Efficiency Maximization of the Fuel Cell Electric Bus by Optimizing the Power Supply of Balance of Plant

다국어 초록 (Multilingual Abstract)

With the development of automobile powertrain technology and global standards to minimize gas emissions, automakers have recently concentrated on electric and hybrid electric cars. Due to its lack of reliance on oil, high operating efficiency, and silent operation without noise, the fuel cell electric vehicle (FCEV) has been regarded as the most promising solution to avoid road transportation and emission complications. However, regulating the balance of the plant (BOP) has not been researched, despite its notable effectiveness in boosting system efficiency. According to this study, a Proton Exchange Membrane Fuel Cell (PEMFC) system housing the BOP subsystem qualifies as a powertrain component in FCEV. The power requirement of the traction motor in FCEV is split up using a cutting-edge technique, and the effectiveness of the suggested plan is assessed using Dynamic Programming. High-performance prediction employs Reinforcement Learning (RL) technology for the real-time controller based on Markov Decision Process. The efficacy of the new BOP power supply was evaluated on various driving cycles. The findings indicated that the suggested model might reduce fuel usage by 6.88% compared to the traditional model. In addition, reinforcement Learning has a high degree of accuracy (94.18%) when compared to Dynamic Programming from the fuel efficacy perspective. The findings showed that, without incurring additional costs, the suggested ways dramatically lower fuel usage in actual fuel-cell electric buses.

국문 초록 (Abstract)

자동차 파워트레인 기술과 가스 배출 최소화를 위한 글로벌 표준이 발전하면서 최근 자동차 업체들은 전기차와 하이브리드 전기차에 집중하고 있다. 연료전지전기자동차(FCEV)는 기름에 대한 의존도가 낮고, 작동 효율이 높으며, 소음이 없는 조용한 작동으로 인해 도로교통 및 배출가스 복잡성을 피할 수 있는 가장 유망한 솔루션으로 평가되어 왔다. 발전소의 균형(BOP)을 규제하는 것은 시스템 효율성을 높이는 데 주목할 만한 효과가 있음에도 불구하고 연구되지 않았다. 본 연구에 따르면, BOP 시스템을 수용하는 PEMFC (Proton Exchange Membrane Fuel Cell) 시스템은 FCEV로 적합하다. 이 하위 시스템의 전력 요구량은 최첨단 기술을 사용하여 분할되고, 제안된 계획의 효과는 동적 프로그래밍을 사용하여 평가된다. 고성능 예측은 마르코프 의사 결정 프로세스에 기반한 실시간 컨트롤러 기반에 관한 강화 학습(RL) 기술을 사용한다. 다양한 주행 사이클에서 새로운 BOP 전원의 유효성을 평가하였다. 이 결과는 제안된 모델이 기존 모델에 비해 연료 사용량을 6.88% 줄일 수 있음을 시사했다. 또한 RL은 연비 관점에서 동적 프로그래밍과 비교했을 때 높은 정확도(94.18%)를 가지고 있다. 이 연구 결과는 추가 비용을 들이지 않고 실제 연료 전지 전기 버스에서 연료 사용량을 극적으로 줄이는 방법을 제안했다는 것을 보여주었다.

목차 (Table of Contents)

• List of Figures iii
• List of Tables v
• English Abstract vi
• Chapter 1. Introduction 1
• 1.1. Motivation 1
• 1.2. Fuel Cell Electric Vehicle Perspective 3
• 1.3. Thesis Contribution 7
• 1.4. Thesis Organization 8
• Chapter 2. Modelling Powertrain on Fuel Cell Electric Vehicle 10
• 2.1. Longitudinal Vehicle Model 11
• 2.2. Proton Exchange Membrane Fuel Cell 11
• 2.3. Balance Of Plant Subsystem in Fuel Cell System 17
• 2.4. Rechargeable Battery Pack 20
• Chapter 3. Energy Management for Fuel Cell Electric Vehicle 24
• 3.1. Optimization Objective 24
• 3.2. Dynamic Programming Implementation 24
• 3.3. Results Of EMS by Dynamic Programming Optimization 26
• 3.4. Conclusion 38
• Chapter 4. Real time Energy Control for Fuel Cell Electric Bus 39
• 4.1. Markov Decision Process Theoretical Background for Reinforcement Learning Problem 39
• 4.2. Real Time Reinforcement Learning Based Model for Power Prediction 41
• 4.3. Reinforcement Learning Results for Real Time Prediction 44
• 4.4. Conclusion 49
• Chapter 5. Discussion and Conclusions 50
• References 52
• Korean Abstract 57