Energy Management System for Hybrid Electric Systems : Case Studies: Oscillation Monitoring for a Power System and Fuel Consumption Reduction in a Hybrid Wheel Loader

Abstract

Suomi on sitoutunut korvaamaan polttoon perustuvat energiateknologiat puhtailla vaihtoehdoilla sekä energian tuotannossa että kulutuksessa. Energian tuotannossa voimalaitosten alasajo vähentää järjestelmän vaimennusta ja inertiaa, jotka lisäävät värähtelyjen riskiä ja edellyttävät uusia värähtelyjen seurantamenetelmiä energianhallintajärjestelmissä (EMS). Energian kulutuksessa maansiirtokoneiden, kuten pyöräkuormaajan, sähköistäminen on johtanut hybridiratkaisuihin, joissa akku ja polttomoottori toimivat yhdessä. Sen vuoksi hybridikoneiden hyötysuhde riippuu EMS:n suorittamasta tehonjaosta. Tämä väitöskirja käsittelee näihin EMS-järjestelmiin liittyviä haasteita kahden tapaustutkimuksen avulla: tutkimus 1 käsittelee sähkövoimajärjestelmää, kun taas tutkimuksessa 2 tarkastellaan hybridisähköistä pyöräkuormaajaa.

Tapaustutkimuksessa 1 sovelletaan dynaamista moodihajotelmaa (Dynamic Mode Decomposition, DMD) värähtelyjen seurantaan EMS:ssä. Nykyiset lähestymistavat eivät kuitenkaan arvioi häiriöiden ja erittäin matalataajuisten tilojen (Ultra-Low Frequency Modes, ULFMs) vaikutusta tarkkuuteen eivätkä käsittele laskennallisen kuorman keventämistä. Tässä väitöskirjassa analysoidaan näitä vaikutuksia ja esitellään suodatus DMD:lle (tässä nimetty ”parannetuksi DMD:ksi”), jonka avulla tarkkuus paranee ja laskennallinen kuorma vähenee. Parannettu DMD pienentää suurimman virheen 305%:sta 67%:iin ja vähentää laskenta-aikaa 171 %, joka parantaa sekä tarkkuutta että tehokkuutta verrattuna perusmenetelmään.

Tapaustutkimuksessa 2 hybridiajoneuvojen polttoaineenkulutuksen pienentämisen ja akun lämpötilan säätelemisen optimointiin perustuvat strategiat rajoittuvat käyttöskenaarioiden ennustevirheisiin ja akun dynamiikan huomiotta jättämiseen. Näiden haasteiden ratkaisemiseksi on kehitetty hyötysuhteen ohjausalgoritmi (Efficiency Control Algorithm, ECA), joka vähentää polttoaineenkulutusta saavuttaen 2% pienemmän kulutuksen kuin perinteinen optimointiin perustuvaan strategia. Lisäksi tutkimuksessa on kehitetty sääntöpohjainen EMS, joka säätelee akun lämpötilan järjestelmissä, joissa ei ole aktiivista lämpötilanhallintaa. Tämä EMS mahdollistaa kahdeksan tunnin yhtäjaksoisen käytön 35 °C lämpötilassa ilman, että akun lämpötila ylittäisi raja-arvot, ja vähentää polttoaineenkulutusta 5,6 % verrattuna tapauksiin, joissa akku olisi irrotettava käytöstä. Yhteenvetona, tämä väitöskirja esittää uusia strategioita, jotka mukautuvat hybridisähköisten järjestelmien uusiin ominaisuuksiin varmistaen riittävän vaimennuksen ja polttoainetehokkuuden.

Finland is committed to replacing combustion-based sources with clean alternatives across both energy production and consumption. In energy production, the decommissioning of power plants reduces system damping and inertia, which in turn increases the risk of oscillations and requires new oscillation-monitoring methods in energy management systems (EMSs). In energy consumption, the electrification of non-road mobile machinery, such as wheel loaders, has led to hybrid systems based on batteries and engines, where the efficiency depends on the power split between them as performed by the EMS. Thus, this dissertation addresses these EMS challenges through the analysis of two case studies: Case Study 1 on a power system and Case Study 2 on a hybrid electric wheel loader.

For Case Study 1, dynamic mode decomposition (DMD) has previously been applied in EMSs for oscillation monitoring, but the existing approaches do not assess the impact of disturbances and ultra-low frequency modes (ULFMs) on accuracy nor do they address the challenge of reducing the computational burden. Consequently, this dissertation analyses these effects and introduces a filtering-based method into DMD (i.e., termed herewith as ‘improved DMD’) to enhance accuracy and reduce the computational burden. The improved DMD reduces the largest error from 305% to 67% and decreases execution time by 171%, thereby enhancing both accuracy and efficiency in comparison to the basic DMD.

For Case Study 2, existing optimisation-based strategies to reduce fuel consumption and control battery temperature in hybrid vehicles are limited by duty cycle prediction errors and by neglecting critical battery dynamics. To address this, an efficiency control algorithm (ECA) is developed to reduce fuel consumption, achieving a 2% lower fuel consumption than a traditional optimisation-based strategy. Additionally, a rule-based EMS is introduced to control battery temperature in systems without active thermal management. The rule-based EMS enables eight hours of operation at 35 °C without exceeding thermal limits, yielding a 5.6% fuel reduction compared to cases requiring battery disconnection. In summary, this dissertation proposes new strategies that adjust to the new characteristics of the hybrid electric system to ensure oscillation stability and fuel efficiency.