Diseño y evaluación de un sistema de gestión y control energético para un vehículo híbrido

Mejía Bedor,Jean Carlos; Rendón Pantoja, Pedro Alejandro

DSpace Principal
→
Unidades Académicas
→
Facultad de Ingeniería en Mecánica y Ciencias de la Producción
→
Tesis de Mecatrónica
→
Ver ítem

dc.contributor.advisor	Almeida Pazmiño, Gonzalo , Director
dc.contributor.author	Mejía Bedor,Jean Carlos
dc.contributor.author	Rendón Pantoja, Pedro Alejandro
dc.creator	ESPOL
dc.date.accessioned	2023-10-11T16:39:40Z
dc.date.available	2023-10-11T16:39:40Z
dc.date.issued	2023
dc.identifier.citation	Mejía Bedor, J. C. y Rendón Pantoja, P. A. (2023). Diseño y evaluación de un sistema de gestión y control energético para un vehículo híbrido. [Tesis]. ESPOL.FIMCP: ING. MECATRONICA .
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/58373
dc.description	La limitada autonomía y vida útil de los vehículos híbridos han sido ineficientes en comparación con las alternativas del mercado actual. En este trabajo, se propone el diseño de un sistema de propulsión para un vehículo híbrido liviano tipo Go-kart, cuya fuente principal es la batería y las celdas de combustible de hidrógeno las secundarias. La evaluación de los componentes del vehículo se hace con el nuevo ciclo de manejo europeo (NEDC). En este proceso, se aplica una arquitectura en paralelo, con un banco de baterías de 12 kW, tres celdas de 2 kW y un motor de 16 kW. El modelo del vehículo se construyó en Matlab/Simulink con los parámetros de diseño. Además, se desarrolló el sistema de gestión y control energético fundamentado en aprendizaje reforzado respaldado por inteligencia artificial. Por lo tanto, al compararse el enfoque de aprendizaje reforzado con enfoques previos de ADVISOR y programación dinámica, se observó una mejora del 47% en la vida útil de la batería y un ahorro de $3751,46 dólares, además de un 34% en la vida útil y $1488,58 dólares respectivamente. Por otra parte, el agente de aprendizaje reforzado entrenado con aprendizaje reforzado se evaluó en un contexto ecuatoriano con resultados de eficiencia similares a los del NEDC. Esto respalda la eficiencia del sistema de gestión energética basado en aprendizaje reforzado diseñado para un vehículo que usa hidrógeno como combustible, siendo capaz de cumplir con la demanda de potencia y preservando la vida útil de sus componentes. Este trabajo se distribuye así: el primer capítulo introduce el contexto y objetivos del proyecto, el segundo se enfoca en la metodología para modelar la solución, el tercero aborda los análisis de los resultados y el cuarto las conclusiones del trabajo y recomendaciones a futuro
dc.format	application/pdf
dc.format.extent	81 páginas
dc.language.iso	spa
dc.publisher	ESPOL
dc.rights	openAccess
dc.subject	Sistema de gestión
dc.subject	Control energético
dc.subject	Diseño
dc.subject	Vehículo híbrido
dc.title	Diseño y evaluación de un sistema de gestión y control energético para un vehículo híbrido
dc.type	Ingenieros en Mecatrónica
dc.identifier.codigoespol	T-113716
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	INGE-2182
dc.description.abstractenglish	The limited autonomy and lifespan of hybrid vehicles have proven to be inefficient compared to current market alternatives. This paper proposes the design of a propulsion system for a lightweight hybrid vehicle, like a Go-kart, with the primary power source being the battery and hydrogen fuel cells serving as secondary sources. The vehicle components were evaluated using the New European Driving Cycle (NEDC). In this process, a parallel architecture was applied, featuring a 12-kW battery bank, three 2-kW fuel cells, and a 16-kW motor. Subsequently, the vehicle model was constructed in MATLAB/Simulink using the design parameters. Additionally, an energy management and control system based on reinforcement learning supported by artificial intelligence was developed. When comparing the reinforcement learning approach with previous methods such as ADVISOR and dynamic programming, a 47% improvement in battery lifespan and a savings of $3751.46 were observed, along with a 34% increase in lifespan and $1488.58 in savings, respectively. Furthermore, the agent was evaluated in an Ecuadorian context, where similar efficiency results to those of the NEDC were found. Given the results, the efficiency of the reinforcement learning-based energy management system designed for an emissions-free fuel-using vehicle, capable of meeting power demand and preserving the lifespan of its components, is supported. The chapters of this paper are distributed as follows: Chapter 1 introduces the context and research objectives, Chapter 2 focuses on the method for modeling the solution, Chapter 3 addresses the analysis of the obtained results, and Chapter 4 supplies the conclusions for the current work and recommendations for future research.