Optimal power and thermal management strategies for different arhitectures of high-performance hybrid electric vehicles

The aim of this thesis is to provide the optimal power and thermal management strategies for different architectures of high-performance Hybrid Electric Vehicles. These supervisory strategies can be found by solving deterministic optimal control problems, in which it is required that a vehicle model performs a given speed profile by minimizing an integral cost function. To do that, two Dynamic Programming algorithms have been implemented: the first one evaluates the cost-to-go proceeding backward in time, while the second one minimizes the cost-to-arrive working in forward direction. The backward formulation represents the well-known classical expression of Dynamic Programming, thus the curse of dimensionality prevents this kind of algorithms to solve optimal control problems characterized by a high-level of complexity: those are the ones in which the state of the system is described by a large number of variables and many control inputs must be handled. To overcome this critical issue, during this thesis work it has been developed an efficient Forward Dynamic Programming algorithm that is able to find any supervisory control strategy without varying the computational burden. The vehicle model refers to LaFerrari, a high-performance full-parallel Hybrid Electric Vehicle in which the electric motor is located downstream the gearbox, whose target is to recovery kinetic energy, guarantee battery self-sustainability and to power the vehicle in zero-emissions conditions. Each powertrain component has been described by maps based on experimental data, which were handled through global approximation techniques such as Neural Networks. This model can be applied to optimal control problems in which both the battery state of charge and internal temperature, together with the engine thermal and ignition conditions are considered as state variables. Then a novel method based on the solution of a multi-objective programming problem has allowed to improve the feasibility of the optimal supervisory strategies, that cannot consider the real dynamic behavior of both the engine and the battery. Those new solutions that have been obtained by means of Dynamic Programming can represent a more significant benchmark for real-time optimal control strategies. To conclude, Forward Dynamic Programming has been used as a benchmark tool to compare fuel economy and performances of three typical full-parallel architectures tested on some driving cycles. In this way the best configuration for high-performance Hybrid Electric Vehicles has been evaluated for urban, extra-urban and sport conditions.

Questa tesi si pone l'obiettivo di ricavare strategie di controllo che permettano la gestione ottimale della powertrain di veicoli ibridi ad alte prestazioni da un punto di vista energetico e termico. Per ricavarle è necessario risolvere problemi di controllo ottimo in cui il modello del veicolo deve completare un dato profilo di velocità minimizzando una funzione integrale di costo. Sono stati dunque implementati due differenti algoritmi di Programmazione Dinamica, meglio nota come Dynamic Programming: il primo, denominato backward, partendo dallo stato finale richiesto al sistema procede all'indietro nel tempo e calcola il costo necessario per raggiungerlo; al contrario il secondo algoritmo, detto forward, valuta il costo minimo necessario per completare il ciclo muovendo dalle condizioni iniziali. L'algoritmo backward rappresenta la classica formulazione della Dynamic Programming, perciò è legato alla cosiddetta curse of dimensionality, che di fatto gli impedisce di risolvere quei problemi in cui lo stato del sistema è descritto da un numero elevato di variabili ed è necessario gestire contemporaneamente diversi controlli. Per ovviare a tale complicazione, durante questo lavoro di tesi è stato sviluppato un efficiente algoritmo di Dynamic Programming che lavora forward nel tempo, ed è in grado di ricavare la strategia di controllo ottima per problemi a complessità crescente senza variare il costo computazionale. Il modello di veicolo ibrido ad alte prestazioni descrive la powertrain de LaFerrari, in cui il motore elettrico è situato a valle del cambio ed è collegato in parallelo con il motore termico. Lo scopo del motore elettrico è quello di recuperare energia cinetica durante le frenate, garantire il mantenimento dello stato di carica della batteria e fornire la necessaria potenza per sostenere la marcia della vettura senza produrre emissioni. Ogni elemento della powertrain è rappresentato da mappe basate su dati sperimentali, che sono stati gestiti tramite tecniche di approssimazione globale come le reti neurali. Questo modello di veicolo può essere applicato a problemi di controllo ottimo in cui è necessario considerare come variabili di stato sia la percentuale di carica e la temperatura interna della batteria, che le condizioni termiche e lo stato di accensione del motore a combustione interna. In seguito è stato sviluppato un metodo innovativo, basato sulla soluzione di un problema di programmazione multi-obiettivo, in grado di incrementare il significato fisico delle strategie di controllo ottimo. Queste, infatti, non considerano il comportamento dinamico del motore termico e della batteria, quindi molto spesso sono infattibili. Al contrario i risultati che si ottengono combinando tale metodo all'algoritmo di Dynamic Programming rappresentano un termine di paragone indicativo per le strategie di controllo online. Infine la Forward Dynamic Programming è stata impiegata come strumento per paragonare i consumi e le prestazioni di tre tipiche architetture per veicoli ibridi in cui motore elettrico e termico sono collegati in parallelo. Ciascuna è stata testata su tre differenti cicli di guida, in modo da individuare la migliore configurazione in condizioni urbane, extra-urbane e sportive.