Контекстно залежна адаптивна редукція та еквівалентування моделі електромобіля з перемиканням режимів руху для системи підтримки прийняття рішень

Б. В. ПАСЄКА, аспірант

DOI: http://doi.org/10.35668/2520-6524-2026-1-08

PDF

Ключові слова: електромобіль, еквівалентна модель, система підтримки прийняття рішень, адаптивна редукція, перемикання режимів, оптимальний рух, тяговий електропривод.

АНОТАЦІЯ

У статті розглянуто проблему практичної реалізації математичних моделей оптимального руху електромобіля з тяговим електроприводом змінного струму в системах підтримки прийняття рішень водієм. Обґрунтовано необхідність еквівалентування складних динамічних моделей для забезпечення обчислень у реальному часі. Запропоновано метод контекстно-залежної адаптивної редукції моделей, що передбачає автоматичне перемикання між спрощеними еквівалентними моделями залежно від поточного режиму руху транспортного засобу: горизонтальна ділянка, підйом, спуск, поворот. Сформульовано критерії еквівалент- ності редукованих моделей на основі мінімізації інтегральної похибки траєкторії швидкості та енергоспо- живання. Розроблено структуру гібридної моделі з перемикальною логікою, що забезпечує безперервність траєкторії руху під час зміни режимів. Виконано комп’ютерне моделювання в середовищі MATLAB/Simulink для порівняння обчислювальної складності повної та еквівалентних моделей. Результати моделювання під- тверджують зменшення часу обчислень у 4–6 разів за умови збереження точності прогнозування параме- трів руху на рівні 2–5 % відносної похибки. Визначено умови застосування кожної з еквівалентних моделей залежно від профілю дороги та динамічних характеристик руху. Запропоновано алгоритм інтеграції еквіва- лентних моделей у програмний застосунок системи підтримки прийняття рішень з можливістю подальшого розширення функціональності завдяки інтелектуальним алгоритмам прогнозування. Окреслено перспек- тиви застосування розроблених моделей для створення адаптивних систем керування електромобілем на основі методів штучного інтелекту. Отримані результати можуть бути використані під час проєктування інтелектуальних систем підтримки прийняття рішень водієм електромобіля, спрямованих на підвищення енергоефективності, безпеки та адаптивності руху в реальних умовах експлуатації.

Надійшла до редакції 08.02.2026

Прийнята до друку 26.02.2026

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

  1. Global EV Outlook 2023: Catching up with climate ambitions [Electronic resource] / International Energy Agency. — Paris : IEA, 2023. — Access mode: https://www.iea.org/reports/global-ev- outlook-2023.
  2. Emadi A. Advanced electric drive vehicles [Elec- tronic resource] / A. Emadi. – Boca Raton, FL : CRC Press, 2014. — 61 p. — Access mode: https://api. pageplace.de/preview/DT0400.9781466597709_ A38205355/preview-9781466597709_A38205355. pdf.
  3. Yang S. Energy management of hybrid electric pro- pulsion system: Recent progress and a flying car perspective under three-dimensional transportation networks / S. Yang, Z. Lu, W. Wang et al. // Green Energy and Intelligent Transportation. — 2023. — Vol. 2. — No. 1. — Article 100061. DOI: 10.1016/ j.geits.2022.100061.
  4. Sciarretta A. Control of hybrid electric vehicles / A. Sciarretta, L. Guzzella // IEEE Control Systems Magazine. — 2007. — Vol. 27. — No. 2. — P. 60–70. DOI: 10.1109/MCS.2007.338280.
  5. Qi X. Development and evaluation of an evolution- ary algorithm-based online energy management system for plug-in hybrid electric vehicles / X. Qi, G. Wu, K. Boriboonsomsin, M. J. Barth // IEEE Transactions on Intelligent Transportation Sys- tems.—2017.—Vol.18.—No.8.—P.2181– 2191. — DOI: 10.1109/TITS.2016.2633542.
  6. Ehsani M. Modern electric, hybrid electric, and fuel cell vehicles / M. Ehsani, Y. Gao, S. Longo, K. Ebra- himi; 3rd ed. — Boca Raton, FL : CRC Press, 2018.
  7. Liu T. Reinforcement learning optimized look-ahead energy management of a parallel hybrid electric vehicle / T. Liu, X. Hu, S. E. Li, D. Cao // IEEE/ ASME Transactions on Mechatronics. — 2017. — Vol. 22. — No. 4. — P. 1497–1507. DOI: 10.1109/ TMECH.2017.2707338.
  8. Zhang C. Energy management of hybrid electric ve- hicles based on model predictive control and deep reinforcement learning / C. Zhang, W. Cui, Y. Du, T. Li, N. Cui // 2022 41st Chinese Control Confer- ence (CCC). — IEEE, 2022. — P. 5441–5446. DOI: 10.23919/CCC55666.2022.9902409.
  9. Schilders W. H. Model order reduction: Theory, re- search aspects and applications / W. H. Schilders, H. A. van der Vorst, J. Rommes. — Berlin : Springer, 2008. — DOI: 10.1007/978-3-540-78841-6.
  10. Raduenz H. Energy management based on neu- ral networks for a hydraulic hybrid wheel loader / H. Raduenz, L. Ericson, K. Uebel, K. Heybroek, P. Krus, V. J. D. Negri // International Journal of Fluid Power. — 2022. — Vol. 23, No. 3. — P. 411– 432. DOI: 10.13052/ijfp1439-9776.2338.
  11. Zhao K. Digital twin-supported battery state esti- mation based on TCN-LSTM neural networks and transfer learning / K. Zhao, Y. Liu, Y. Zhou, Y. Wang, X. Li, Z. Chen // CSEE Journal of Power and En- ergy Systems. — 2025. — Vol. 11. — No. 2. — P.567–579.DOI:10.17775/CSEEJPES.2024.00900.
  12. Qin F. Stochastic optimal control of parallel hybrid electric vehicles / F. Qin, G. Xu, Y. Hu, K., Xu, W. Li // Energies. — 2017. — Vol. 10. — No. 2. — Article 214. DOI: 10.3390/en10020214.

Ліцензія
Авторське право (c) 2026 Журнал «Наука, технології, інновації»

Усі матеріали, опубліковані в поточному випуску журналу, поширюються на умовах ліцензії Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0): https://creativecommons.org/licenses/by-nc/4.0/deed.uk
Ліцензія дозволяє вільне некомерційне використання, поширення, відтворення та адаптацію матеріалів у будь-якому форматі за умови обов’язкового зазначення авторства і посилання на джерело публікації. Комерційне використання матеріалів допускається лише за наявності письмового дозволу видавця.