Análisis de parámetros para ajuste de modelo de potencia en vehículos eléctricos

Abstract

Hoy en día se el campo de la electromovilidad está creciendo de forma muy rápida, se ven muchos buses eléctricos en la ciudad y se están generando políticas públicas que impulsan el uso de vehículos eléctricos. La implementación de la electromovilidad debe ir de la mano con el desarrollo de infraestructura física y tecnológica que permita soportar este cambio. En este sentido, conocer con exactitud cuanta energía va a consumir un vehículo en una ruta determinada es fundamental para un buen uso de este. Para ello se utilizan modelos que calculan la potencia requerida por un vehículo en base a datos de operación como la velocidad, la posición geográfica del vehículo y las condiciones del pavimento. En este trabajo se estudian los parámetros de un modelo de potencia mecánica en vehículos eléctricos. El objetivo de estudio son dos vehículos distintos, un Nissan Leaf y un bus Yutong eléctrico. Se utilizan 3 rutas distintas para el Nissan Leaf y una ruta repetida 14 veces para el bus Yutong. Se analiza la incertidumbre que aporta la elección del valor exacto de parámetros como coeficientes de roce, de arrastre aerodinámico, masa del vehículo y frecuencia de adquisición de datos. Para evaluar la incertidumbre que aportan los distintos parámetros en el modelo se hace análisis de sensibilidad basado en el cálculo de índices de Sobol, se implementa un Importance Sampling para propagar la incertidumbre de los parámetros a través del modelo y se hace un análisis bayesiano para proponer la actualización de los parámetros que son inciertos. El trabajo de base de datos, cálculos de potencia y actualización de parámetros se realiza mediante Python y Matlab. Los principales resultados del trabajo son que se puede mejorar la estimación de la potencia calculada en el Nissan Leaf de un 9,5% a un 7,5 actualizando los parámetros que afectan el roce. Para buses se tiene un error de un 19% en la estimación de la potencia, este error se debe a que la masa que transporta el bus no es un dato conocido y el rango donde se puede tomar la masa aporta un error de hasta 70 kW, además que la frecuencia de adquisición de los datos es de 1 minuto. Se concluye que el modelo se ajusta bien a la realidad, pero para su buen funcionamiento, es necesario conocer la masa del vehículo y tener una frecuencia de adquisición de datos no mayor a 10 segundos para tener errores cercanos a un 10 %.