networks (Computation)
Motor vehicles - Dynamics
Electric vehicles
topic Sistemas de gestão de energia
Aprendizado de máquina
Redes neurais (Computação)
Veículos a motor - Dinâmica
Veículos elétricos
Energy management systems
Machine learning
Neural networks (Computation)
Motor vehicles - Dynamics
Electric vehicles
description Orientador: Ludmila Corrêa de Alkmin e Silva
publishDate 2023
dc.date.none.fl_str_mv 2023
2023-02-17T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/8970
SILVA, Fabrício Leonardo. Aprendizagem de máquinas aplicada à estratégia de gerenciamento de potência em veículos elétricos. 2023. 1 recurso online (124 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/8970. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/8970
identifier_str_mv SILVA, Fabrício Leonardo. Aprendizagem de máquinas aplicada à estratégia de gerenciamento de potência em veículos elétricos. 2023. 1 recurso online (124 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/8970. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1267783
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (124 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189189203263488

Registros relacionados