L’energia sta diventando un problema a livello globale per ogni attività umana. Il trasporto su ruota è al centro della discussione per le aziende e i governi a causa dei combustibili fossili, dell’inquinamento e delle emissioni di gas serra, che hanno un impatto negativo sulla vita del nostro pianeta.
I motori più efficienti non riescono a raggiungere un’efficienza del 40%. Ciò significa che più del 60% dell’energia disponibile viene sprecata sotto forma di calore.
L’obiettivo è quello di sviluppare sistemi più sofisticati in grado di raccogliere e distribuire energia da diverse fonti a diversi utenti, come mostrato nel diagramma, decidendo come gestire i flussi in base alle esigenze dell’utente corrente e valutando il maggior numero di dati possibili per raggiungere la migliore ottimizzazione.
Il nostro approccio mira a identificare tutti gli input che possono influenzare la richiesta di energia nell’istante corrente e in futuro, e queste informazioni dipendono sia dalle condizioni del veicolo che dall’ambiente esterno.
La nostra idea è quella di combinare le opzioni che rappresentano il miglior time-to-market rispetto ai livelli di ottimizzazione che il controllo può raggiungere.
In questo senso, proponiamo un sistema di controllo ibrido MPC-ML che consentirebbe al controller di eseguire un modello di veicolo semplificato con risorse di calcolo ragionevoli, e un motore di rete neurale profonda basato sull’apprendimento rinforzato che fornirebbe la spinta aggiuntiva all’ottimizzazione e all’adattamento nel tempo.
