Development of a simulation model of a hydrogen vehicle and a subsystem for request control

Cover Page


Cite item

Full Text

Abstract

BACKGROUND: Hydrogen technologies enable a significant reduction in greenhouse gas emissions in urban environments since their only byproducts are air and water. This aligns with global trends aimed at combating climate change and reducing air pollution in major cities. Hydrogen can be produced from various sources, including renewable energy. These factors justify integrating a hydrogen fuel cell system into vehicles. Developing power control algorithms for hydrogen fuel cells is an important scientific and technical challenge, as it increases vehicle range and enhances hydrogen fuel utilization efficiency.

AIM: Development and selection of the most effective algorithm for implementation within a model of the hydrogen fuel cell’s power request control using various energy consumption control strategies and comparing the operating parameters of the power distribution system were compared based on an analysis of simulation results.

METHODS: This paper presents the development of a simulation model for hybrid hydrogen-powered vehicles using the Simscape library in the MATLAB/Simulink environment. Using basic Simulink blocks, models and control algorithms for hydrogen fuel cell power request control were created, as well as a vehicle simulation model capable of testing these algorithms.

RESULTS: During the study, the strategy for controlling fuel cell power was developed. The algorithm incorporates several strategies, including a PID controller, a state machine, an equivalent consumption minimization algorithm, and a fuzzy logic controller. Additionally, requirements for the vehicle system have been outlined, and a simulation model for a hybrid hydrogen vehicle has been developed. As a result of comparing the operating parameters of the power distribution system, the most efficient power request control algorithm was identified.

CONCLUSION: The practical significance of this research lies in analyzing power request control algorithms and identifying the most effective among them. This significantly accelerates the process of selecting control algorithms for fuel cells in hydrogen vehicles.

About the authors

Evgeny I. Rakhmatullin

Moscow Polytechnic University; Central Research Automobile and Automotive Institute NAMI

Email: evgenii.rahmatullin@nami.ru
ORCID iD: 0009-0006-5651-4176

Engineer of the Software Center at the Hybrid Vehicle Calibration Sector

Russian Federation, Moscow; Moscow

Vladimir V. Debelov

Moscow Polytechnic University; Central Research Automobile and Automotive Institute NAMI

Author for correspondence.
Email: vladimir.debelov@nami.ru
ORCID iD: 0000-0001-6050-0419
SPIN-code: 8701-7410

Cand. Sci. (Engineering), assistant professor, Head of the Software Technology Department at the Software Center

Russian Federation, Moscow; Moscow

References

  1. Bethoux O. Hydrogen Fuel Cell Road Vehicles and Their Infrastructure: An Option towards an Environmentally Friendly Energy Transition. Energies. 2020(13):6132. doi: 10.3390/en13226132
  2. Tran D-D, Vafaeipour M, El Baghdadi M, et al. Thorough state-of-the-art analysis of electric and hybrid vehicle powertrains: Topologies and integrated energy management strategies. Renewable and Sustainable Energy Reviews. 2019; 119(80). doi: 10.1016/j.rser.2019.109596
  3. Trinh H-A, Truong, H-V-A, Ahn K-K. Energy management strategy for fuel cell hybrid power system using fuzzy logic and frequency decoupling methods. 24th International Conference on Mechatronics Technology (ICMT). Singapore; 2021:1–6. doi: 10.1109/ICMT53429.2021.9687291
  4. Yao G, Du C, Ge Q, et al. Traffic-Condition-Prediction-Based HMA-FIS Energy-Management Strategy for Fuel-Cell Electric Vehicles. Energies. 2019;12(23):4426. doi: 10.3390/en12234426
  5. Zhang P, Wu X, Du C, et al. Adaptive Equivalent Consumption Minimization Strategy for Hybrid Heavy-Duty Truck Based on Driving Condition Recognition and Parameter Optimization. Energies. 2020;13(20):5407. doi: 10.3390/en13205407
  6. Zavatsky AM, Debelov VV, Malyshev AN, Keller AV. Mathematical model of the algorithm for distributing torque along the axles of an electric vehicle with a two-motor scheme. Bulletin of MGTU MAMI. 2023;17(2):187–194. doi: 10.17816/2074-0530-123092 (In Russ.).
  7. Mizin MD, Malyshev AN, Zavatsky AM, Debelov VV. Development of a simulation model for testing the torque distribution function along the axles of an electric vehicle with a two-motor scheme. Bulletin of MGTU MAMI. 2023;17(3):295–304. doi: 10.17816/2074-0530-321934 (In Russ.)
  8. Malyshev AN, Debelov VV, Endachev DV, et al. Mathematical and simulation model for testing the management system of high voltage batteries for hybrid and electric vehicles. AIP Conference Proceedings. Moscow, April 01–02, 2020. Moscow; 2022:020010. doi: 10.1063/5.0074952
  9. Malyshev AN, Panarin AN, Debelov VV, Mizin MD. Simulation and physical modeling of synchronous electric drive for electric and hybrid vehicles. Journal of Physics: Conference Series. Novorossiysk, Virtual, June 15–16, 2021. Novorossiysk, Virtual; 2021:012050. doi: 10.1088/1742-6596/2061/1/012050
  10. Malyshev AN, Debelov VV, Kozlovsky VN, Stroganov VI. Analysis and prospects for the development of design and production processes of hybrid vehicles. AutoGasFilling Complex + Alternative Fuel. 2021;20(2):82–89. (In Russ.)
  11. Yakunov DM, Debelov VV, Kozlovsky VN, Brachunova UV. Trends in scientific and technical development of lithiumion batteries in motor transport. Truck. 2021(11):3–7. doi: 10.36652/1684-1298-2021-11-3-7 (In Russ.).
  12. Yakunov DM, Debelov VV, Kozlovsky VN, Zayatrov AV. Actual problems and directions of development of electrical energy storage devices in cars with electrical technologies. Truck. 2021(12):3–7. (In Russ.)
  13. Malyshev AN, Debelov VV, Kozlovsky VN. Development of the concept of a complex for simulation and physical modeling of a hybrid power plant of a vehicle. Truck. 2020(11):3–13. doi: 10.36652/1684-1298-2020-11-3-13 (In Russ.).
  14. Skripko LA. On the issue of developing a fuzzy logic controller for a hybrid hydrogen car. Works of NAMI. 2021(2):87–92. doi: 10.51187/0135-3152-2021-2-87-92 (In Russ.).
  15. Toyota Mirai. [Electronic resource]. Wikipedia: [site]. URL: https://en.wikipedia.org/wiki/Toyota_Mirai (access date: 03/29/2024).

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Topology of the model of a hydrogen model, using the direct modeling approach.

Download (99KB)
Indexing metadata
3. Fig. 2. Block diagram of the Simulink model a hybrid hydrogen vehicle.

Download (89KB)
Indexing metadata
4. Fig. 3. The WLTC driving cycle: Low, represents driving at low velocities, typically in urban environments; Medium, includes moderate velocities and more varied conditions, including both urban and suburban areas; High, represents higher velocities, often found on the highway or in heavier traffic conditions; Extra High, includes the maximum velocities that can be achieved by modern passenger cars on high-speed highways; Скорость, velocity; Время, time.

Download (117KB)
Indexing metadata
5. Fig. 4. Electric power plant subsystem: MotSpd, electric motor speed; MotTrqCmd, electric motor torque command; FCCurCmd, fuel cell current command; FCVolt, fuel cell voltage; FCCurr, fuel cell current; Pt, electrical power consumption of the fuel cell; H2Flow, hydrogen flow rate; “+”, positive terminal; “-”, negative terminal; H, temperature; Hamb, ambient temperature; H_DCDC, converter temperature; H_mot, electric motor temperature; AmbTemp, ambient temperature; Pc, electrical power consumption of the cooler; TotPwr, total power; MotTrq, motor torque; Bat_Info, high-voltage battery diagnostic parameters; Electrical Reference, ground; P_Acc, power consumption of accessories; Топливная ячейка, fuel cell; Электромотор, electric motor; Система батареи, HV battery; Система охлаждения, cooling system.

Download (147KB)
Indexing metadata
6. Fig. 5. Graph of the electric motor efficiency.

Download (163KB)
Indexing metadata
7. Fig. 6. Equivalent circuit of the battery.

Download (43KB)
Indexing metadata
8. Fig. 7. Model of the fuel cell structure.

Download (203KB)
Indexing metadata
9. Fig. 8. The “Control unit” subsystem: Управление энергопотреблением, energy power control; Формирование запроса крутящего момента, torque request generation; Управление батареей, battery control; Управление рекуперативным торможением, regenerative braking control; Запрос тормозного давления, brake pressure request; Управление мощностью и крутящим моментом, power and torque control; FCVolt, fuel cell voltage; MtrSpd, motor speed; SOC, state of charge (of the battery); MotTrqCmd, motor torque command; AccelPdl, accelerator pedal position; VehSpd, vehicle velocity; DecelPdl, deceleration pedal position (brake pedal position); BrkPrsReq, requested brake pressure; FCCurrCmd, fuel cell current command (or fuel cell controller command); TrqCmd, torque command (overall); BattPwrDischrgLmt, battery power discharge limit; BattPwrChrgLmt, battery power charge limit; MotTrqCmdRegen, motor torque command for regenerative braking; BrkCmd, brake command; MotTrqCmdTrac, motor torque command for traction control.

Download (248KB)
Indexing metadata
10. Fig. 9. Model of the power request subsystem using a PID controller: MotTrqCmd, motor torque command; MtrSpd, motor speed; BattSoc, battery state of charge (SOC); FCVolt, fuel cell voltage; FCCurrCmd, fuel cell current command; FCctrl.SOCtrgt, SOC target of the fuel cell controller.

Download (80KB)
Indexing metadata
11. Fig. 10. Graph of the dependence of the efficiency and output power of the hydrogen plant at ; Pmin , minimum power; Pmax ,: maximum power; Popt , optimal power.

Download (69KB)
Indexing metadata
12. Fig. 11. State diagram using a state machine: SOC, state of charge; Pfcopt, optimal charging power; Pbatopt, optimal battery power; Pload, load power; Pfcmax, maximum charging power; Pref, reference power; Pfcmin, minimum charging power; Poptchar, optimal charging power; Poptdis, optimal discharging power.

Download (507KB)
Indexing metadata
13. Fig. 12. Block diagram of the power request algorithm with predetermined system operating states: SOC, state of charge; SOCmax , maximum state of charge; SOCmin , minimum state of charge; Pfc_opt , optimal charging power; Pload , load power; Pfc_max , maximum charging power; Pfc_min , minimum charging power; Pbat_ch , battery charging power.

Download (250KB)
Indexing metadata
14. Fig. 13. Model of power request when implementing the ECMS strategy.

Download (36KB)
Indexing metadata
15. Fig. 14. The Pload membership function plot.

Download (87KB)
Indexing metadata
16. Fig. 15. The SOC membership function plot.

Download (80KB)
Indexing metadata
17. Fig. 16. The  membership function plot.

Download (81KB)
Indexing metadata
18. Fig. 17. Graph of the power efficiency of the hydrogen plant depending on the load and SOC.

Download (223KB)
Indexing metadata
19. Fig. 18. Graph of SOC values for different strategies: PID, strategy using the PID controller; ECMS, strategy using the ECMS algorithm; STATEFLOW, strategy using a state machine; MATLABF, strategy using a state machine; FUZZY, fuzzy logic strategy.

Download (231KB)
Indexing metadata
20. Fig. 19. The SOC values graph from 450 to 850 seconds: PID, strategy using the PID controller; ECMS, strategy using the ECMS algorithm; FUZZY, fuzzy logic strategy.

Download (177KB)
Indexing metadata
21. Fig. 20. The FC current graphs for different strategies: PID, strategy using the PID controller; ECMS, strategy using the ECMS algorithm; FUZZY, fuzzy logic strategy; Ток FC (А), current (A); Время (с), time (s).

Download (222KB)
Indexing metadata
22. Fig. 21. Zoomed graphs of the FC current for different strategies: PID, strategy using the PID controller; ECMS, strategy using the ECMS algorithm; FUZZY, fuzzy logic strategy; Ток FC (А), current (A); Время (с), time(s).

Download (192KB)
Indexing metadata
23. Fig. 22. Graph of the battery current value for different strategies: PID, strategy using the PID controller; ECMS, strategy using the ECMS algorithm; FUZZY, fuzzy logic strategy; Ток батареи (А), current (A); Время (с), time (s).

Download (179KB)
Indexing metadata
24. Fig. 23. Graph of the H₂ consumption for different strategies: PID, strategy using the PID controller; ECMS, strategy using the ECMS algorithm; FUZZY, fuzzy logic strategy; Расход Н₂ (л/100 км), H₂ consumption (l/100 km); Время (с), time (s).

Download (99KB)
Indexing metadata
25. Fig. 24. Zoomed graph of the H₂ consumption for different strategies: PID, strategy using the PID controller; ECMS, strategy using the ECMS algorithm; FUZZY, fuzzy logic strategy; Расход Н₂ (л/100 км), H₂ consumption (l/100 km); Время (с), time (s).

Download (108KB)
Indexing metadata

Copyright (c) 2025 Eco-Vector

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».