La búsqueda de una manera de emplear los medios de transporte de una manera más sostenible y respetuosa con el medio ambiente, un innovador estudio presenta este avanzado sistema de control para vehículos híbridos enchufables. Se trata de un sistema que emplea técnicas de aprendizaje automático (machine learning) para predecir el consumo energético en el modo totalmente eléctrico del vehículo.
El sistema de aprendizaje y los algoritmos optimizan la distribución de la potencia entre diferentes modos operativos: modo eléctrico puro, el híbrido en serie, el híbrido en paralelo y combustión interna. El sistema se basa en un proceso de toma de decisiones con lógica difusa que garantiza una gestión eficiente de la energía.
El resultado de un sistema aplicado a la vida real
El rendimiento de este nuevo sistema fue evaluado en diferentes condiciones de conducción, mostrando resultados muy prometedores. Una de las mejoras más destacadas fue el incremento en la eficiencia del modo totalmente eléctrico. Con un 80% de utilización de una batería de 20 kWh, el sistema logró extender la autonomía eléctrica del vehículo hasta aproximadamente 84 kilómetros.
Durante el ciclo de prueba WLTC (Worldwide Harmonized Light Vehicles Test Cycle), el sistema de control consiguió reducir el consumo de combustible a 2,86 l/100 km, lo que representa una disminución del 20% en el consumo de combustible equivalente a gasolina. Estos resultados destacan la capacidad del sistema para mejorar significativamente la eficiencia energética y reducir la dependencia del combustible fósil.
El estudio también analizó el rendimiento del vehículo a diferentes velocidades de conducción, demostrando estrategias efectivas de gestión de energía. A bajas velocidades, la batería se priorizaba la recarga, mientras que a velocidades más altas es la descarga lo primordial, para ayudar a la propulsión de vehículo.
Con este planteamiento dinámico se logró optimizar tanto la recuperación de energía como su consumo. Además, los niveles iniciales de carga de la batería resultaron ser un factor clave en el rendimiento. Por ejemplo, un nivel de carga inicial del 90% permitió una operación eléctrica prolongada, reduciendo el consumo de combustible en 2 l/100 km en comparación con un sistema de control base.
El análisis de patrones de conducción en condiciones reales demostró la adaptabilidad del sistema a diferentes escenarios. En ciclos de conducción más cortos y lentos, se registró un menor consumo de combustible gracias a la preferencia por la propulsión eléctrica.
Por el contrario, en ciclos más largos y rápidos aumentó el uso del motor de combustión interna. Además, el sistema de control mostró su capacidad de adaptarse a diferentes condiciones del estado de salud de la batería (SOH). Los vehículos con un SOH más alto se beneficiaron de una mayor duración en el modo eléctrico, logrando una reducción en el consumo total de combustible de hasta 2,87 l/100 km.
Este innovador sistema de control para vehículos PHEV ofrece un eficiente equilibrado de la gestión energética, enfrentando los desafíos de las diversas condiciones de conducción y el estado de las baterías. Los resultados refuerzan el potencial de integrar técnicas de aprendizaje automático y lógica difusa en los sistemas de control de vehículos para fomentar un transporte más verde y sostenible.
Al optimizar la utilización de la energía y reducir el consumo de combustible, esta tecnología allana el camino hacia avances significativos en el rendimiento de los vehículos híbridos y en su impacto ambiental.