Прогнозування пробігу електромобіля за критерієм енергетичної оптимальності

2024;
: с. 19 – 27
https://doi.org/10.23939/jeecs2024.01.019
Надіслано: Квітень 19, 2024
Переглянуто: Травень 29, 2024
Прийнято: Червень 05, 2024

O. Chkalov, R. Dropa. Prediction of electric vehicle mileage according to optimal energy consumption criterion. Energy Engineering and Control Systems, 2024, Vol. 10, No. 1, pp. 19 – 27. https://doi.org/10.23939/jeecs2024.01.019

1
Національний університет «Львівська політехніка»
2
Національний університет «Львівська політехніка»

Обмежений пробіг без заряджання є однією з головних перешкод до широкого розповсюдження електромобілів. Краще розуміння енергоспоживання автомобіля та запасу ходу можуть допомогти зменшити стрес водіїв електромобілів. Ця робота пропонує стратегію прогнозування на основі моделі для оцінки енергоспоживання електромобіля. Оцінка враховує конкретні параметри електромобіля, а також топології дорожньої мережі, в якій працює транспортний засіб, і реальні умови руху. Представлена макромодель енергоспоживання електромобіля дозволяє використовувати доступні на типових картах веб-сервіси для отримання зведених даних в реальному часі. Дорожня мережа моделюється як зважений орієнтований граф, що адаптований до запропонованої моделі споживання енергії. Оптимізація пробігу досягається засобами алгоритму пошуку оптимального шляху, придатного для використання в реальному часі. Отриманий таким чином діапазон руху забезпечує покращену точність і надійність у порівнянні з середнім споживанням та на основі дистанційної стратегії.

  1. Varga, B.O.; Mariasiu, F. Indirect environment-related effects of electric car vehicles use. Environ. Eng. Manag. J. 2018, 17, 1591–1599. https://doi.org/10.30638/eemj.2018.158
  2. Zhu, J.;Wierzbicki, T.; Li,W. A review of safety-focused mechanical modeling of commercial lithium-ion batteries. J. Power Sources 2018, 378, 153–168. https://doi.org/10.1016/j.jpowsour.2017.12.034
  3. M. C. McManus, “Environmental Consequences of the Use of Batteries in Low Carbon Systems: The Impact of Battery Production,” Applied Energy, vol. 93, pp. 288–295, 2012. https://doi.org/10.1016/j.apenergy.2011.12.062
  4. EN21. Renewables 2015 Global Status Report. Available online: http://www.ren21.net/wp-content/uploads/2015/07/REN12-GSR2015_Onlinebook... (accessed on 16 December 2023).
  5. Wu, G.; Inderbitzin, A.; Bening, C. Total cost of electric vehicles compared to conventional vehicles: A probabilistic analysis and projection across market segments. Energy Policy 2015, 80, 196–214. https://doi.org/10.1016/j.enpol.2015.02.004
  6. G. De Nunzio, L. Thibault, and A. Sciarretta, “A Model-Based Eco-Routing Strategy for Electric Vehicles in Large Urban Networks,” in IEEE 19th Conference on Intelligent Transportation Systems, 2016, pp. 2301–2306. https://doi.org/10.1109/ITSC.2016.7795927
  7. Park, O.K.; Cho, Y.; Lee, S.; Yoo, H.C.; Song, H.K.; Cho, J. Who Will Drive Electric Vehicles, Olivine or Spinel? Energy Environ. Sci. 2011, 4, 1621–1633. https://doi.org/10.1039/c0ee00559b
  8. Franke, T.; Günther, M.; Trantow, M.; Krems, J.F. Does this range suit me? Range satisfaction of battery electric vehicle users. Appl. Ergon. 2017, 65, 191–199. https://doi.org/10.1016/j.apergo.2017.06.013
  9. W. Vaz, A. K. R. Nandi, R. G. Landers, and U. O. Koylu, “Electric Vehicle Range Prediction for Constant Speed Trip Using Multi-Objective Optimization Objective Optimization,” Journal of Power
  10. D. O’Connor, “Notes on the Bellman-Ford-Moore Shortest Path Algorithm and its Implementation in MATLAB,” Dublin University College, Tech. Rep., 2012.
  11. Labeye, E.; Hugot, M.; Brusque, C.; Regan, M.A. The electric vehicle: A new driving experience involving specific skills and rules. Transp. Res. Part F Traffic Psychol. Behav. 2016, 37, 27–40. https://doi.org/10.1016/j.trf.2015.11.008