Configuração ótima de um veículo híbrido com motor de ... se reduziram em 42% as emissões de...

Configuração ótima de um veículo híbrido com motor de

combustão interna

António José Pinto da Silva Castel-Branco

Dissertação para obtenção do Grau de Mestre em

Engenharia Mecânica

Orientador: Dra. Carla Alexandra Monteiro da Silva

Júri

Presidente: Prof. Mário Manuel Gonçalves da Costa

Orientador: Dra. Carla Alexandra Monteiro da Silva

Vogal: Dr. Gonçalo Nunes Antunes Gonçalves

Outubro 2014

I

Resumo

Neste trabalho foi analisado e otimizado o sistema de propulsão de um veículo híbrido para vários

cenários de condução (reais e sintéticos), a fim de minimizar o impacte de ciclo de vida e maximizar o

ganho financeiro relativamente a um veículo convencional, que pretende ser a melhor opção para

substituir um veículo táxi convencional a diesel.

O estudo de otimização foi desenvolvido partindo da carroçaria de um veículo híbrido série-paralelo,

onde os componentes principais (motor a combustão interna, motor elétrico, bateria e gerador) foram

otimizados, considerando diferentes modelos para cada um dos componentes.

A otimização foi feita recorrendo a um algoritmo genético multiobjetivo, NSGA-II, que seleciona

diferentes modelos e parâmetros de dimensionamento dos componentes de forma a criar um conjunto

de possíveis soluções, sendo depois testadas e analisadas no software de simulação ADVISOR, e

por modelos de análise de custo e ciclo de vida. Os resultados são avaliados pelo algoritmo de forma

a selecionar as melhores soluções para o problema. Posteriormente é feita uma análise detalhada

das soluções em termos de ciclo de vida e sensibilidade a alguns parâmetros relevantes.

Os veículos híbridos revelaram vantagens relativamente a um veículo convencional nos circuitos

urbanos simulados. Os melhores resultados verificaram-se para o ciclo de condução Baixa-Lisboa,

onde se reduziram em 42% as emissões de CO2eq em ciclo de vida e se obteve um retorno financeiro

de 0,043 $/km. Apesar do reduzido número de soluções, a metodologia utilizada revelou-se uma

ferramenta muito útil na análise e desenvolvimento de veículos híbridos.

Palavras-chave: Otimização, Veículo híbrido, Multiobjetivo, Ciclos de condução reais, Ciclo de

Vida, Retorno Financeiro.

III

Abstract

In this study the powertrain of an hybrid vehicle was analyzed and optimized for different driving

scenarios ( real and synthetic ), with the goal to minimize the life cycle impact and maximize financial

gain relatively to a conventional vehicle, aiming to be an improved solution to replace a conventional

diesel taxi.

The optimization study was developed based on the main frame of a reference series-parallel hybrid

vehicle, where the major powertrain components (internal combustion engine, electric motor, battery

and generator) are optimized considering different models for each component.

The optimization was performed by using a multi-objective genetic algorithm, NSGA -II, that selects

the different models and sizing parameters of the components in order to create a set of possible

solutions, which are afterwards analyzed by a vehicle simulation software, ADVISOR, and by cost and

life cycle models. The results are then evaluated by the algorithm in order to select the best solutions

to the problem. Subsequently the obtained solutions are analyzed in detail in terms of life cycle and

sensitiveness to other relevant aspects.

The hybrid powertrains reveal to be advantageous comparatively to the conventional taxi vehicle in

the urban conditions simulated. The best results were verified in the Baixa-Lisboa driving cycle, where

it was possible to reduce 42% of emissions of the life cycle CO2eq and achieve a financial return of

0,043 $/km. Despite the low number of solutions, the methodology revealed to be a very useful tool in

the analysis and development of hybrid vehicles.

Key-words: Optimization, Hybrid vehicle, Multi-objective, Real driving cycles, Life cycle, Financial

gain.

V

Agradecimentos

Ao Engenheiro João Ribau e à Doutora Carla Silva pela incansável e imprescindível orientação

ao longo de todo o trabalho.

Aos meus pais e irmão, pelo apoio dado ao longo de todo o meu percurso académico, sem eles

nada disto teria sido possível.

À Inês pelo imprescindível apoio e motivação dada durante a tese e a todos os meus amigos que

me acompanharam durante estes anos.

VII

Índice

Resumo ................................................................................................................................................. I

Abstract ............................................................................................................................................... III

Agradecimentos .................................................................................................................................... V

Índice .................................................................................................................................................. VII

Índice de Figuras ................................................................................................................................. IX

Índice de Equações ........................................................................................................................... XIII

Índice de Tabelas ............................................................................................................................... XV

Símbolos e Abreviaturas .................................................................................................................. XVII

1 Introdução .................................................................................................................................... 1

1.1 Enquadramento .................................................................................................................... 1

1.2 Objetivo e contribuição do trabalho desenvolvido ................................................................ 3

1.3 Organização do documento ................................................................................................. 4

2 Estado da arte ............................................................................................................................. 5

2.1 Veículo convencional (ICEV) ................................................................................................ 5

2.2 Veículos alternativos ............................................................................................................ 6

2.2.1 Veículo elétrico a bateria (BEV) ...................................................................................... 7

2.2.2 Híbrido série (HEV-S) ...................................................................................................... 9

2.2.3 Híbrido paralelo (HEV-P) ............................................................................................... 10

2.2.4 Híbrido combinado (HEV-SP) ........................................................................................ 11

2.2.5 Híbrido Plug-In (PHEV) ................................................................................................. 17

2.3 Software de simulação de veículos ....................................................................................18

2.4 Otimização em veículos alternativos ..................................................................................19

2.5 Ciclo de vida em veículos ...................................................................................................21

3 Metodologia ............................................................................................................................... 23

3.1 Simulação de veículos – ADVISOR ...................................................................................23

3.1.1 SOC CORRECTION ...................................................................................................... 27

3.2 Ciclos de condução ............................................................................................................29

3.3 Veículos de referência ........................................................................................................31

3.3.1 ICEV .............................................................................................................................. 31

VIII

3.3.2 HEV ............................................................................................................................... 32

3.4 Análise de ciclo de vida ......................................................................................................33

3.4.1 Ciclo do combustível (Well-to-Wheel) ........................................................................... 34

3.4.2 Ciclo dos materiais do veículo (Cradle-to-Grave) ......................................................... 35

3.5 Análise de custos de operação ..........................................................................................36

3.6 Otimização do veículo híbrido ............................................................................................38

3.6.1 Componentes para propulsão híbrida ........................................................................... 38

3.6.2 Objetivos de otimização ................................................................................................ 40

3.6.3 Otimização multiobjetivo - NSGA-II ............................................................................... 40

4 Apresentação e discussão de resultados .................................................................................. 47

4.1 Otimização do Veículo Híbrido ...........................................................................................47

4.2 Ciclo de vida dos veículos HEV otimizados .......................................................................53

4.3 Análise de sensibilidade .....................................................................................................60

5 Conclusões e desenvolvimentos futuros ................................................................................... 67

5.1 Desenvolvimentos futuros ..................................................................................................68

6 Referências................................................................................................................................ 69

ANEXO A..............................................................................................................................................I ANEXO B............................................................................................................................................VI ANEXO C...........................................................................................................................................VII

IX

Índice de Figuras

Figura 1-1 Consumo energético e emissões de gases com efeito estufa referentes à União Europeia

................................................................................................................................................................. 2

Figura 2-1 Esquema de um veículo convencional (ICEV) (Adaptado de (Autonomie)). ...................... 5

Figura 2-2 Perdas num veículo convencional (ICEV) (U.S Department of Energy, 2014). ................. 6

Figura 2-3 Configuração de um veículo BEV (Adaptado de Autonomie)............................................. 7

Figura 2-4 Diagrama de Ragone para diferentes tecnologias de armazenagem de energia em

veículos. Densidade de energia e densidade de potência máxima, e o tempo de transferência de

energia em carga ou descarga (Ribau, 2009). ........................................................................................ 8

Figura 2-5 Configuração de um veículo HEV-S (Fonte: Autonomie). ................................................ 10

Figura 2-6 Configuração de um veículo (HEV-P) (Adaptado de Autonomie). ................................... 11

Figura 2-7 Configuração de um veículo (HEV-SP) (Adaptado de Autonomie). ................................. 12

Figura 2-8 Caixa de Velocidades Planetária (Toyota Motor Company, 2003)................................... 13

Figura 2-9 Velocidade e binário (Çağatay Bayindir et al., 2011). ...................................................... 13

Figura 2-10 Modo Elétrico (Adaptado de Autonomie). ....................................................................... 14

Figura 2-11 Modo Mecânico (Adaptado de Autonomie). ................................................................... 15

Figura 2-12 Modo de Carregamento da Bateria (Adaptado de Autonomie). ..................................... 15

Figura 2-13 Modo Assistido (Adaptado de Autonomie). .................................................................... 16

Figura 2-14 Modo Travagem Regenerativa (Adaptado de Autonomie). ............................................ 16

Figura 2-15 Estado de Carga da Bateria (PHEV) (Ribau, 2009). ...................................................... 17

Figura 3-1 Primeira janela do ADVISOR onde são escolhidos os veículos e os respetivos

componentes e ajustados os valores nominais para cada componente. ............................................. 24

Figura 3-2 Segunda janela do ADVISOR onde é definido o ciclo de condução assim como o ajuste

dos seus parâmetros (SOC correction, condições iniciais do veículo, etc.). ........................................ 25

Figura 3-3 Terceira janela do ADVISOR onde são apresentados os resultados da simulação. ....... 26

Figura 3-4 Diagrama de blocos do MATLAB/Simulink. ...................................................................... 27

Figura 3-5 Processo iterativo do cálculo do SOC Correction. ........................................................... 29

Figura 3-6 Número de iterações necessárias até à convergência do SOC Correction. .................... 29

Figura 3-7 Perfil de velocidade do ciclo de condução NEDC. ........................................................... 30

Figura 3-8 Perfil de velocidade do ciclo de condução Baixa-Lisboa. ................................................. 30

Figura 3-9 Declive do ciclo de condução Baixa-Lisboa. .................................................................... 30

Figura 3-10 Perfil de velocidade do ciclo de condução Lisboa-Cascais. ........................................... 31

Figura 3-11 Declive do ciclo de condução Lisboa-Cascais................................................................ 31

Figura 3-12 Solução Ótima de Pareto, soluções não dominadas e frente de Pareto, para um

problema multiobjetivo (Adaptado de (Cenaero, 2012)). ...................................................................... 42

Figura 3-13 Estrutura do Cromossoma, população, genes e indivíduos. .......................................... 42

Figura 3-14 Critério de não dominância e critério de crowding distance. (Adaptado de Deb et al.

(2002)). .................................................................................................................................................. 43

Figura 3-15 Cálculo do crowding distance. ( Adaptado de Deb et al. (2002)) ................................... 44

X

Figura 3-16 Esquema da metodologia utilizada no processo de seleção e otimização dos veículos

híbridos. ................................................................................................................................................. 44

Figura 4-1 Soluções de Pareto dos veículos HEV resultantes da otimização multiobjetivo para o

ciclo de condução sintético NEDC e comparação com o veículo de referência. .................................. 47


ciclo de condução Baixa-Lisboa e comparação com o veículo de referência. ..................................... 48


ciclo de condução Lisboa-Cascais e comparação com o veículo de referência................................... 49

Figura 4-4 Exemplo de uma frente de Pareto dominada por uma única solução dominante para os

objetivos de minimização de CO2eq e maximização do retorno financeiro. .......................................... 52

Figura 4-5 Exemplo de um domínio de otimização, domínio de solução e domínio de solução sujeito

a constrangimentos, considerando os quatro componentes (ICE, MC, GC e BAT). ............................ 53

Figura 4-6 Consumo de energia em ciclo de vida para os veículos HEV otimizados e veículos de

referência ICEV e HEV, para os três ciclos de condução NEDC, Baixa-Lisboa, Lisboa-Cascais,

considerando um tempo de vida de 200.000 km. ................................................................................. 54

Figura 4-7 Emissões de CO2eq em ciclo de vida para os veículos HEV otimizados e veículos de



Figura 4-8 Peso dos diferentes componentes (ICE, MC, GC e BAT), em percentagem, relativamente

à energia (gráfico à esquerda) e emissões de CO2eq (gráfico à direita) em ciclo de vida para 550.000

km no ciclo de condução NEDC. ........................................................................................................... 56

Figura 4-9 Peso dos diferentes componentes (ICE, MC, GC e BAT), em percentagem, relativamente

à energia (gráfico à esquerda) e emissões de CO2eq (gráfico à direita) em ciclo de vida para 550.000

km no ciclo de condução Baixa-Lisboa. ................................................................................................ 56

Figura 4-10 Peso dos diferentes componentes (ICE, MC, GC e BAT), em percentagem,

relativamente à energia (gráfico à esquerda) e emissões de CO2eq (gráfico à direita) em ciclo de vida

para 550.000 km no ciclo de condução Lisboa-Cascais. ...................................................................... 56

Figura 4-11 Consumo de energia em ciclo de vida para os veículos HEV optimizados e veículos de



Figura 4-12 Emissões de CO2eq em ciclo de vida para os veículos HEV otimizados e veículos de



Figura 4-13 Variação do consumo de energia (MJ/km) com o tempo de vida (km) para os veículos

B1, B2 e B3. .......................................................................................................................................... 58

Figura 4-14 Variação das emissões de CO2eq (g/km) com o tempo de vida (km) para os veículos B1,

B2 e B3. ................................................................................................................................................. 58

Figura 4-15 Consumo de energia em ciclo de vida para os veículos HEV otimizados e veículos de



XI

Figura 4-16 Emissões de CO2eq em ciclo de vida para os veículos HEV otimizados e veículo de



Figura 4-17 Variação do retorno financeiro com a variação do custo do combustível ($/MJ) e o

tempo de vida (km) para o veículo A2 simulado no ciclo de condução NEDC. (A laranja é assinalado o

valor do retorno financeiro para a distância de 550.000 km nas condições originais do estudo). ....... 61


tempo de vida (km) para o veículo B3 no ciclo de condução Baixa-Lisboa. (A laranja é assinalado o



tempo de vida (km) para o veículo C2 no ciclo de condução Lisboa-Cascais. (A laranja é assinalado o


Figura 4-20 Variação do retorno financeiro com número de baterias de substituição e o tempo de

vida (km) para o veículo A2 no ciclo de condução NEDC. (A laranja é assinalado o valor do retorno

financeiro para a distância de 550.000 km nas condições originais do estudo). .................................. 63


vida (km) para o veículo B3 no ciclo de condução Baixa-Lisboa. (A laranja é assinalado o valor do

retorno financeiro para a distância de 550.000 km nas condições originais do estudo). ..................... 64


vida (km) para o veículo C2 no ciclo de condução Lisboa-Cascais. (A laranja é assinalado o valor do

retorno financeiro para a distância de 550.000 km nas condições originais do estudo) ...................... 65

Figura A1 Mapa de eficiência do ICE_1 (Prius JPN)............................................................................I

Figura A2 Mapa de eficiência do ICE_2 (Prius 2010)...........................................................................I

Figura A3 Mapa de eficiência do ICE_3 (Volt).......................................................................................I

Figura A4 Mapa de eficiência do ICE_4 (Insight).................................................................................II

Figura A5 Mapa de eficiência do MC_1 (PM6’ UQM).................................................,........................II

Figura A6 Mapa de eficiência do MC_2 (Prius JPN)............................................................................II

Figura A7 Mapa de eficiência do MC_3 (PM 100 UQM) ....................................................................III

Figura A8 Mapa de eficiência do MC_4 (PM75 UQM) .......................................................................III

Figura A9 Mapa de eficiência do GC_1 (Prius 3G) ............................................................................III

Figura A10 Mapa de eficiência da BAT_1 (LISATF VL7P) ................................................................IV

Figura A11 Mapa de eficiência da BAT_2 (KOKAM 40) ....................................................................IV

Figura A12 Mapa de eficiência da BAT_3 (Nimh6) ............................................................................IV

Figura A13 Mapa de eficiência da BAT_4 (NimhSAFT NHP34) ...............................................,........V

XIII

Índice de Equações

Equação 1: Relação entre raio e velocidade......................................................................................13

Equação 2: Relação entre raio e binário.............................................................................................13

Equação 3: Cáculo do SOC inicial.....................................................................................................28

Equação 4: Cálculo do SOC para o instante t+1...............................................................................28

Equação 5: Cálculo do SOC (Interpolação Linear)............................................................................28

Equação 6: Cálculo de Ciclo de vida.................................................................................................33

Equação 7: Cálculo das parcelasde CTG CO2eq. ..............................................................................35

Equação 8: Cálculo de CTG CO2eq....................................................................................................36

Equação 9: Cálculo das parcelas CTG energia.................................................................................36

Equação 9: Cálculo de CTG energia..................................................................................................36

Equação 11: Cálculo do Retorno Financeiro.. ...................................................................................37

Equação 12: Cálculo dos custos dos componentes...........................................................................37

Equação 13: Função de otimização...................................................................................................40

XV

Índice de Tabelas Tabela 3-1 Características dos ciclos de condução. .......................................................................... 31

Tabela 3-2 Características do Táxi (ICEV) (Ribau et al., 2013). ........................................................ 32

Tabela 3-3 Características do Veículo de Referência (Bravo, 2012). ................................................ 32

Tabela 3-4 Potencial de aquecimento global relativo ao CO2 (adaptado da Tabela 2.14, IPCC Fourth

Assessment Report, 2007) (IPCC, 2007). ............................................................................................. 34

Tabela 3-5 Fatores de CO2eq e energia usados no cálculo do CTG (MJ e gCO2eq por kg do

respetivo componente do veículo) (Ribau et al., 2014; DOE, 2009). .................................................... 36

Tabela 3-6 Custo do ICEV (Edwards et al., 2011). ............................................................................ 38

Tabela 3-7 Modelos - Motores a Combustão Interna ......................................................................... 38

Tabela 3-8 Modelos - Motor Eléctrico (Fonte: a,c,d(UQM, 2014), bADVISOR). ................................... 39

Tabela 3-9 Modelo - Gerador (Fonte: (Bravo, 2012)). ....................................................................... 39

Tabela 3-10 Modelos - Bateria (Fonte: a,d(Saft, 2014), b(KOKAM, 2014), cADVISOR). ..................... 39

Tabela 3-11 Resumo dos componentes a serem otimizados (modelo do componente e fator de

dimensionamento), no caso da bateria (modelo do componente e número de módulos). ................... 39

Tabela 3-12 Constrangimentos de Desempenho – HEV. .................................................................. 40

Tabela 3-13 Parâmetros de otimização. ............................................................................................ 45

Tabela 4-1 Potência dos componentes e massa total dos veículos otimizados para os diferentes

ciclos de condução. ............................................................................................................................... 50

Tabela 4-2 Custo de cada componente e custo total dos veículos otimizados para os diferentes

ciclos de condução. ............................................................................................................................... 50

Tabela B1 Emissões em ciclo de vida dos veículos otimizados para os três ciclos (NEDC, Baixa-

Lisboa e Lisboa-Cascais) assim como para as diferentes distâncias de tempo de vida (200.000 km,

550.000 km e 650.000 km)......................................................................................................................VI

Tabela B2 Custo total dos veículos ($), retorno financeiro ($/km) para os ciclos NEDC, Baixa-Lisboa

e Lisboa-Cascais e distâncias de 200.000 km, 550.000 km e 650.000 km)..........................................VI

Tabela B3 Modelos e fator de dimensionamento para os componentes ICE, MC e GC. Modelo e

número de módulos para os componentes BAT....................................................................................VI

Tabela C1 Consumo de energia (MJ/km) e emissões de CO2eq (g/km) em ciclo de vida para os

ciclos NEDC, Baixa-Lisboa e Lisboa-Cascais considerando um tempo de vida de 200.000 km..........VII





XVII

Símbolos e Abreviaturas

BAT Bateria BEV Veículo elétrico de bateria (Battery Electric Vehicle) CD Charge Depleting, relativo ao descarregamento da bateria CO2eq Dióxido.de Carbono Equivalente CS Charge Sustaining, relativo á manutenção de carga da bateria CTG Cradle-to-Grave, do ciclo de vida Cveículo Custo (em dollar) de um veículo especifico (HEV ou ICEV) FC Pilha de combustível GA Algoritmo genético (Genético Algoritmo)

GC Gerador e controlador (abreviatura derivada da nomenclatura inglesa generator and controller)

GHG Gás com efeito estufa (Greenhouse Gas) GUI, graphical user interface HEV-P Veículo elétrico híbrido com configuração em paralelo (Hybrid Electric Vehicle) HEV-S Veículo elétrico híbrido com configuração em série (Hybrid Electric Vehicle)

HEV-SP Veículo elétrico híbrido com configuração combinada série/paralelo (Hybrid Electric Vehicle)

ICE Motor de combustão interna (abreviatura derivada da nomenclatura de língua inglesa internal combustion engine)

ICEV Veiculo com motor de combustão interna (da nomenclatura de língua inglesa ICE Vehicle) MC Motor e controlador (abreviatura derivada da nomenclatura inglesa motor and controller) mcomponente Massa (em kg) de um component específico (ICE, MC, GC, ou BAT)

MMbbl/d Milhões de barris de petróleo por dia (abreviatura derivada da nomenclatura inglesa million barrels of oil per day)

NEDC Ciclo de condução New European Driving Cycle

NSGA-II Algoritmo genético com classificação de não dominância (Non-dominated Sorting Genetic Algorithm)

OBD On-Board Diagnostic SOC Estado de carga da bateria (State of Charge) TTW Tank-to-Wheel (“tanque-roda”), do ciclo de vida WTT Well-to-Tank (“Poço-tanque”), do ciclo de vida WTW Well-to-Wheel (“poço-roda”), do ciclo de vida T Binário W Velocidade de rotação R Raio do anel da transmissão planetária RF Retorno financeiro LCA Análise de ciclo de vida

1

1 Introdução

A indústria automóvel, nos últimos anos, tem procurado alternativas ao veículo convencional, com

vista a minimizar, não só o impacte ambiental, mas também, o custo da energia para o consumidor

final, através de um aumento na eficiência dos veículos.

Na presente dissertação, pretende-se otimizar o sistema de propulsão de um veículo híbrido, como

alternativa a um veículo convencional, a fim de minimizar o impacte de ciclo de vida e maximizar o

ganho financeiro.

Apresenta-se em seguida o enquadramento em que este estudo se insere, assim como os seus

objetivos e contribuições. No fim, é descrita, de forma sucinta a estrutura e organização da

dissertação.

1.1 Enquadramento

O consumo energético mundial tem vindo a aumentar sucessivamente nos últimos anos. Prevê-se

que até 2040 este consumo aumente 56%, em grande parte motivado pelo crescimento das

economias emergentes, China e Índia (Bloomberg, 2013). O consumo de energia é repartido por

quatro grandes setores de atividade: indústria, transportes, residencial e serviços, sendo que, o setor

dos transportes apresenta um peso de 20%, no total do consumo energético mundial (EIA, 2011), e

cerca de 25% das emissões mundiais de CO2 são atribuídas também a este setor (IEA, 2009).

De acordo com o International Energy Outlook 2014, em 2040, no que se refere ao consumo de

combustíveis líquidos, onde se inclui a gasolina e o diesel, 92% do total produzido mundialmente será

absorvido pelo setor dos transportes. Para o mesmo período, prevê-se o crescimento de um terço da

produção de combustível (33 MMbbl/d para 87 MMbbl/d), mais uma vez, impulsionado pelas

economias emergentes, especialmente localizadas na Ásia e Médio Oriente.

O uso intensivo de combustíveis fósseis instiga graves impactes ambientais. Na fase de perfuração

e refinação são emitidos gases e vapores tóxicos para atmosfera e, para além disso, são gerados

resíduos sólidos e industrias que são depois armazenados em aterros industriais. Por sua vez, os

fluídos utilizados na lubrificação e arrefecimento das ferramentas de corte contêm metais pesados e

produtos derivados do petróleo (Hidrocarbonetos Aromáticos Policíclicos), que prejudicam

gravemente a fauna e a flora circundante (IEED, 2014). Desde que é produzido até chegar ao

consumidor final, é necessário efetuar o transporte dos combustíveis, sendo que, neste processo são

emitidas quantidades apreciáveis de gases com efeito estufa (GHG). Muitas vezes este transporte é

feito por via marítima, com recurso a grandes navios petroleiros, potenciando graves desastres

ambientais, como o registado em 2002, quando um petroleiro se afundou na costa galega, tendo

libertado cerca de 63 mil toneladas de petróleo bruto, ao longo de mais de 1000 km de costa (Penela-

Arenaz et al., 2010).

No panorama europeu, onde Portugal se insere, prevê-se, até 2040, uma queda no consumo de

combustíveis fósseis (14,8 MMbbl/d para 14,0 MMbbl/d), motivada essencialmente pelo aumento de

eficiência no setor energético, nomeadamente nos veículos urbanos, mas também, devido a um

2

aumento das taxas associadas à venda de combustíveis, uma rede de transportes públicos ajustada

às necessidades de consumo, assim como, uma ligeira queda na população. A distribuição do

consumo final de energia para os diferentes setores e as respetivas emissões, o consumo interno

bruto, assim como a distribuição de consumo nos diferentes meios de transporte, para união europeia

(EU-28), são ilustrados na Figura 1-1.

Figura 1-1 Consumo energético e emissões de gases com efeito estufa referentes à União Europeia (EU-28) (EC, 2011).

Esta necessidade de redução do consumo de combustíveis, melhoria da eficiência energética, e

redução da concentração de emissões poluentes, maioritariamente nos meios urbanos, deu origem à

introdução de novas tecnologias de propulsão automóvel, incluindo a hibridização e eletrificação do

veículo rodoviário.

Algumas destas soluções passam pelo desenvolvimento de novas tecnologias ou melhoramentos

da já existente. O uso de novos componentes, usando materiais mais leves, o ajuste da potência dos

veículos, tendo em conta o fim a que se destinam, a alteração das configurações dos atuais veículos

convencionais, com motor a combustão interna (ICEV), incluindo o uso de baterias e motores

elétricos, com vista a aumentar o seu grau de hibridização e consequentemente diminuir o consumo

de combustível, são algumas dessas soluções. Diferentes configurações de veículos integram hoje a

indústria automóvel, desde o veículo puramente elétrico (BEV), passando pelo híbrido plug-in (PHEV),

veículos híbridos com motor a combustão interna (HEV) ou pilha de combustível (FC-HEV), até ao

ICEV (Secções 2.1 e 2.2).

3

A hibridização e eletrificação dos veículos pretendem promover o uso mais eficiente da energia

no setor dos transportes e o uso de novos vetores energéticos, como a eletricidade.

A escolha correta dos componentes para o veículo híbrido e o seu dimensionamento são de

extrema importância, uma vez que afetam diretamente o desempenho e a eficiência do veículo. O

custo do veículo e o seu impacto energético e ambiental são fatores também dependentes do seu

sistema de propulsão.

1.2 Objetivo e contribuição do trabalho desenvolvid o

O objetivo principal deste trabalho é analisar e otimizar o sistema de propulsão de um veículo

híbrido para vários cenários de condução, a fim de minimizar o impacte de ciclo de vida e maximizar o

ganho financeiro relativamente a um veículo convencional.

O veículo híbrido a otimizar é baseado num veículo rodoviário ligeiro real, equipado com um

motor de combustão interna a gasolina e uma bateria elétrica, que pretende ser a melhor opção para

substituir um veículo táxi convencional, a diesel. Pretende-se analisar diferentes componentes

possíveis para uma propulsão híbrida e otimizar o sistema de propulsão considerando os diferentes

componentes e o seu dimensionamento, nomeadamente: bateria, motor de combustão, e motor

elétrico.

A fim de otimizar o veículo, é utilizado um método metaheurístico, nomeadamente um algoritmo

genético multiobjetivo.

A análise do impacte do veículo em ciclo de vida considera a produção e uso da

energia/combustível e os materiais na produção do veículo. A análise financeira considera o custo do

veículo alternativo e otimizado, assim como o custo do combustível ao longo do seu tempo de vida,

comparativamente com os custos do veículo e de combustível do veículo convencional.

Diferentes cenários de condução são analisados, um perfil sintético de condução (NEDC) e dois

perfis de condução reais, medidos na cidade de Lisboa, em Portugal.

Na fase de projeto de um veículo, a otimização dos componentes que o integram, assim como a

sua estratégia de gestão de energia são aspetos fundamentais a considerar. A minimização do custo,

emissões em ciclo de vida, energia consumida e os aperfeiçoamentos ao nível do desempenho do

veículo, são fatores que não podem ser desprezados, não só pela sua importância social e

económica, mas também pelo seu impacto direto na vida dos utilizadores (ERTRAC, 2014; European

Commission, 2011). Por outro lado, a otimização de veículos nas cadeias de abastecimento e

transporte de energia/combustível, tem sido fortemente incentivada, uma vez que permite minimizar

custos, emissões e perdas de energia (EC, 2011; ERTRAC, 2014; EU, 2003).

4

1.3 Organização do documento

Este documento é composto por 5 Capítulos, e 3 Anexos

O Capitulo 1, Introdução, descreve o enquadramento do problema estudado, apresentando-se os

objetivos, e a organização da dissertação.

No Capítulo 2, Estado da arte, é descrita a tecnologia atual para veículos convencionais e

alternativos assim como alguns dos principais softwares usados em simulação de veículos. No fim é

apresentada uma breve revisão bibliográfica relativa à otimização de veículos e análise de ciclo de

vida.

No Capítulo 3, Metodologia, é inicialmente apresentado o software ADVISOR e os ciclos de

condução nos quais os veículos são simulados. Depois, são apresentadas as características dos

veículos de referência. Posteriormente, é descrito o ciclo de vida dos veículos estudados

considerando o ciclo do combustível e o ciclo dos materiais, assim como uma análise de custos de

operação. Por fim é explicada a metodologia utilizada na otimização do veículo híbrido, começando

por ser apresentados os componentes (bateria, motor elétrico, motor de combustão interna e gerador)

e os objetivos (minimização do impacte em ciclo de vida e maximização do retorno financeiro) e por

fim o algoritmo genético multiobjetivo, NSGA-II.

No Capítulo 4, Apresentação e discussão de resultados, são apresentados e discutidos os

resultados da otimização. Primeiro são apresentadas e discutidas as soluções do algoritmo genético

multiobjetivo. Depois é feita uma análise de ciclo de vida aos veículos otimizados comparativamente

ao veículo de referência. E por fim, é feita uma análise de sensibilidade ao retorno financeiro do

veículo, variando o custo do combustível, tempo de vida e número de reposição de baterias.

Por fim, no Capítulo 5, são apresentadas as conclusões e direções para trabalho futuro.

Os ANEXOS encontram-se no final e contêm informação relevante para a compreensão dos temas

abordados ao longo da dissertação.

5

2 Estado da arte

Neste capítulo são apresentados conceitos base de tecnologias e configurações usadas nos

sistemas de propulsão de veículos rodoviários ligeiros convencionais e alternativos. Adicionalmente, é

feita uma revisão bibliográfica de alguns meios de simulação, otimização, e análise de ciclo de vida

em veículos, que são relevantes para este estudo.

2.1 Veículo convencional (ICEV)

Nos últimos anos, tem vindo a verificar-se um crescente esforço, por parte das marcas de

automóveis, no desenvolvimento e comercialização de veículos alternativos elétricos e híbridos

(ERTRAC, 2014; Toyota, 2013). No entanto, o menor custo de produção e, consequentemente,

menor preço de venda, aliado a uma rede de abastecimento bem distribuída e ajustada às

necessidades do utilizador, fazem com que a esmagadora maioria dos veículos comercializados, hoje

em dia, ainda seja os ICEV. Os veículos convencionais são veículos tipicamente compostos por um

motor a combustão (ICE) onde ocorre a transformação de energia química em energia mecânica nas

rodas, quando esta é libertada na reação do ar com o combustível fóssil, por ação de condições

específicas de temperatura e pressão. Estes motores podem assumir dois tipos de configuração –

ciclo Otto ou ciclo Diesel – de acordo com o seu modo de ignição. A configuração básica de um ICEV

é apresentada na Figura 2-1.

Do mesmo modo, tem-se assistido a uma crescente preocupação em produzir motores cada vez

mais eficientes. Assim, atualmente, consegue-se aproveitar cerca de 98% da energia libertada pelo

combustível, no caso de um motor a diesel, e 95-98%, para um a gasolina (Heywood, 1988). No

entanto, apenas 40% dessa energia é aproveitada, sendo que grande parte da energia é

desperdiçada sob a forma de calor (perdas térmicas e perdas no escape). A resistência aerodinâmica

de rolamento e as perdas na transmissão, contabilizam outras perdas menores que, quando

somadas, originam uma eficiência final em torno dos 15% (U.S. Department of Energy, 2014). A

Figura 2-2 ilustra as perdas num veículo convencional movido a gasolina.

Figura 2-1 Esquema de um veículo convencional (ICEV) (Adaptado de (Autonomie)).

6

O ICE é utilizado geralmente em veículos ICEV, mas também é utilizado na propulsão de veículos

híbridos.

Apesar do ICE ter um custo relativamente baixo, quando comparado com outros tipos de

tecnologias, apresenta algumas desvantagens, nomeadamente a emissão de gases poluentes e a

baixa eficiência na conversão de energia (Heywood, 1988).

Figura 2-2 Perdas num veículo convencional (ICEV) (U.S Department of Energy, 2014).

2.2 Veículos alternativos

Para além dos veículos alternativos mais conhecidos, como o BEV e o HEV, existem ainda outras

opções, tais como: sistemas de pilha de combustível; sistemas flexfuel; uso de supercondensadores;

volantes de inercia, etc. Embora todas estas opções possam ser usadas no projeto de um veículo

rodoviário, à exceção do sistema flexfuel bastante desenvolvido no Brasil, ainda aparentam estar

longe da possibilidade de serem comercializáveis num futuro próximo (U.S. DOE, 2014).

A propulsão dos veículos BEV é feita com recurso a um motor elétrico alimentado unicamente por

uma bateria. Por outro lado, os HEV, na sua forma mais básica, são veículos que utilizam duas ou

mais fontes de energia distintas, normalmente um conversor de energia, como um ICE ou uma pilha

de combustível (FC) com uma bateria ou um conjunto de condensadores para impulsionar o veículo.

O HEV pode assumir vários tipos de configurações: série, paralelo e série-paralelo.

7

2.2.1 Veículo elétrico a bateria (BEV)

Um veículo elétrico a bateria (BEV) é um veículo cujo sistema de propulsão se deve unicamente a

uma motorização elétrica e uma bateria para fornecimento de energia/potência elétrica. A

configuração para este veículo é tipicamente composta por uma bateria, cuja função é armazenar

energia, um ou mais motores elétricos para tração, e um controlador, conforme ilustrado na

Figura 2-3. Normalmente, existe apenas um motor elétrico ligado diretamente à transmissão, embora

existam outras configurações. O uso de dois ou quatro motores, um instalado em cada uma das rodas

em vez de um único motor, é uma das opções alternativas.

A aplicação dos motores nas rodas permite minimizar, ou mesmo eliminar, o uso de componentes

mecânicos na transmissão de potência. Além disso, o facto de as quatro rodas serem independentes

entre si, permite ao veículo comportar-se como um veículo de tração-traseira, dianteira ou às quatro

rodas, tirando os benefícios inerentes a cada uma das configurações. No entanto, o uso do motor

elétrico nas rodas aumenta a complexidade do sistema de direção do veículo e origina um aumento

na massa não suspensa do veículo, causando um impacto direto na dinâmica e controlo de

estabilidade do mesmo (Khajepour et al. 2014).

Contrariamente a um veículo híbrido (HEV, ver Secções 2.2.2 a 2.2.5), o BEV não tem outra fonte

de energia para além da bateria, como um ICE ou FC. Como tal, existe a necessidade de recarregar a

bateria com energia elétrica, ligando o veículo à rede elétrica via plug-in.

Figura 2-3 Configuração de um veículo BEV (Adaptado de Autonomie).

Uma bateria é composta por vários módulos que se subdividem em várias células. Existem

diferentes tipos de bateria que podem ser classificadas consoante o(s) seu(s) elemento(s) químico(s)

8

usado(s) no elétrodo, como por exemplo: Chumbo (Pb), Niquel-Cadmium (NiCd), Níquel Hidreto

Metálico (NiMH), ião de Lítio (Li-ion), Sódio Niquel Cloro (NaNiCl).

Atualmente, a grande maioria dos BEV utiliza baterias de Lítio devido à sua elevada capacidade de

energia e potência específicas. No caso dos veículos híbridos, verifica-se maioritariamente o uso de

baterias NiMH devido ao seu custo relativamente mais baixo (Celgard, 2014; Forbes, 2013).

A partir do diagrama de Ragone (Figura 2-4) é possível comparar a densidade de potência e de

energia para os diferentes tipos de bateria.

Figura 2-4 Diagrama de Ragone para diferentes tecnologias de armazenagem de energia em veículos. Densidade de energia e densidade de potência máxima, e o tempo de transferência de energia em carga ou

descarga (Ribau, 2009).

Apesar do crescente investimento em tecnologia e das melhorias conseguidas nos últimos anos, os

BEV ainda enfrentam algumas barreiras importantes. A energia específica da bateria – que é a

capacidade de acumular energia por quilograma – é apenas cerca de 1% da energia específica da

gasolina (BCG, 2011). Neste sentido, a grande eficiência do motor elétrico, aliada à ausência de

emissões, ficam limitadas pela baixa autonomia, cerca de 250 a 300 quilómetros nos casos mais

otimistas (BCG, 2011). Outra grande desvantagem do BEV é o tempo requerido no carregamento da

bateria, a partir da rede elétrica. Estima-se que o tempo de carregamento de uma bateria com

capacidade de 15 kWh seja de 10 horas ligada à rede com uma tensão de 120 V (BCG, 2011).

Para além da alta eficiência da motorização elétrica, a travagem regenerativa é uma tecnologia que

permite ainda melhorar a eficiência energética do sistema de propulsão, na qual, em situação de

desaceleração e/ou travagem, o motor elétrico atua como gerador, armazenando energia útil na

bateria e evitando o desgaste das pastilhas na travagem, o que reverte em menores custos de

manutenção. A travagem regenerativa pode, também, ser utilizada nos veículos híbridos.

Um exemplo de um veículo puramente elétrico, que usa este tipo de tecnologia é o Nissan Leaf

(Nissan, 2013).

9

2.2.2 Híbrido série (HEV-S)

Um veículo híbrido com configuração série (HEV-S) é composto por quatro componentes principais:

um motor a combustão Interna (ICE); um motor e controlador elétrico (MC); um gerador (GC) e uma

bateria, conforme ilustrado na Figura 2-5. O objetivo do ICE, já descrito na Secção 2.1, é converter a

energia presente no combustível em energia mecânica, mas em vez de esta energia ser fornecida

diretamente às rodas (através de uma transmissão), como é o caso do ICEV, passa primeiro por um

gerador onde a energia mecânica do ICE é convertida em elétrica. A energia elétrica convertida pelo

gerador pode alimentar o motor elétrico na propulsão do veículo ou ser armazenada na bateria. O

papel da bateria nesta configuração funciona como um buffer entre o gerador e o motor elétrico. No

caso do veículo de configuração em série, a única força motriz é o motor elétrico. A energia que

alimenta este motor pode provir da bateria, do gerador, ou de ambos, caso a potência requerida

assim o exija. Como o ICE não está diretamente ligado às rodas, pode ser programado para trabalhar

no seu ponto ótimo de funcionamento, reduzindo desta forma o consumo de combustível. Isto é

possível uma vez que existe a bateria que pode armazenar a energia produzida pelo ICE que não é

imediatamente usada.

No HEV a bateria tem de manter o seu nível de carga constante, de modo a poder responder,

instantaneamente, a todas as solicitações de potência, requeridas pelo motor elétrico. Quando a

bateria apresenta um nível de carga (SOC) suficientemente alto, é permitido ao ICE ser desligado.

Esta situação ocorre, geralmente, em circuitos urbanos onde existem muitas paragens ou situações

de funcionamento ao relanti. No caso de o nível de SOC ser baixo (quando existe um requerimento

longo de grande potência, por exemplo circulação em autoestrada), é exigido ao ICE que aumente a

potência fornecida à bateria e, se necessário, forneça potência ao motor elétrico (sempre através do

gerador).

Para além das baterias, outro tipo de armazenadores de energia têm sido considerados, com vista

a aumentar a eficiência do HEV, nomeadamente volantes de inércia, supercondutores magnéticos ou

supercondensadores. Estes últimos apresentam uma elevada densidade de potência e uma baixa

densidade de energia, o que torna este componente ideal para regimes mais dinâmicos de

funcionamento. Considere-se o exemplo de uma travagem, onde há um pico de energia para ser

armazenado num curto espaço de tempo. Uma bateria apenas conseguiria armazenar uma parcela

desta energia, devido à baixa densidade de potência e às grandes perdas energéticas associadas à

transferência de grandes picos de corrente (ou potência). Contrariamente, o supercondensador

consegue armazenar rapidamente a energia fornecida pelo gerador e fornece-la no caso de uma

aceleração. Assim, as duas tecnologias, bateria e supercondensador, podem-se complementar.

Relativamente aos supercondensadores, a bateria, é caraterizada por uma elevada densidade de

energia e baixa densidade de potência, o que permite acumular maiores quantidades de energia mas

num período de tempo maior. Por sua vez, o supercondensador permite armazenar uma menor

quantidade de energia, num curto espaço de tempo. O uso combinado destas duas tecnologias

10

permite um aumento significativo da eficiência, embora implique um aumento do custo e da

complexidade dos sistemas de controlo (Burke, 2007).

Apesar da possibilidade do ICE poder funcionar numa gama de alta eficiência nesta configuração

(HEV-S), as várias transformações de energia sofridas antes de chegar à roda, conduzem a perdas

energéticas consideráveis. Adicionalmente, o facto da propulsão do veículo ser unicamente garantida

pelo motor elétrico obriga a que este, assim como a bateria que o alimenta, disponham da potência

total necessária, o que conduz a um elevado peso do veículo e a uma grande contribuição para o seu

elevado custo (Ehsani et al., 2010).

A configuração série é particularmente usada em veículos pesados, (Çagatay Bayindir et al., 2011),

uma vez que estes são menos sensíveis ao aumento de peso, nomeadamente autocarros, nos casos

em que o seu percurso é feito, maioritariamente, em circuitos urbanos. Esta configuração mostra

também ser uma boa opção para veículos movidos a pilha de combustível, uma vez que esta produz

diretamente eletricidade não havendo, por conseguinte, perdas na conversão de energia no gerador.

Exemplos de veículos com este tipo de configuração são o Mercedes Citaro e o MAN-Lions (Çagatay

Bayindir et al., 2011).

Figura 2-5 Configuração de um veículo HEV-S (Fonte: Autonomie).

2.2.3 Híbrido paralelo (HEV-P)

Num veículo híbrido com configuração em paralelo (HEV-P), tanto o motor elétrico (MC) como o

ICE podem fornecer potência mecânica às rodas, podendo funcionar cada um individualmente ou em

conjunto (Figura 2-6). Por esta razão, o ICE e o MC podem ter um tamanho e potencias relativamente

menores que um HEV-S. Como ambos os motores estão ligados às rodas, a eficiência do sistema

propulsor é maior, se compararmos com a configuração HEV-S, na maioria das condições de

11

operação (Autonomie, 2014). A configuração em paralelo apresenta uma máxima eficiência em

circuito extraurbano, uma vez que é nestas condições que o ICE atinge o seu pico de máxima

eficiência (Li & Williamson, 2008). O grau de liberdade adicional neste tipo de configuração, apesar

de permitir diminuir a dimensão dos componentes (ICE e MC), apresenta algumas desvantagens. O

facto de o ICE não estar sempre a trabalhar no seu ponto de eficiência máxima, uma vez que o motor

está diretamente ligado ao sistema de transmissão, é uma das desvantagens. Além disso, verifica-se

ainda, um aumento da complexidade e do peso, associados à transmissão mecânica (Husain, 2011).

Figura 2-6 Configuração de um veículo (HEV-P) (Adaptado de Autonomie).

2.2.4 Híbrido combinado (HEV-SP)

O híbrido combinado ou power split (HEV-SP) procura associar as vantagens da configuração série

e paralelo (Kasseris e Heywood, 2007), cujo esquema é ilustrado na Figura 2-7. De referir que, esta

foi a configuração selecionada para o veículo de referência otimizado neste estudo.

12

Figura 2-7 Configuração de um veículo (HEV-SP) (Adaptado de Autonomie).

Neste tipo de configuração, a potência do motor pode ser dividida em duas componentes: série e

paralelo. Na componente paralelo, a potência fornecida pelo ICE é diretamente fornecida às rodas,

podendo ser auxiliada com o motor elétrico, caso haja necessidade. Na componente série a potência

do ICE é convertida em energia elétrica pelo gerador e depois armazenada pela bateria ou usada

pelo motor elétrico. Em alternativa, o gerador pode ser usado como motor sendo a energia fornecida

pela bateria. A gestão de energia e o tipo de componentes usados neste tipo de configuração têm

sido alvo de muito estudo e desenvolvimento por parte da indústria automóvel que comercializa este

tipo de veículos. A maioria dos fabricantes de automóveis, onde se incluiu a Toyota e General Motors,

têm desenvolvido as suas próprias configurações de HEV-SP. O Toyota Prius, que apresenta este

tipo de configuração, tem sido considerado um dos carros de maior sucesso desde 1997 (Wang et al.,

2014).

Devido à sua relevância para este trabalho, será dada especial atenção à configuração power-split

da Toyota. Conforme ilustrado na Figura 2-8, a transmissão do Prius é constituída por uma caixa de

velocidades planetária, em que a engrenagem planetária está ligada ao veio do motor que transmite

potência, não só ao anel exterior, mas também à engrenagem solar. O anel exterior está diretamente

ligado ao motor elétrico que, por sua vez, transmite potência às rodas, enquanto que a engrenagem

solar está ligada ao gerador.

13

Figura 2-8 Caixa de Velocidades Planetária (Toyota Motor Company, 2003)

A engrenagem planetária tem três veios de entrada e três veios de saída, o que lhe confere três

graus de liberdade. Os três graus de liberdade podem ser definidos como o movimento do veio do

anel exterior, o movimento do veio da engrenagem planetária e o movimento do veio da engrenagem

solar. As variáveis que definem o movimento do veio são a velocidade e o binário.

Consequentemente, existem três velocidades (��, ��, �� e três binários ��, ��, ��, correspondentes

a cada um dos veios (Figura 2-9). Fixando dois graus de liberdade, o terceiro fica definido. As

Equações (1) e (2) estabelecem a relação entre a velocidade e o binário (Çagatay Bayindir et al.,

2011).

�� 2� �� 2 �� (1)

�� 2�� 2�� (2)

Figura 2-9 Velocidade e binário (Çağatay Bayindir et al., 2011).

14

Devido à flexibilidade neste tipo de configuração híbrida, são permitidos diversos modos de

operação: parado, elétrico, mecânico, carregamento da bateria, assistido e travagem regenerativa.

Modo Parado

Quando o veículo se encontra parado, contrariamente a um ICEV (em relanti), não há consumo de

combustível pelo motor de combustão, uma vez que o arranque é assegurado apenas pelo motor

elétrico.

Modo Elétrico (Série)

Uma das possibilidades é o funcionamento apenas da componente elétrica (Figura 2-10). Neste

caso, o ICE não funciona e toda a energia é assegurada pela bateria. Este tipo de configuração é

principalmente usado em regimes de baixa velocidade de circulação do veículo.

Figura 2-10 Modo Elétrico (Adaptado de Autonomie).

Modo Mecânico (Paralelo)

No modo mecânico ou paralelo toda a potência é fornecida pelo ICE. Grande parte da potência é

fornecida diretamente às rodas e uma pequena parte ao gerador e motor elétrico para o controlo de

transmissão, sendo que neste caso a bateria não é usada. A Figura 2-11 ilustra o fluxo de potência

durante o modo de condução mecânico.

15

Figura 2-11 Modo Mecânico (Adaptado de Autonomie).

Modo de Carregamento da Bateria

Durante o carregamento da bateria, a potência do veículo é fornecida pelo ICE. O ponto de

funcionamento do ICE é sempre escolhido tendo em vista a máxima eficiência. Verifica-se que os

picos de maior eficiência são atingidos em pontos de funcionamento do motor em que a sua potência

disponível é mais elevada. Assim, a potência excessiva que não é utilizada para as necessidades do

veículo pode então ser acumulada na bateria, através do gerador. Geralmente, o motor elétrico neste

modo de funcionamento, encontra-se desligado mas pode acontecer que também possa fornecer

potência às rodas. Outra possibilidade é o motor elétrico funcionar como gerador, sendo a bateria

alimentada pelo gerador e pelo motor elétrico. A Figura 2-12 ilustra o momento em que o motor

elétrico se encontra desligado.

Figura 2-12 Modo de Carregamento da Bateria (Adaptado de Autonomie).

16

Modo Assistido

No modo assistido, o motor elétrico auxilia o motor de combustão na propulsão do veículo (Figura

2-13). A potência do motor elétrico é fornecida maioritariamente pela bateria e apenas uma pequena

parte é fornecida pelo gerador. É normalmente utilizado quando é necessária potência adicional por

um período de tempo curto, por exemplo, para a aceleração em ultrapassagens.

Figura 2-13 Modo Assistido (Adaptado de Autonomie).

Modo Travagem Regenerativa

No caso em que o veículo é desacelerado, o motor elétrico assume o papel de gerador ao converter

a energia mecânica dos travões em energia elétrica, armazenando-a na bateria, dispensando, desta

forma, o uso de travões usados em veículos convencionais (Figura 2-14).

Figura 2-14 Modo Travagem Regenerativa (Adaptado de Autonomie).

17

2.2.5 Híbrido Plug-In (PHEV)

O veículo Híbrido Plug-In (PHEV) é um veículo híbrido com a particularidade de a bateria poder ser

carregada a partir da rede elétrica, através de tomadas elétricas convencionais ou postos de

abastecimento. Quando usado em curtas distâncias, pode ser usado como um veículo 100% elétrico,

ou seja, semelhante ao BEV. A tecnologia Plug-In pode ser associada a qualquer uma das

configurações mencionadas anteriormente, PHEV- S (Híbrido Série Plug-In), PHEV-P (Híbrido

Paralelo Plug-In), e PHEV-SP (Híbrido Combinado Plug-In), aumentando o seu grau de hibridização.

A Figura 2-15 representa o funcionamento de um PHEV.

Figura 2-15 Estado de Carga da Bateria (PHEV) (Ribau, 2009).

Podem diferenciar-se três zonas distintas no funcionamento de um veículo PHEV: a zona de

Charge Depleting (CD), a zona de Charge Sustaining (CS) e a zona de carregamento Plug-in.

Quando o veículo híbrido se encontra na zona CD, o seu comportamento é em tudo semelhante a um

veículo BEV, em que a bateria vai descarregando à medida que é requerida a energia. Quando é

atingido um nível mínimo de SOC (estado de carga da bateria) a partir do qual a carga da bateria não

deve baixar, é iniciado o modo CS (charge sustaining), que poderá ser definido pelas características

da bateria ou pela estratégia da gestão energética. Neste modo de funcionamento, o motor a

combustão é ligado a fim de manter o nível de SOC no valor pretendido, evitando que a bateria

descarregue em demasia. Diferentes estratégias na gestão de energia podem ser usadas. Neste caso

apenas existiu um ciclo CD e CS, no entanto estes dois modos podem ser alternados com vista ao

aumento da autonomia elétrica e consequente diminuição de consumo de combustível. Em qualquer

altura pode ser carregada a bateria via Plug-in, dando início a outro ciclo.

Existem várias vantagens no uso deste tipo de veículos, devido ao aumento de autonomia elétrica,

permitindo a este tipo de veículos consumir menos combustível, quando comparado a um ICEV ou

um HEV. Este fator tem efeitos diretos na diminuição de produção de gases poluentes a nível local e,

consequentemente, um crescente efeito benéfico a nível global, à medida que estratégias de

implementação de energias renováveis vão sendo tomadas (Mi et al., 2011). Uma das propostas no

18

plano de Estratégia Nacional para a Energia em 2020 (ENE, 2020) passa por substituir por

eletricidade 10% do consumo de combustível no setor rodoviário.

Um dos principais entraves a este tipo de veículos é o seu preço final de venda ao consumidor.

Apesar dos diversos incentivos fiscais, por parte dos governos, ainda é uma tecnologia cara quando

comparada com a dos veículos convencionais.

2.3 Software de simulação de veículos

Diversos programas têm sido concebidos e disponibilizados, pela indústria automóvel e

universidades, com o objetivo de simular o comportamento dos veículos rodoviários (convencionais e

alternativos) em estrada. Na Secção 3.1 será descrito, em detalhe, o programa ADVISOR, utilizado

para o estudo realizado na presente tese. Contudo será feita, nesta secção, uma breve descrição de

outros programas de simulação relevantes, nomeadamente:

ECOGEST

O Ecogest é um programa que permite calcular o consumo de combustível e emissões de

poluentes de um veículo ICEV, usando uma abordagem backward-facing “de trás para a frente”,

escrita em Visual Basic. Permite simular veículos convencionais (gasolina e diesel), assim com

veículos movidos a combustíveis alternativos (GPL, Etanol, Metanol, etc.) em ciclos de condução

reais, tendo em consideração a topografia, peso do veículo, transmissão e gases de escape. Permite,

também, registar a velocidade de rotação do motor, declive do percurso e consumo de combustível

em cada instante. O Ecogest dispõe ainda de uma biblioteca de mapas de consumo de combustível e

emissão de poluentes (HC, CO e NOx) para diferentes temperaturas do motor (Silva et al., 2006).

AUTONOMIE

O AUTONOMIE é uma ferramenta de modelação desenvolvida pelo Argonne National Laboratory

(ANL), com o intuito de simular sistemas e subsistemas de veículos em diferentes fases de

desenvolvimento, podendo estes ser projetados de raiz. Este software utiliza modelos quasi-estáticos

e dinâmicos que permitem uma abordagem da “frente-para-trás” e de “trás-para a frente” ou ambas,

em simultâneo. Os softwares de simulação são, hoje em dia, cada vez mais utilizados no

desenvolvimento de novos veículos, pois permitem uma redução de custos materiais e de tempo. O

AUTONOMIE foi desenvolvido de forma a simplificar o processo produtivo, realizando simulações

com enfoque na eficiência e redução de custos. O grande espectro de aplicação deste software faz

com que seja uma das mais sofisticadas ferramentas na análise de sistemas, disponível no mercado,

em constante desenvolvimento nesta área (Autonomie, 2014).

19

AVL CRUISE O AVL CRUISE é um software comercial desenvolvido pela AVL (AVL, 2014). É usado na análise

de sistemas avançados de veículos e sistemas de transmissão. Iniciou o seu desenvolvimento em

1998 e, em 2010, lançou a 14ª versão de software. Esta ferramenta permite analisar o balanço entre

a economia de combustível, emissões, desempenho do veículo e qualidade de condução, para

veículos convencionais e alternativos, usando uma abordagem dinâmica e/ou quasi-estática. O AVL é

considerado uma das ferramentas mais poderosas, robustas e flexíveis disponíveis na indústria na

análise de veículos e sistemas de transmissão, com vista à simulação e otimização. É desenvolvido

em linguagem C com ligação ao ambiente MATLAB/Simulink. Permite analisar todas as fases do

veículo desde o planeamento, à conceção e lançamento no mercado. Os veículos possíveis de serem

simulados vão desde o convencional ICEV, BEV até aos mais avançados veículos híbridos, movidos

a motor de combustão interna HEV ou a pilha de combustível FCHEV, ambos com a possibilidade de

serem plug-in (P-FCHEV e P-HEV). Devido à sua estrutura e sistema de gestão de dados, este

software permite estabelecer o contacto entre diferentes equipas dos principais fabricantes de

componentes e veículos e os seus fornecedores.

2.4 Otimização em veículos alternativos

O tipo de configuração hibrida, o dimensionamento dos componentes e a estratégia de gestão de

energia afetam, significativamente, o desempenho do veículo, custo, consumo de combustível, e

emissões de poluentes. A otimização do sistema de controlo de gestão de energia e o

dimensionamento dos principais componentes de propulsão de um veículo híbrido, representam uma

área em grande desenvolvimento e investigação, uma vez que permitem melhorar a eficiência e

diminuir os custos dos veículos. Existem diversos algoritmos de otimização, com foco na otimização

do dimensionamento de componentes para diversos tipos de configurações de veículos,

nomeadamente: convencionais, elétricos, híbridos (série, paralelo, série/paralelo) e híbridos plug-in.

Segue-se uma pequena revisão bibliográfica de estudos de otimização de componentes do sistema

de propulsão, para diferentes configurações de veículos ligeiros híbridos.

Com vista a minimizar o consumo de combustível de um veículo HEV com configuração em

paralelo Gao e Mi (2007) dimensionaram os componentes do sistema de propulsão, tendo em conta

constrangimentos de desempenho, usando e comparando quatro métodos diferentes: algoritmo

genético (GA), algoritmo DIRECT (Divided RECTangles), Particle Swarm Optimization (PSO) e

algoritmo Simulated Aneealing (SA). Analogamente Liu et al. (2007) implementaram um método

híbrido que associa o GA com programação quadrática sequencial (SQP), permitindo melhorar os

tempos de convergência e alcançar uma diminuição no consumo de combustível.

Para uma configuração em paralelo, também com o objetivo de minimizar o consumo de

combustível, Zhang et al. (2008) otimizaram a estratégia de gestão de energia de um HEV. Ainda

20

para o mesmo tipo de veículo e objetivo de otimização, Desai et al. (2010) para além da estratégia de

gestão de energia, otimizaram a potência do motor a combustão interna e o tamanho das baterias.

Considerando um veículo PHEV, Wu et al. (2011) minimizaram o custo do sistema de transmissão

usando um algoritmo de otimização Parallel Chaos Optimization, PCOA.

Os resultados dos estudos anteriores demostraram melhorias significativas em termos de eficiência

e custo, relativamente a um veículo convencional e a um veículo híbrido de referência não otimizado.

No caso de existirem vários objetivos de otimização, Desai et al. (2010) referem a otimização

multiobjetivo como uma forma de obter um conjunto de soluções em equilíbrio com os vários objetivos

(soluções trade-off), nomeadamente a otimização do consumo de combustível conjuntamente com a

redução emissões.

Para além dos veículos híbridos com motor de combustão interna, existem ainda opções que usam

uma pilha de combustível como fonte principal de energia. Estes veículos são mais raros, uma vez

que se encontram numa fase de desenvolvimento. Contudo, existem inúmeros estudos de otimização

aplicada a estes veículos com algum interesse.

Apesar de a generalidade dos veículos otimizados ser da categoria de veículos ligeiros, Gao et al.

(2008) otimizaram um autocarro FC-HEV relativamente à minimização do consumo de combustível.

Com o mesmo objetivo, Jain et al. (2009) e Ribau et al. (2014) otimizaram um autocarro híbrido

considerando a estratégia de gestão de energia e o dimensionamento dos componentes.

Considerando também o dimensionamento de componentes e estratégia de gestão de energia em

veículos FC-HEV Kim e Peng (2007), usando um algoritmo de programação dinâmica,

dimensionaram a pilha de combustível e a bateria, minimizando o consumo de combustível. Em Ribau

et al. (2014), os componentes de um autocarro FC-HEV foram otimizados recorrendo a algoritmos

genéticos uni e multiobjetivo, para minimizar o consumo de combustível, o custo dos componentes e

as emissões em ciclos de condução reais e sintéticos. Recorrendo a algoritmos genéticos, Jain et al.

(2009), para além de otimizarem o consumo de combustível e o peso do veículo, fizeram uma análise

de custo.

Usando um método em tempo real de divisão de potência para um veículo FC-PHEV, Kelouwani et

al. (2013) conseguiram diminuir a potência requerida pelas baterias, sobretudo na situação de pára-

arranca, e limitar a sua energia mínima. Estes resultados permitiram aumentar o tempo de vida das

baterias e diminuir o consumo de hidrogénio em 5%.

Os veículos híbridos equipados com pilha de combustível apresentam uma eficiência maior quando

comparados com o mesmo veículo equipado com um motor a combustão interna. O facto de não

emitirem gases de efeito estufa a nível local, e terem uma maior independência dos combustíveis

fósseis, tem incentivado o desenvolvimento desta tecnologia. Apesar das vantagens apresentadas, o

elevado custo tecnológico, a produção de hidrogénio e a necessidade de implementar de raiz uma

infraestrutura capaz de corresponder às necessidades do utilizador, afastam atualmente esta

tecnologia do mercado de vendas da indústria automóvel.

Os estudos referidos anteriormente têm grande importância no tema de otimização dos veículos, e

demonstraram ser possível melhorar a eficiência dos veículos híbridos por meio de otimização do

21

sistema de propulsão. No entanto, são raros os estudos que implementam otimização multiobjetivo

dos componentes de um veículo híbrido combinado considerando o impacto de ciclo de vida e a

análise financeira da solução otimizada em condições reais de condução. Por este facto, neste

trabalho será aplicado este caso de estudo, tendo ainda em conta diferentes cenários de condução

para um veículo em serviço de táxi. Para além do dimensionamento dos componentes, são ainda

propostos diferentes modelos.

2.5 Ciclo de vida em veículos

A análise do ciclo de vida de um veículo é composta por três fases principais: produção do

combustível, distribuição e armazenamento – Well-to-Tank (WTT); combustível utilizado pelo veículo

– Tank-to-Wheel (TTW) e materiais utilizados na construção e montagem do veículo, posteriormente

depositados ou reciclados – Cradle-To-Grave (CTG). Muitas vezes as duas primeiras fases (WTT e

TTW) são analisadas em conjunto e designadas por Well-to-Wheel (WTW). A análise do ciclo de vida

de um veículo surge como uma ferramenta importante que permite não só avaliar a eficiência do

veículo mas, simultaneamente, o seu impacto ambiental, a nível local e “global”.

Em Edwards et al. (2011) e em Kromer e Heywood (2007) é possível encontrar uma análise do ciclo

de vida WTW, para diversos tipos de combustíveis e configurações de veículos. Para além do ciclo do

combustível, em Baptista et al. (2010) e em Kromer e Heywood (2007) existe também uma extensa

análise dos materiais do veículo, CTG, para vários sistemas de propulsão convencionais, elétricos,

híbridos e de pilha de combustível. Focando-se na configuração de um híbrido com pilha de

combustível, em Baptista et al. (2011), além de uma análise WTW é também considerada uma

análise CTG. Em Silva et al. (2009) é realizada uma análise de WTT e CTG, comparando duas

configurações (série e paralelo) para um veículo PHEV, em ciclos de condução sintéticos.

Em Ferreira et al. (2011) é analisado o ciclo de vida do hidrogénio, considerando a energia

requerida e emissões produzidas na sua produção a partir de cascas de batata e cana-de-açúcar. No

mesmo artigo foi ainda feita uma análise TTW a diversas configurações de veículos. Uma das

conclusões do estudo realça a competitividade em termos energéticos e ambientais dos veículos

movidos a pilha de combustível.

Por sua vez, Ribau et al. (2013) para além de fazerem uma análise de ciclo de vida ao combustível

de um HEV-S, os componentes principais do veículo foram dimensionados (Pilha de combustível,

bateria e motor elétrico), recorrendo a um método determinístico em que se fixa a relação dos

componentes por meio de funções analíticas. O objetivo deste estudo era otimizar o

dimensionamento dos componentes, a fim de encontrar a solução com menor consumo energético,

em ciclos de condução sintéticos e reais. Em Ribau et al. (2014) a minimização do impacto de ciclo de

vida (em emissões de CO2 equivalente) e a minimização do consumo de combustível em TTW foram

alcançadas para veículos híbridos pesados de passageiros com pilha de combustível. Tal como em

Baptista et al. (2011), este estudo permite compreender o impacto de cada componente e de cada

fase do ciclo do veículo, em todo o ciclo de vida.

22

Considerando a relevância dos estudos acima referidos, neste trabalho pretende-se otimizar um

híbrido em configuração combinada com um motor de combustão interna, com o objetivo de

minimizar o impacto em ciclo de vida e maximizar o retorno financeiro do veículo, destinado a prestar

um serviço de táxi (Capítulo 3).

23

3 Metodologia

Neste capítulo é apresentada a metodologia utilizada na análise e otimização do veículo híbrido.

Inicialmente, será feita uma breve descrição do software de simulação ADVISOR e dos ciclos de

condução (sintéticos e reais) em que os veículos vão ser simulados, sendo depois apresentadas as

características do veículo de referência, assim como as características do veículo HEV-SP, a partir do

qual se desenvolve o estudo de otimização. Uma vez que os objetivos de otimização focam o impacte

de ciclo de vida e o custo, é feito uma descrição da análise de ciclo de vida tendo em consideração o

ciclo do combustível e o ciclo dos materiais do veículo, sendo posteriormente feita uma análise aos

custos de operação e do sistema de propulsão dos veículos de referência e dos veículos a otimizar.

Por fim, é discutido o método utilizado na otimização com recurso a um algoritmo genético

multiobjetivo (NSGA-II), que seleciona diferentes modelos e parâmetros de dimensionamento de cada

componente, de forma a criar um conjunto de possíveis soluções, tendo em conta a minimização do

impacte de ciclo de vida e a maximização do retorno financeiro.

3.1 Simulação de veículos – ADVISOR

O software de simulação de veículos rodoviários ADVISOR (Advanced Vehicle Simulator) foi o

software utilizado neste estudo para simular os veículos (de referência e durante a otimização) em

determinadas condições de condução (Secção 3.2).

O ADVISOR foi primeiramente desenvolvido pelo National Renewable Energy Laboratory, em 1994

(NREL, 2014). Foi projetado para ser uma ferramenta de análise do U.S. Department of Energy (DOE,

2014), no desenvolvimento de tecnologias para veículos híbridos (HEV) produzidos pela Ford,

General Motors e DaimlerChrysler. Foi desenhado com o objetivo principal de compreender as

interações entre os diferentes componentes do veículo (motor, bateria, gerador,...) e o seu impacto no

desempenho e consumo de combustível (Markel et al., 2002). O ADVISOR funciona em ambiente

MATLAB/Simulink (MathWorks, 2013). Diversas tecnologias automóveis podem ser simuladas para

diferentes configurações de veículos, tais como: ICEV, BEV, FCEV (com pilha de combustível) e

HEV. Após a simulação, são fornecidos dados que permitem caracterizar o comportamento do veículo

para um determinado percurso. O consumo de combustível e energia elétrica e a emissão de gases

de escape são alguns dos dados fornecidos pelo programa. Outras informações relevantes são

igualmente disponibilizadas, por exemplo, o desempenho individual de cada um dos componentes e a

forma como foram satisfeitos os requisitos da simulação (por forma a perceber, por exemplo, se a

potência e binário do motor são suficientes para cumprir um determinado trajeto). No caso particular

da bateria é possível, a partir dos dados do estado de carga, fazer uma análise do modo como é feita

a gestão de energia do veículo. O ADVISOR é constituído por uma interface gráfica (GUI, graphical

user interface) onde são definidas as características do veículo, ciclo de condução e realizada a

análise de desempenho do veículo (Velocidade máxima, tempo de aceleração, etc.) do consumo de

combustível e emissões. A GUI é composta por três janelas principais. Na Figura 3-1 é ilustrada a

janela de inserção de dados do veículo.

24

Figura 3-1 Primeira janela do ADVISOR onde são escolhidos os veículos e os respetivos componentes e

ajustados os valores nominais para cada componente.

Para cada componente existe um ficheiro MATLAB que contém todas as características

necessárias à sua modelação. Na janela da Figura 3-1 são definidos os componentes do veículo

e as características principais, sendo seguidamente descritas as opções mais relevantes na

elaboração deste estudo:

Vehicle

Onde são definidas as características físicas da carroçaria e chassis do veículo (peso,

coeficiente de arraste, área frontal, centro de gravidade, etc.) e constantes físicas (gravidade e

densidade do ar).

Fuel Converter

Nesta opção é escolhido o conversor de energia (motor de combustão interna, ou pilha de

combustível), sendo que para o caso do ICE o tipo de combustível pode diferir entre diesel e

gasolina. A potência e eficiência podem também ser ajustadas, sem ter que alterar os ficheiros.

Energy Storage

Aqui podem ser definidos diferentes tipos de bateria (Pb, Li, NiMh, NiCd) e ajustado o número

de módulos.

Motor

Nesta opção é possível selecionar motores elétricos de tração de íman permanente com

corrente contínua ou de indução com corrente alternada.

25

Generator

Semelhante à escolha do motor elétrico, permite escolher o gerador.

Transmission

Transmissão automática ou manual de uma ou mais velocidades.

Wheel/Axle

Raio da roda, coeficiente de rolamento.

Powertrain Control:

Para cada configuração do veículo (série, paralelo, serie/paralelo, etc.) pode ser definido ou

ajustada uma estratégia de gestão de energia.

Na Figura 3-2 é ilustrada a janela de inserção de dados referentes ao percurso a simular pelo

veículo. Para diferentes ciclos de condução é possível observar graficamente as suas propriedades

(duração, distância, velocidade máxima, velocidade média, aceleração média). Existe também a

possibilidade de efetuar testes de aceleração e de declive assim como, alterar as condições iniciais

do veículo (arranque a frio ou a quente) e condições atmosféricas. Outra opção, também disponível

nesta janela, é o SOC Correction que permite definir uma tolerância para o modo CS da bateria para

veículos híbridos (ver Secção 3.1.1).

Figura 3-2 Segunda janela do ADVISOR onde é definido o ciclo de condução assim como o ajuste dos

seus parâmetros (SOC correction, condições iniciais do veículo, etc.).

26

A terceira janela do ADVISOR (Figura 3-3) apresenta os resultados obtidos, de acordo com as

condições anteriormente definidas. Podem ser analisados valores referentes ao consumo,

emissões e desempenho (velocidade máxima, aceleração). São também apresentados gráficos

com registo de binário, velocidade, voltagem da bateria, etc., em função do tempo.

Como ferramenta de análise iterativa, o ADVISOR utiliza a combinação de duas abordagens,

“de trás para frente”, backward-facing, e “da frente para trás”, foward-facing. Na primeira,

backward-facing, a informação flui no sentido da roda para o sistema de propulsão. Neste

sentido, cada componente apenas fornece a velocidade ou binário ao componente seguinte de

acordo com a informação que recebeu do componente anterior, sendo por isso um bom método

para o cálculo da eficiência dos componentes. Na segunda abordagem, foward-facing, a

informação flui no sentido reverso (do controlo até às rodas e percurso), onde é incluído um

modelo de comportamento humano que procura modelar os comandos de aceleração e

travagem durante o trajeto.

Figura 3-3 Terceira janela do ADVISOR onde são apresentados os resultados da simulação.

Embora a maioria dos dados de modelação se encontrem descritos em ficheiros MATLAB

(ficheiros.m), a simulação ocorre em ambiente Simulink que se resume basicamente a um

diagrama de blocos (Figura 3-4), onde são chamadas e controladas todas as relações de

funcionamento do veículo, incluindo as equações e os ficheiros de cada componente.

Os modelos utilizados pelo ADVISOR são na sua maioria empíricos e baseados na

extrapolação de resultados de dados laboratoriais. Em alguns dos casos é utilizada uma

abordagem quasi-estatica, em que são realizados testes no estado estacionário (por exemplo,

binário e velocidade constante), sendo posteriormente feitas correções a efeitos transientes,

como a inércia de alguns componentes. Derivado da abordagem quasi-estática o ADVISOR não

27

deve ser utilizado para avaliação de fenómenos físicos com uma escala de tempo muito curta

(como por exemplo, vibrações e oscilações do campo elétrico).

Figura 3-4 Diagrama de blocos do MATLAB/Simulink.

Neste estudo, a validação do software não foi realizada. No entanto, existem estudos onde o

ADVISOR foi utilizado, exaustivamente, e onde foi validado em alguns veículos convencionais e

alternativos (K.B. Wipke et al., 1999; Silva et al., 2006; Markel et al., 2002; Baptista et al., 2011).

3.1.1 SOC CORRECTION

De entre o conjunto de opções que podem ser selecionadas na janela de inserção de dados de

simulação do ADVISOR (Figura 3-2) existe uma, denominada SOC Correction que, devido à sua

importância, será discutida nesta secção.

Quando o veículo híbrido se encontra em funcionamento, existe uma flutuação no estado de carga

da bateria, que varia dependendo das suas características (voltagem, potência, capacidade, etc.), do

tipo de condução e da forma como é feita a sua gestão de energia. Como descrito na Secção 2.2, ao

contrário de um veículo BEV que vai descarregando a bateria consoante a energia é requerida, num

HEV existe a condição de que a bateria deverá manter o seu nível de carga (SOC) dentro de certos

limites, para que a bateria não seja descarregada. Este é o modo geral de funcionamento de um HEV

(o modo CS, charge sustaining). Por vezes, de forma a diminuir o consumo de combustível, o

software de simulação (uma vez que a estratégia de gestão de energia tem alguma liberdade) pode

incorrer num uso excessivo da bateria, fazendo com que o seu nível desça em demasia. Note-se que

tanto o nível de carga da bateria como a gama de funcionamento num HEV não tem uma definição

própria e global; ou seja, pode ser diferente em todos os veículos consoante o fabricante. Existe, no

entanto, a convenção que num HEV o estado de carga inicial tem de ser igual ou semelhante ao

estado final, mas sem a definição quantitativa.

28

Com o objetivo de colmatar este problema, e de forma a que os veículos simulados sejam

imparcialmente comparáveis, é utilizado o SOC Correction que permite definir uma tolerância para o

modo CS da bateria em veículos híbridos (ver Secção 2.2), obrigando a bateria a ser usada dentro

dos limites pretendidos. O SOC Correction é referido, entre um conjunto de testes e procedimentos

para medir e analisar veículos híbridos (SAE J1711) pela Society of Automotive Engineers (SAE,

2010), que considera, que um HEV está em modo CS, caso o nível de carga da bateria não varie

mais que 2% entre o início e o final de uma viagem (∆SOC). O SOC Correction é feito pelo ADVISOR,

selecionando a opção SOC Zero Delta Correct, cujo algoritmo é descrito em baixo.

SOC Zero Delta Correct

1. O nível inicial da bateria, SOC inicial (SOCi), é definido como uma média entre os limites de

funcionamento da bateria SOCmax e SOCmin, que são previamente estabelecidos - Equação (3).

SOC�,� = (SOC�á� + SOC��)/2 (3)

2. Durante a simulação do veículo, se o SOC final da bateria variar mais do que 2% do SOC inicial

(SOCi), o seu valor é recalculado de acordo com a Equação (4), onde o ∆SOC representa a variação

do SOC da bateria. Um novo valor de SOCi é calculado partindo do valor de SOCi,0 (SOC inicial na

primeira simulação) e somado o valor de ∆SOC, multiplicado por um fator peso. O fator peso w é

escolhido para que numa simulação o SOC resultante esteja uns pontos à esquerda e à direita do

ponto neutro (∆SOC igual a zero) (Figura 3-5).

SOC�,�� = SOC�,� + w(∆SOC) (4)

3. Depois de o ponto neutro se encontrar encurralado, após algumas simulações/iterações (valores

de ∆SOC positivos e negativos, ou pontos 2 e 3 na (Figura 3-5), o novo valor de SOC é calculado

recorrendo a uma interpolação linear Equação (5).

SOC�,�� = interp[SOC$∆SOC��,%&'(, SOC$∆SOC��,�)*(] (5)

Com o decorrer do processo iterativo, o valor de ∆SOC vai diminuindo (pontos 2 e 4) e é repetido o

ponto 3 até o valor de SOC estar localizado dentro da tolerância pretendida (ponto 5). Neste estudo

de otimização foi considerada uma tolerância de 2% para o ∆SOC (Figura 3-5).

O limite máximo de iterações permitidas pelo ADVISOR é 15, no entanto, na maioria das

simulações, este número é menor que 5. De forma a testar o número de iterações necessárias, foi

simulado o veículo HEV de referência (ver Secção 3.3.2), no ciclo de condução sintético NEDC

(Figura 3-7, Secção 3.2), tendo o SOC Correction convergido ao fim de 2 iterações. A escolha dos

29

parâmetros de SOC da bateria no processo de SOC Correction ajusta também a gestão energética

entre componentes, de forma a que o ∆SOC seja o apropriado.

Figura 3-5 Processo iterativo do cálculo do SOC Correction.

Figura 3-6 Número de iterações necessárias até à convergência do SOC Correction.

3.2 Ciclos de condução

Na simulação do veículo, foram utilizados três ciclos de condução: um ciclo sintético (oficial) e dois

ciclos medidos reais. O ciclo sintético utilizado foi o NEDC (New European Driving Cycle) (Figura 3-7),

que pretende simular o percurso típico de um veículo europeu (DieselNet, 2014). Os ciclos reais

foram o Baixa-Lisboa (BL) (Figura 3-8 e Figura 3-9) e Lisboa-Cascais (LC) (Figura 3-10 e Figura 3-

11). Os dois ciclos foram medidos usando um sensor de velocidade e um GPS equipado com um

altímetro barométrico. Os restantes dados foram recolhidos a partir do computador de bordo do

veículo de teste (porta OBD) (Ribau et al., 2013). As características dos três ciclos (NEDC, LB e LC)

estão resumidas na Tabela 3-1. Note-se que apenas os ciclos reais consideram variação de declive.

30

Figura 3-7 Perfil de velocidade do ciclo de condução NEDC.

Figura 3-8 Perfil de velocidade do ciclo de condução Baixa-Lisboa.

Figura 3-9 Declive do ciclo de condução Baixa-Lisboa.

0

20

40

60

80

100

120

0 200 400 600 800 1 000 1 200

Vel

ocid

ade

(km

/h)

Tempo (s)

0102030405060708090

0 250 500 750 1000 1250 1500 1750 2000 2250 2500 2750 3000 3250 3500 3750 4000 4250 4500

velo

cida

de (k

m/h

)

Tempo (s)

-13-11

-9-7-5-3-113579

1113

0 250 500 750 1000 1250 1500 1750 2000 2250 2500 2750 3000 3250 3500 3750 4000 4250 4500

decl

ive

(%)

Tempo (s)

31

Figura 3-10 Perfil de velocidade do ciclo de condução Lisboa-Cascais.

Figura 3-11 Declive do ciclo de condução Lisboa-Cascais.

Tabela 3-1 Características dos ciclos de condução.

3.3 Veículos de referência

Foram considerados dois tipos de veículos de referência: um ICEV e um HEV, baseado no modelo

Prius da Toyota. O ICEV de referência é utilizado para comparar os resultados de otimização e para

calcular o ganho financeiro (ver Secção 3.5).

3.3.1 ICEV

O veículo de referência considerado apresenta uma configuração ICEV (Figura 2-1). As

características e desempenho do veículo são baseados num ICEV real, a fazer o serviço de táxi na

0

20

40

60

80

100

120

0 250 500 750 1000 1250 1500 1750 2000 2250 2500 2750

Vel

ocid

ade

(km

/h)

Tempo (s)

-13-11

-9-7-5-3-113579

1113

0 250 500 750 1000 1250 1500 1750 2000 2250 2500 2750

Dec

live

(%)

Tempo (s)

Ciclo de

Condução

Tempo (s)

Distância (km)

Velocidade Média (km/h)

Velocidade Máxima (km/h)

Aceleração Média (m/s2)

Aceleração Máxima (km/h)

Desaceleração Máxima (m/s2)

Número de

Paragens

Declive

Tipo

NEDC 1184 10,9 33,2 120 0,54 1,06 -1,39 13 Não Sintético Baixa-Lisboa 4630 20,0 15,5 81 0,81 4,44 -6,11 83 Sim Real

Lisboa-Cascais 2705 34,2 45,5 115 0,69 3,89 -10,28 17 Sim Real

32

cidade de Lisboa, em Portugal (Tabela 3-2) (Ribau et al., 2013). Os custos dos componentes foram

calculados com base em Edwards et al. (2011), onde se considera que o ICEV para além do motor,

transmissão e tanque de combustível, integra um sistema turbocompressor e um filtro de partículas

EURO IV. Os dados relativos ao consumo e emissões são apresentados e discutidos no Capítulo 4.

Tabela 3-2 Características do Táxi (ICEV) (Ribau et al., 2013). Peso (kg) 1405

100 ICE

Potência (kW) Binário (N.m@rpm / rotação máxima) 270@2000/4200

Potência dos Acessórios (W) 1000 Raio da Roda (m) 0,32

Coeficiente de Arraste 0,28 Área Frontal (m2) 2,5

Tempo (s) 11 Velocidade Máxima (km/h) 210

3.3.2 HEV

O veículo de referência HEV é baseado no modelo Prius (2010), fabricado e desenvolvido pela

Toyota Motor Corporation (TOYOTA, 2010). O Toyota Prius é um HEV com uma configuração

combinada série/paralelo (Secção 2.4.4) integrado na categoria ligeiro de passageiros. O modelo de

referência é a terceira geração (3G) do Toyota Prius, comercializado em 2010. Devido ao facto de ser

um dos carros mais eficientes, na sua categoria, foi em 2012 o terceiro carro mais vendido em todo o

mundo (Bloomberg, 2012). Os parâmetros que serviram de base a este veículo de referência, são

apresentados na Tabela 3-3.

Tabela 3-3 Características do Veículo de Referência (Bravo, 2012).

Componente Parâmetro Valor

Carroçaria

Peso do Veículo (kg) 1368 Peso da carga (kg) 70

Densidade do ar (kg/m3) 1,2 Área Frontal (m2) 2,16

Coeficiente de Arraste 0,25 Distância entre Eixos (m) 2,7

Distribuição de peso no eixo da frente 60% Altura do centro de massa (m) 0.57

Gerador Potência Nominal (kW@rpm) 44@1000~14000rpm Binário Máximo (N.m@rpm) 40N.m@1000rpm

Motor Potência Nominal (kW@rpm) 60@14000rpm Binário Máximo (N.m@rpm) 207@2500rpm

ICE Potência Máxima (kW@rpm) 73@5200 Rpm

Binário Máximo (N.m@) 142@4000 Rpm

Bateria

Número de Células 28 Capacidade (Ah/Célula) 6,5

SOC Inicial 60% Potência Máxima (kW) 25

Acessórios Potência (W) 1000

33

3.4 Análise de ciclo de vida

A análise de ciclo de vida destina-se a avaliar aspetos ambientais e potenciais impactes associados

a um produto, processo ou serviço durante todo o ciclo de vida, desde a extração das matérias-

primas até à sua deposição final. No caso específico deste trabalho, a análise de ciclo de vida

destina-se a um veículo ligeiro de passageiros e é composto por três fases principais: produção do

combustível, distribuição e armazenamento – Well-to-Tank (WTT); combustível utilizado pelo veículo

– Tank-to-Wheel (TTW) e os materiais do veículo utilizados na sua construção, e montagem que são

depois depositados ou reciclados - Cradle-To-Grave (CTG) (Rebitzer et al., 2004). Dependendo do

objetivo, a análise de ciclo de vida poderá recair apenas numa ou mais fases do ciclo. Neste estudo

foram consideradas as três fases WTT, TTW e CTG. O WTT é importante uma vez que são

comparados dois tipos de combustível (gasóleo e gasolina); o TTW porque está diretamente

relacionado com a maior ou menor eficiência do veículo e consequentemente com maiores ou

menores emissões de CO2 e consumo de combustível, e o CTG porque na otimização são avaliadas

diferentes configurações de veículos, com maiores ou menores potências e, consequentemente, com

mais ou menos material requerido na sua produção. Frequentemente, a agregação das fases TTW e

WTT é denominada pelo ciclo do combustível, ou Well-to-Whell (WTW).

Neste estudo, para além da energia associada ao ciclo de vida, foram consideradas as emissões

equivalentes de CO2 (CO2eq).

A Equação (6) resume os cálculos de energia e CO2eq requeridos nas fases de ciclo de vida do

veículo e energia consumida.

,-.-/0123 456789 :;�� < 5656=>?@AB . ��; 456789 � ��; 456789DEFE � G�H < 5678I JKL M N>M@B

0123 2OPQR 4SGT� U78 9 :;�� <SGT� U56=>?@AB . ��; 456789 � ��; 4SGT� U78 9DEFE � G�H < SGT� U78I JKL M N>M@B (6)

onde relativamente a fLCA WTT representa o fator de conversão de energia final em primária

(MJ/MJfinal), TTW a energia consumida pelo veículo (MJ/km) e CTG a energia utilizada na produção

do veículo por distância de tempo de vida (MJ/km). Para fLCA CO2eq WTT representa o fator de

conversão de energia final em gCO2eq (gCO2eq/MJfinal), TTW as emissões de CO2eq durante o

funcionamento do veículo (gCO2eq/km) e CTG as emissões de gCO2eq na produção do veículo por

distância de tempo de vida (gCO2eq/km).

O CO2 equivalente é uma medida internacionalmente aceite, que expressa a quantidade de gases

de efeito estufa (GHG) em termos equivalentes da quantidade de dióxido de carbono (CO2eq). O

dióxido de carbono equivalente é o resultado da multiplicação das toneladas emitidas de GHG pelo

seu potencial de aquecimento global (GWP). A Tabela 3-4 inclui, num horizonte temporal de 100

anos, os efeitos do GWP relativos ao CO2.

34

Tabela 3-4 Potencial de aquecimento global relativo ao CO2 (adaptado da Tabela 2.14, IPCC Fourth Assessment Report, 2007) (IPCC, 2007).

GHG Fórmula GWP 100-anos (SAR) GWP 100-anos (AR4) Dióxido de Carbono CO2 1 1

Metano CH4 21 25 Óxido de Azoto N2O 310 298

Hexafluoreto de Enxofre SF6 23900 22800 Hidrofluorcarbonetos (HFCs)

HFC-23 CHF3 11700 14800 HFC-32 CH2F2 650 675

Perfluorcarbonetos (PFCs) PFC-14 CF4 6500 7390 PFC-116 C2F6 9200 12200 PFC-218 C3F8 7000 8830

PFC-3-1-10 C4F10 7000 8860 PFC-318 c-C4F8 8700 10300

PFC-4-1-12 C5F12 7500 13300 PFC-5-1-14 C6F14 7400 9300

3.4.1 Ciclo do combustível ( Well-to-Wheel)

O ciclo do combustível, ou Well-to-Whell (WTW), como já foi anteriormente referido, resulta da

agregação das fases TTW e WTT.

A fase WTT do ciclo de vida refere-se à extração, produção e armazenamento de energia (por

exemplo, do combustível), contabilizando a energia necessária a todo o processo assim como as

emissões de CO2eq.

A energia contabilizada em todos os processos do WTT (MJ/km) não inclui a energia contida no

combustível a ser produzido.

Neste estudo os combustíveis considerados foram: gasolina para o HEV e diesel para o ICEV.

A energia gasta e CO2eq emitido na produção de combustíveis fósseis variam dependendo do tipo

de combustível. Para obter os valores de WTT, além do consumo do veículo num determinado ciclo

de condução é necessário saber o fator de perda energética MJ/MJFinal (a utilizar na Equação (6) para

o calculo do LCA). De acordo com Edwards et al. (2011), são necessários 0,16 MJ para produzir 1 MJ

de diesel, já para a gasolina são necessários 0,14 MJ de energia para produzir 1MJ (0,16 MJ/MJfinal e

0,14 MJ/MJfinal respetivamente). Relativamente às emissões de CO2eq o mesmo relatório refere que

são emitidos 14,2 gCO2eq para produzir 1 MJ de diesel e 12,5 gCO2eq para produzir 1 MJ de gasolina

(14,2 gCO2eq/MJfinal e 12,5 gCO2eq/MJfinal respetivamente).

À energia utilizada e emissões produzidas, durante a operação do veículo, corresponde a fase TTW

do ciclo de vida. No caso do ICEV o combustível utilizado é o diesel enquanto no HEV é gasolina.

Para determinar qual a energia e emissões de CO2 produzidas pelo veículo foi utilizado o software de

simulação ADVISOR (Markel et al., 2002) com vista a simular o comportamento do veículo nos ciclos

descritos no capítulo 3.2 (Tabela 3-1). O uso do ADVISOR como uma ferramenta de análise do

consumo de energia, desempenho e estratégia de gestão de energia é referênciado pela comunidade

científica em diversos estudos. (K B Wipke et al., 1999; Varnhagen et al., 2011; Heywood, 2010;

Burke & Miller, 2009; Lipman & Delucchi, 2006; Lukic & Emadi, 2004).

35

3.4.2 Ciclo dos materiais do veículo ( Cradle-to-Grave)

Os materiais utilizados pelos veículos podem diferir bastante dependendo de vários fatores,

nomeadamente da sua configuração e potência dos componentes. O Cradle-to-Grave (CTG)

considera a energia consumida e emissões produzidas pelos materiais usados na produção,

montagem e processos de reciclagem ao longo do tempo de vida do veículo. Para calcular o impacto

do CTG é necessário ter em conta a distância percorrida ao longo tempo de vida do veículo. Essa

distância pode variar dependendo de vários aspetos, como por exemplo: o fim a que se destina

(pessoal, transporte de mercadorias, transporte passageiros) e o tipo de veículo (pesado, ligeiro).

A diretiva da comissão europeia 2007/46/CE (European Commission, 2009), considera que a

distância de tempo de vida para um veículo ligeiro de passageiros é de 200.000 km. Em 2006, um

estudo sobre as condições de exploração de transportes em táxi na cidade de Lisboa pelo Instituto de

Mobilidade e Transporte (IMTT), a partir de uma amostra de 300 táxis dum universo de 3.490

veículos, verificou que um táxi percorre em média entre 54.600 km e 65.000 km por ano,

considerando 5 e 6 dias de trabalho semanal, respetivamente. Quer isto dizer, que, considerando um

período de vida de 10 anos, um táxi pode percorrer até 650.000 km.

Em Baptista et al. (2010) é referido que a distância percorrida em média durante o período de vida

de um táxi londrino é de 550.000 km. Neste estudo considerou-se um táxi na cidade de Lisboa, onde

é feita uma análise para as diferentes distâncias (200.000 km, 550.000 km e 650.000 km), onde os

valores relativos ao cálculo do CTG (energia e emissões de CO2eq), obtidos através da simulação no

ADVISOR, tiveram como distância de referência 550.000 km. Valores referentes a outras distâncias

foram extrapolados, com recurso a uma folha de cálculo EXCEL, a partir do veículo otimizado para

550.000 km.

Neste estudo, apenas os componentes principais como o motor a combustão, motor elétrico,

gerador e bateria são considerados na análise CTG, uma vez que a carroçaria é a mesma para as

diferentes configurações. O valor de CTG relativo às emissões de CO2eq e energia para cada

componente são descritos pelas Equações (7) e (9) respetivamente e dependem sobretudo da

quantidade de cada componente (onde m representa a massa em kg do respetivo componente, e

REP o numero de substituições do respetivo componente – 1 substituição neste estudo). As

Equações (8) e (10) descrevem a soma das várias parcelas em termos de emissões e energia

respetivamente. O valor de CTG calculado por estas equações é utilizado (juntamente com a

distância de tempo de vida) na Equação (6) para calcular o ciclo de vida, LCA.

,----.----/G�H2OP UVGW�S� 4SGT� U7SX2Y 9 8X2Y

G�H2OP U5G�S� 4SGT� U7SZ2 9 8Z2 G�H2OP UHG�S� 4SGT� U7S[2 9 8[2 G�H2OP U\]�1íI>L�S� 4 SGT� U7S\]�1íI>L9 8_3F`íabc�Wd � 1� G�H2OP U\]�f>Zg�S� 4 SGT� U7S\]�f>Zg9 8_3Fhbij�Wd � 1�

(7)

36

G�H2OP U G�H2OP UX2Y � G�H2OP UZ2 � G�H2OP U[2 � G�H2OP U_3F`íabc � G�H2OP U_3Fhbij (8)

,----.----/G�HX2Y�56� 4 567SX2Y9 8X2Y

G�HZ2�56� 4 567SZ29 8Z2 G�H[2�56� 4 567S[29 8[2

G�H_3F`íabc�56� 4 567S\]�1íI>L9 8_3F`íabc�Wd � 1� G�H_3Fhbij�56� 4 567S\]�f>Zg9 8_3Fhbij�Wd � 1�

(9)

G�HY? kl>@�56� G�HX2Y � G�HZ2 � G�H[2 � G�H_3F`íabc � G�H_3Fhbij (10)

Os fatores (gCO2eq/kgcomponente) e de (MJ/kgcomponente) usados no cálculo das Equações (7) e (9),

respetivamente, são apresentados na Tabela 3-5, e foram baseados em Ribau et al. (2014) e (DOE,

2009).

Tabela 3-5 Fatores de CO2eq e energia usados no cálculo do CTG (MJ e gCO2eq por kg do respetivo componente do veículo) (Ribau et al., 2014; DOE, 2009).

Componente Energia (MJ/kgcomponente)

CO2eq (gCO2eq/kgcomponent)

ICE 48,13 2.840 MC 159,09 10.094 GC 159,09 10.094

BAT (Lítio) 224,71 13.438 BAT (NiMh) 205,15 11.719

Na otimização do veículo apenas foi considerada uma reposição da bateria, isto é, durante o ciclo

de vida do veículo a bateria é apenas substituída uma vez. Dados fornecidos pela Toyota Motor

Company USA (Toyota, 2008) relativos ao Toyota Prius de primeira geração referem que, apesar da

distância coberta pela garantia variar entre 240.000 km ou 10 anos e 160.000 km ou 8 anos

(dependendo da localização), o tempo de vida das baterias é geralmente bastante superior. Diversos

Táxis em Victória, no Canadá, percorreram distâncias superiores a 482.000 km tendo-se mesmo

registado o caso em que o táxi percorreu 644.000 km sem uma única troca de bateria. Apesar dos

valores sugerirem que duas trocas de bateria possa ser suficiente, o fim a que se destina o veículo e

a forma como é utilizado podem influenciar positiva ou negativamente o seu tempo de vida. Nos

resultados é apresentada uma análise de sensibilidade que contabiliza o número de reposições da

bateria.

3.5 Análise de custos de operação

Um dos objetivos na otimização de veículos é o aumento da sua eficiência. No presente estudo, a

minimização do impacto de ciclo de vida pretende melhorar a eficiência do veículo e ao mesmo tempo

do sistema energético. Apesar dessas melhorias, quando analisadas isoladamente, terem implicações

37

positivas, como a diminuição do consumo e emissões poluentes produzidas, o elevado custo a que

muitas tecnologias são disponibilizadas impossibilita a sua introdução no mercado da indústria

automóvel. Neste sentido, é necessário não só otimizar a eficiência mas, ao mesmo tempo, garantir e

otimizar o retorno financeiro, comparando os custos ($/km) do veículo otimizado e do veículo de

referência.

0mn < $78B : GX2Yp�q8rs tq uvtw�78� � < $56Bx> y A ��; 456789x> y ADX2Yp

− : G{Yp�q8rs tq uvtw �78� � << $56B[@yLA>?@ ��;�56 78�⁄ [@yLA>?@BD{Yp

(11)

A Equação (11) permite calcular o retorno financeiro (RF), conhecendo o custo dos componentes

do veículo alternativo (G{Yp� e do veículo convencional �GX2Yp�, o combustível consumido TTW

(MJ/km) e o preço a que é vendido ($/MJ). Apesar do preço dos combustíveis e a taxa de câmbio do

dólar, face ao euro, estarem em constante flutuação, foram assumidos neste estudo os seguintes

custos: gasolina (1,563 €/L ou 0,0647 $/MJ ) e diesel (1,339 €/L ou 0,0512 $/MJ), (DGEG, 2014;

Bloomberg, 2014; University of Bermingham, 2011; BCE, 2014)

Os valores positivos no resultado da Equação (11) implicam um menor custo por distância ($/km)

do HEV face ao ICEV, o que significa um retorno financeiro. De referir que neste estudo, não foram

contabilizados custos fiscais e de manutenção.

A Equação (12) descreve como foram calculados os custos de cada componente do veículo

alternativo, (G{Yp�, onde Li e Nimh se referem ao tipo de bateria (Lítio ou Níquel), m à massa (kg), d à

potência (kW) e W à capacidade da bateria (kWh). Os custos estimados na Equação (12) (baseado

em (Ribau et al., 2014)) foram baseados em vários estudos de análise de custos que assumiram

grande escala de produção (Edwards et al., 2011; Delorme et al., 2009; Satyapal, 2010; Pistoia, 2010;

Mckinsey & Company, 2011; Kwon et al., 2011; DOE, 2013; NREL, 2014; UQM, 2014; KOKAM, 2013;

SAFT, 2014; Kromer & Heywood, 2007). Os principais componentes contabilizados são: motor de

combustão interna (ICE), motor elétrico (MC), controlador (incluído no MC), gerador (GC) e bateria

(BAT).

,-.-/ VGW}~��s�$� 30d � 1230

5G}~��s($) = d (20 (d 85G⁄ ) + 0.25) HG}~��s($) = d (20 (d 8HG⁄ ) + 0.25) \]��v�vs

}~��s($) = W (368 |��(d W⁄ )| + 177) \]��v5ℎ

}~��s($) = 0.8 W (368 |��(d W⁄ )| + 177)

(12)

O custo dos componentes do veículo convencional (GX2Yp), são apresentados na Tabela 3-6

38

Tabela 3-6 Custo do ICEV (Edwards et al., 2011). Componente Custo/Componente ($) Custo ICEV ($)

Motor e Transmissão 3854ab

7072

Turbo 231b

Injeção Direta 1927b

Diesel EURO IV com Filtro de Partículas 899b

Tanque de combustível 161b

a Motor de 100 kW b EUR/USD – 1,28 ( Bloomberg, 2014)

3.6 Otimização do veículo híbrido

Quando num problema de otimização, o que se pretende otimizar, corresponde a mais do que um

objetivo, uma das soluções é atribuir um peso a cada uma das funções objetivo: 5v� �� →5v� �}�0�� }�0��. No entanto, o critério escolhido na atribuição dos pesos, nem sempre é

evidente e o uso de métodos metaheurísticos revela-se mais apropriado (Ribau, 2013).

Nesta dissertação, foi utilizado um algoritmo genético multiobjetivo (NSGA-II), associado ao

software de simulação de veículos ADVISOR, de forma a otimizar um veículo HEV. O seu principal

objetivo é analisar e otimizar o sistema de propulsão de um veículo híbrido para vários cenários de

condução, a fim de minimizar o impacte de ciclo de vida e maximizar o ganho financeiro relativamente

a um veículo convencional.

3.6.1 Componentes para propulsão híbrida

A base do veículo de referência HEV, (com as suas características especificadas na Tabela 3-3), é

utilizada para desenvolver o veículo HEV otimizado. Ou seja, mantendo as características base do

HEV de referência, o motor de combustão interna (ICE), o motor elétrico (MC), o gerador (GC) e a

bateria (BAT) são os elementos otimizados. A fim de otimizar estes componentes, e assim todo o

sistema de propulsão do veículo, para além de dimensionar os componentes serão também

disponibilizados diferentes modelos de componentes. Para otimizar o veículo de referência foram

selecionados modelos com características distintas: 4 motores a combustão internam (ICE), 4

motores elétricos (MC), 1 gerador (GC) e 4 baterias (BAT). Os dados relativos aos diferentes

componentes são apresentados nas Tabelas 3-7 a 3-10. Os ICE, MC, GC, e BAT foram baseados em

componentes reais, utilizados em veículos híbridos existentes, como o Toytota Prius, o GM Volt, e o

Honda Insight.

Tabela 3-7 Modelos - Motores a Combustão Interna (Fonte: a,dADVISOR, a(Bravo, 2012), c(Ribau et al., 2012)).

Modelo ICE_1 a ICE_2 b ICE_3 c ICE_4 d Potência (kW) 43 73 66 50 Peso (kg) 137 173 158 130 Potência específica (kW/kg) 0,31 0,42 0,42 0,38

39

Tabela 3-8 Modelos - Motor Eléctrico (Fonte: a,c,d(UQM, 2014), bADVISOR).

Modelo MC_1 a MC_2 b MC_3 c MC_4 d Potência (kW) 64 18 104 76 Peso (kg) 57 57 102 57 Potência específica (kW/kg) 1,12 0,32 1,37 1,33

Tabela 3-9 Modelo - Gerador (Fonte: (Bravo, 2012)).

Modelo GC Potência (kW) 38 Peso (kg) 33 Potência específica (kW/kg) 1,15

Tabela 3-10 Modelos - Bateria (Fonte: a,d(Saft, 2014), b(KOKAM, 2014), cADVISOR). Modelo BAT_1 a BAT_2 b BAT_3 c6 BAT_4 d Tipo Lítio Lítio Ni-MH Ni-MH Voltagem Máxima (V) 4,1 4,2 9 14 Voltagem Mínima (V) 2,5 2,7 6 10,25 Capacidade (Ah) 7 40 5,5 34 Peso (kg) 35 95 36 9

Para além dos diferentes modelos de ICE, MC, GC e BAT, cada componente é sujeito a um

dimensionamento. O software ADVISOR dispõe de uma função que permite dimensionar a potência

dos componentes. Essa alteração por sua vez influência o peso e material necessário de cada

componente (Melo et al., 2014). Tome-se o exemplo de um motor com 100 kW, e um fator de

dimensionamento de potência de 0,5. Neste caso a potência é reduzida a metade (50 kW), contudo

para o caso em que o fator de dimensionamento toma o valor máximo de 2, a potência passa a 200

kW. No caso das baterias, o dimensionamento da sua potência é feito de forma diferente, visto que é

dimensionado o número de módulos. A forma como os componentes são selecionados e

dimensionados será discutida na Secção 3.6.3. A Tabela 3-11 resume as variáveis de otimização

(genes do cromossoma, ver Secção 3.6.3) a ter em conta:

Tabela 3-11 Resumo dos componentes a serem otimizados (modelo do componente e fator de

dimensionamento), no caso da bateria (modelo do componente e número de módulos).

Componentes a Otimizar Variáveis de Otimização HEV

Componente

Modelo ICE ICE_1 - ICE_4 Dimensionamento ICE 0,5 – 2

Modelo GC GC_1 Dimensionamento GC 0,5 – 2

Modelo MC MC_1 - MC_4 Dimensionamento MC 0,5 – 2

Modelo BAT BAT_1 - BAT_4 Nº Módulos BAT 5 – 100

40

3.6.2 Objetivos de otimização

Os objetivos de otimização são maximizar o retorno financeiro e minimizar as emissões de CO2eq

em ciclo de vida, Equação (13).

5v� �� → 5v� �� −1�0mn�� , 0123 2OP QR(�)� (13)

Onde 0mn(�) representa o retorno financeiro, Equação (11), e 0123 2OP QR(�) corresponde às emissões

CO2eq em ciclo de vida, Equação (8). Uma vez que o objetivo é maximizar 0mn(�) e minimizar

0123 2OP QR(�), 0mn(�) é multiplicado por (-1) de forma a simplificar a resolução deste problema tornando-o

unicamente num problema de minimização.

Outro ponto a ter em consideração na otimização do veículo de referência diz respeito aos

constrangimentos de desempenho a que este deverá estar sujeito para que cumpra os objetivos a

que foi proposto. Por exemplo, um veículo que circule em autoestrada deverá garantir uma velocidade

mínima de pelo menos 120 km/h, ou que as características do motor sejam suficientes para cumprir

as exigências do ciclo de condução (inclinação, velocidade, aceleração, etc.). A Tabela 3-12

apresenta as condições de constrangimento do HEV. Todas as soluções que não cumpram os

constrangimentos serão excluídas (elitismo).

Tabela 3-12 Constrangimentos de Desempenho – HEV. Parâmetro Valor Velocidade Máxima (km/h) >120 Tempo 0 – 100 km/h (s) <15

∆SOC (%) (Secção 3.1.1) <2

3.6.3 Otimização multiobjetivo - NSGA-II

Ainda que existam diversos algoritmos de otimização multiobjetivo, neste estudo, foi utilizado o

NSGA-II (Non-Dominated Sorting Based Multi-objective Genetic Algorithm) desenvolvido por Deb et

al. (2002). O algoritmo genético adapta-se especialmente bem a problemas não lineares, e de

domínio não diferenciável, não convexo, discretos e analiticamente complexos para os quais não é

possível definir uma função analítica que descreva o problema (Ribau et al., 2014). Outra justificação

para o uso de um algoritmo genético é a analogia existente entre o conceito de individuo/genes e o

conceito de veículo/componentes.

Na otimização mono-objetivo, apenas existe uma função-objetivo que se pretende minimizar ou

maximizar, e cujas soluções estão sujeitas a um conjunto de restrições que devem ser satisfeitas.

Quando se pretende otimizar mais do que um objetivo, nem sempre é possível encontrar uma solução

41

que, em simultâneo, satisfaça todos os objetivos, principalmente quando estes entram em conflito

direto.

A formulação matemática na resolução de problemas multiobjetivo é semelhante à que se usa para

problemas mono-objetivo existindo, no entanto, diferenças relativas ao conceito de solução ótima. Na

otimização multiobjetivo, o conceito de solução ótima é substituído pela noção de solução não

dominada ou ótima de Pareto. Uma solução não dominada é uma solução para a qual não é possível

melhorar simultaneamente todas as funções-objetivo, ou seja, a melhoria de uma função objetivo

apenas pode ser alcançada por degradação de pelo menos uma das outras. O conjunto de soluções

não dominadas é designado por frente de Pareto. Este conjunto de soluções reveste-se de grande

importância, pois permite reconhecer os compromissos existentes entre os diferentes objetivos.

Conceito de solução não dominada

No NSGA-II a população é selecionada de acordo com a sua classificação. A atribuição da

classificação é feita comparando as diferentes soluções considerando o seu nível de não dominância

de forma a obter um conjunto de soluções não dominadas (Deb et al., 2002).

Considere-se uma população de indivíduos, X [��, �� . . . �?].

O vetor de decisão �� domina o vector de decisão �� (�� < ��), se e só se:

• �� não for inferior a �� em todos os objetivos, i.e. 0�(x�) ≤ 0�(x�), ∀�.

• �� é estritamente melhor que �� em pelo menos um objetivo, i.e.: ∃� : 0�(x�) < 0�(x�).

Uma solução � diz-se não dominada se não existir nenhuma outra solução que domine �, de

acordo com os termos acima definidos. O conjunto de soluções geradas pelo algoritmo em cada

geração, n, é denominado solução de Pareto, �? (Figura 3-12).

Processo algorítmico do NSGA-II

O NSGA-II inicia-se com a geração de uma população inicial P0, de tamanho N, selecionada de

forma aleatória. Populações pequenas apresentam menores exigências computacionais, no entanto a

pouca diversidade genética pode levar à convergência prematura e à fraca qualidade das soluções

obtidas. Por outro lado, populações grandes podem ser muito exigentes a nível computacional,

elevando o tempo de processamento do algoritmo (Deb et al., 2002).

Neste estudo, um indivíduo representa um veículo HEV com os seus respetivos componentes. O

cromossoma caracteriza a composição dos indivíduos, ou seja, cada cromossoma apresenta

características próprias, genes, que representam neste estudo as variáveis de otimização, ou seja, os

diferentes componentes de cada veículo e o respetivo fator de dimensionamento de potência.

Cada cromossoma é constituído por 8 genes (modelo de ICE, dimensionamento de ICE, modelo de

MC, dimensionamento de MC, modelo de GC modelo, dimensionamento de GC, modelo de BAT,

42

dimensionamento de BAT). Podem-se distinguir dois tipos de gene, o gene modelo e o gene do

dimensionamento. A cada gene do tipo modelo (ICE modelo, MC modelo, GC modelo e BAT modelo)

estão associados diferentes modelos de componentes e aos genes do tipo dimensionamento (ICE

dimensionamento, MC dimensionamento, GC dimensionamento e BAT dimensionamento) estão

associados os fatores de dimensionamento de potência para cada componente. Diferentes

combinações de genes formam diferentes indivíduos que podem ou não ser candidatos à solução do

problema.

O formato do cromossoma de um veículo HEV é descrito na (Figura 3-13).

Figura 3-12 Solução Ótima de Pareto, soluções não dominadas e frente de Pareto, para um problema multiobjetivo (Adaptado de (Cenaero, 2012)).

Figura 3-13 Estrutura do Cromossoma, população, genes e indivíduos.

Depois da população inicial ser gerada (com N número de indivíduos), é feita uma primeira

avaliação a cada indivíduo de acordo com critérios pré-estabelecidos. Esta avaliação é feita com

recurso ao ADVISOR, que permite simular cada veículo (indivíduo) no ciclo de condução pretendido.

É a partir da informação fornecida pelo ADVISOR (consumo de combustível, velocidade máxima,

43

aceleração e comportamento da bateria) que o algoritmo avalia cada solução, incluindo os

constrangimentos definidos na Tabela 3-12, Secção 3.6.2. Para além da avaliação do desempenho

do veículo, as estimativas de ciclo de vida e de retorno financeiro são também calculadas, de acordo

com as Equações (6) e (11), respetivamente (ver Secção 3.4 e 3.5).

A população é classificada de acordo com o seu nível de não-dominância: 1 para o melhor nível; 2

para o segundo melhor, e assim sucessivamente. De seguida, é aplicado um mecanismo de seleção

em que duas soluções competem entre si, sendo escolhida a que apresentar as melhores

características. Este novo conjunto de soluções é utilizado para gerar novas soluções, sendo por isso

chamadas de progenitores (P0).

Após ser selecionada a população de progenitores, a informação contida nos seus genes é

cruzada. Através do cruzamento dos genes são gerados novos indivíduos (descendentes), com

características e aptidões mais ajustadas ao objetivo pretendido.

Existe ainda um processo de mutação, que permite alterar, de forma aleatória, o valor de um dos

genes do indivíduo, potenciando um aumento da diversidade de soluções. A diversidade numa

população permite introduzir novos genes ou recuperar genes perdidos durante o processo de

seleção. Depois da mutação a população de descendentes, Q0, de tamanho N, está concluída.

Uma vez definidas as duas populações P0 e Q0, o passo seguinte é formar uma nova população Rt,

que combina as duas populações, a de progenitores e a de descendentes, Rt = Pt ∪ Qt de tamanho

2N. As soluções de Rt são depois classificadas em níveis de dominância, resultando na identificação

de diferentes frentes não-dominadas, em que aos mais aptos correspondem a F1, F2 e, assim

sucessivamente, até Fn (ver Figura 3-14).

Figura 3-14 Critério de não dominância e critério de crowding distance. (Adaptado de Deb et al. (2002)).

A partir da população Rt, são escolhidos N indivíduos com as melhores características, das várias

frentes não-dominadas F1,F2...Fn, de forma a constituir uma nova geração de progenitores Pt+1. Uma

vez que Rn tem dimensão 2N e Pt+1 tem dimensão N, podendo acontecer que o número de soluções

da última frente a ser adicionada seja superior ao número de soluções necessárias para completar a

nova população. Assim, para completar a nova população o algoritmo recorre a um outro critério de

44

seleção denominado crowding distance, cujo objetivo é selecionar as soluções de forma a obter uma

frente de Pareto mais uniformemente distribuída.

Para calcular o crowding distance, é definida uma distância id que corresponde a uma estimativa do

perímetro de um retângulo (Figura 3-15) que contem a solução v. O fator de espaçamento (id) e a não

dominância de soluções (ind), como referido anteriormente, são os dois aspetos a ter em consideração

na classificação dos indivíduos que constituem a população.

• a solução xi domina a solução xj se ind<jnd , no entanto se ind = jnd, então xi domina a solução xj

se id > jd.

Figura 3-15 Cálculo do crowding distance. ( Adaptado de Deb et al. (2002))

Quer isto dizer, que entre duas soluções que apresentem diferentes classificações de não

dominância, é preferível a que tem uma classificação melhor (ind<jnd). No entanto, se ambas as

soluções apresentam a mesma classificação é preferível a solução que esteja localizada numa zona

de menor densidade de soluções.

Depois de finalizada a população Pt+1, o processo de seleção, cruzamento e mutação são de novo

repetidos de forma a criar uma nova geração de descendentes Qt+1 (Figura 3-16).

Figura 3-16 Esquema da metodologia utilizada no processo de seleção e otimização dos veículos híbridos.

45

O NSGA II foi utilizado com recurso à caixa de ferramentas de otimização do MATLAB (Global

Optimization Toolbox) (MATLAB, 2014). Na Tabela 3-13 são descritos os parâmetros de otimização

do NSGA-II.

Tabela 3-13 Parâmetros de otimização. Parâmetros de otimização

Número de Gerações 200 População 200

DistanceFcna Phenotype ParetoFractionb 0,75

Critério de Paragem TolFunc 0,001

StallGenLimitd 150

aParâmetro que define o espaçamento entre soluções, para este caso foi considerado ‘Phenotype’, significando que é dada

preferência a maior “diversidade” entre o espaço de soluções (em vez de maior diversidade na escolha das variáveis de

optimização, ou seja no espaço do domínio). bParâmetro que define a percentagem de indivíduos da população que integra a frente de Pareto.

c dO parâmetro TolFun e StallGenLimit definem em conjunto que se a diferença entre as soluções não-dominadas for inferior

a 0,001 ao fim de 150 gerações/iterações o algoritmo é terminado.

47

4 Apresentação e discussão de resultados

Neste capítulo serão apresentados e discutidos os resultados obtidos. Na Secção 4.1, apresentam-

se os veículos otimizados para os diferentes ciclos de condução. Na Secção 4.2 é feita uma análise

de ciclo de vida aos veículos otimizados e na Secção 4.3 são apresentadas duas análises de

sensibilidade (influência do número de baterias substituídas e variação do preço do combustível com

o retorno financeiro).

4.1 Otimização do Veículo Híbrido

Os resultados da otimização para o veículo híbrido combinado, HEV, para os diferentes ciclos de

condução são apresentados nas Figuras 4-1, 4-2 e 4-3, e em maior detalhe nas Tabelas 4-1 e 4-2 e

nas Tabelas B1 e B2 (ANEXO B). Nas Figuras 4-1, 4-2 e 4-3 é possível identificar as várias frentes de

Pareto (Secção 3.6.3) relativamente à minimização das emissões de CO2eq em ciclo de vida (g/km) e

à maximização do retorno financeiro ($/km). Os resultados de otimização estão representados em 3

distâncias para o tempo de vida dos veículos, que é um fator que influencia ambos os objetivos

(Secção 3.4 e 3.5).

Figura 4-1 Soluções de Pareto dos veículos HEV resultantes da otimização multiobjetivo para o ciclo de

condução sintético NEDC e comparação com o veículo de referência.

48


condução Baixa-Lisboa e comparação com o veículo de referência.

49


condução Lisboa-Cascais e comparação com o veículo de referência.

Comparativamente ao veículo de referência, o táxi ICEV, é possível verificar que para qualquer

distância de tempo de vida e ciclo de condução, existem soluções ótimas para um táxi HEV, com

retorno financeiro e com menor impacto em ciclo de vida (Figuras 4-1, 4-2 e 4-3). No entanto,

relativamente ao veículo HEV de referência, as soluções ótimas para a composição do sistema de

propulsão são apenas vantajosas nos ciclos NEDC e Lisboa-Cascais (LC). Note-se que existe mais

do que uma solução para cada caso sendo, no entanto, todas as soluções ótimas e não dominadas

(para cada distancia de tempo de vida), e em balanço com todos os objetivos (menor impacto de LCA

e maior retorno financeiro).

Nas soluções encontradas, verifica-se que quanto menor impacte de ciclo de vida, menos retorno

financeiro é possível; ou seja, existe um balanço ótimo entre os objetivos, uma característica deste

tipo de otimização multiobjetivo. Nestas soluções é possível observar que em alguns casos, o menor

impacto de ciclo de vida implica nenhum retorno financeiro. Este especto encontra-se associado ao

tipo de tecnologia escolhido para o sistema de propulsão, o seu custo e a sua eficiência.

Na Tabela 4-1 são detalhados os diferentes veículos otimizados para cada ciclo representados nas

Figuras 4-1, 4-2 e 4-3 (com um tempo de vida estimado de 550.000 km). Os veículos que começam

pela letra A (A1 e A2) correspondem aos veículos otimizados para o ciclo de condução sintético

50

NEDC (ver Figura 3-7), os veículos começados pela letra B (B1, B2 e B3) correspondem aos veículos

otimizados para o ciclo de condução BL (ver Figura 3-8) e os veículos começados pela letra C (C1 e

C2) correspondem ao ciclo de condução LC (ver Figura 3-10). Para cada veículo é indicada a massa

total, a capacidade da bateria e a potência correspondente a cada um dos quatro componentes

otimizados (ICE, MC, GC e BAT). Estes parâmetros são essencialmente resultados das variáveis de

otimização descritas na Secção 3.6.1.

Ao analisar a potência dos componentes dos HEV otimizados, verifica-se que esta é bastante

semelhante entre os veículos simulados nos ciclos NEDC e LC.

Por outro lado, através da análise do ciclo BL, verifica-se que houve um aumento da potência dos

veículos quando comparada com os veículos dos ciclos NEDC e LC. No entanto este aumento de

potência não foi compensado da mesma maneira pelos três veículos. Enquanto o veículo B1

aumentou a potência da bateria e do motor elétrico, o veículo B3 aumentou a potência do ICE

mantendo a potência da bateria (um especto adquirido pelo algoritmo de forma a atingir soluções

mais dispersas pelo espaço). O aumento generalizado na potência dos componentes justifica-se pelo

BL ser de todos, o ciclo mais exigente. Ambos os ciclos LC e BL apresentam declives máximos

semelhantes, no entanto no ciclo BL surgem maior número de situações de pára-arranca (83

paragens) aliado a um elevado declive (Secção 3.2), exigindo potências mais elevadas aos veículos e

consequentemente aos seus componentes. A Tabela 4–2 apresenta o custo dos componentes

correspondentes aos veículos otimizados (tal como apresentados na Tabela 4-1).

Tabela 4-1 Potência dos componentes e massa total dos veículos otimizados para os diferentes ciclos de condução.

Ciclo de Condução Veículo

ICE MC GC BAT Massa do Veículo

(kW) (kW) (kW) (kW) (kWh) Tipo (kg)

NEDC A1 51 61 22 145 2,5 Li 1408

A2 50 46 19 56 1,1 NiMH 1384

Baixa-Lisboa

B1 64 78 28 310 17,8 NiMH 1924

B2 79 96 30 221 9,0 NiMH 1813

B3 107 112 44 74 2,0 NiMH 1601

Lisboa-Cascais

C1 54 69 51 148 2,5 Li 1449

C2 57 57 50 44 0,7 NiMH 1427

Tabela 4-2 Custo de cada componente e custo total dos veículos otimizados para os diferentes ciclos de condução.


Custo ($) Custo Total ($) ICE MC GC BAT

NEDC A1 2747 1393 514 11575 27804

A2 2744 1044 448 2635 9506

Baixa-Lisboa

B1 3145 1605 648 21817 49031

B2 3588 2181 711 15531 37541

B3 4431 2530 1036 3484 14964

Lisboa-Cascais

C1 2846 1570 1198 11743 29100

C2 2951 1184 1167 2099 9501

51

Nas Tabelas B1 e B2 (ANEXO B) são apresentados os resultados detalhados referentes aos

objetivos de otimização (minimização das emissões de CO2eq em ciclo de vida e maximização do

retorno financeiro) para as distâncias de 200.000 km, 550.000 km e 650.000 km (tal como

apresentados nas Figuras 4-1, 4-2 e 4-3).

Os veículos B1, B2 e B3 foram os que apresentaram um maior retorno financeiro, considerando um

tempo de vida de 650.000 km. No entanto para um tempo de vida de 200.000 km isso não se

verificou para o veículo B1 que, além de não ter um retorno financeiro positivo, apresenta o custo por

quilómetro, relativamente ao ICEV, mais elevado de todos (-0,114 $/km). O veículo B1 é também de

todos aquele que apresenta um maior custo total (49.031 $) devido, principalmente, à sua bateria

(21.817 $) que representa cerca de 45% do custo total do veículo (Tabela 4–2). No entanto, o

aumento do tempo de vida faz com que o custo dos componentes tenha um impacto menor quando

comparado com os benefícios resultantes da diminuição do consumo de combustível (Secção 3.5).

Para uma distância de tempo de vida de 650.000 km o veículo B1 apresenta um retorno financeiro

superior a qualquer um dos veículos dos ciclos NEDC e LC. Este facto salienta a importância de que

apesar do elevado investimento inicial em veículos com uma configuração híbrida, comparativamente

a veículos convencionais, o seu custo é minimizado ao longo do tempo pelo menor consumo de

combustível relativamente ao ICEV. Por sua vez, de entre os veículos B1,B2 e B3, o B3 tem um custo

inicial mais baixo e o maior retorno financeiro, no entanto, no que diz respeito às emissões de CO2eq é

o que apresenta um valor mais elevado para um tempo de vida de 550.000 km (Secção 4.2, e Anexo

C). Contudo para 200.000 km os valores de emissão de CO2eq são semelhantes entre os três

veículos. A justificação para estes resultados será discutida na secção 4.2.

No que se refere às emissões de CO2eq em ciclo de vida (Tabelas C, e Secção 4.2) estas são mais

elevadas no ciclo de condução BL uma vez que é onde os consumos de combustível são maiores

situando-se entre os 6,9 l/100km e os 8,7 l/100km (HEV ótimos B1,B2 e B3). Não surpreende o facto

de a diferença entre as emissões do ICEV e os veículos HEV otimizados ser maior no ciclo BL, uma

vez que é onde se registam com mais frequência situações de pára-arranca e menores patamares de

velocidade constante. Para estas condições de funcionamento o ICE revela-se pouco eficiente,

aumentando o consumo de combustível e emissões de CO2eq. Por sua vez, os veículos híbridos

apresentam uma grande vantagem em percursos urbanos dado que tiram partido da energia

armazenada pela bateria, que alimenta o motor elétrico no arranque do veículo, evitando desta forma

o uso do ICE, e aproveitando o facto do MC ter uma eficiência superior e grande capacidade de

binário a baixa rotação (ou arranques).

Assim, para além das reduções das emissões de CO2eq, é também possível obter um retorno

financeiro positivo ainda que o custo inicial do veículo seja mais elevado.

Relativamente ao método de optimização utilizado para obter as soluções ilustradas nas Figuras 4-

1, 4-2 e 4-3, uma das vantagens do algoritmo NSGA-II (como foi descrito na Secção 3.6.3) é o facto

de, perante um conjunto de soluções possíveis, escolher aquelas que se adequam melhor aos

objetivos pretendidos, não exigindo à priori nenhum critério de decisão. Ou seja, tem a característica

52

de conseguir um conjunto de soluções ótimas em ambos os objetivos. Contudo, neste estudo apenas

se conseguiram obter dois pontos para ambos os ciclos NEDC e LC e três pontos para o ciclo BL.

Uma primeira justificação para o reduzido número de soluções pode dever-se ao facto de, embora

existam várias soluções possíveis em termos de veículo HEV, existem poucas soluções não

dominadas nos termos de optimalidade do NSGA-II (Figura 4-4 e Secção 3.6.3). Por outro lado, os

recursos computacionais limitados e o elevado tempo de simulação não permitiram uma análise de

convergência completa de forma a prever um conjunto de resultados possíveis. Neste sentido, o

número de indivíduos (200) e o número de gerações (200) poderá não ter sido suficiente, dada a

abrangência e complexidade do domínio considerado. De facto, de acordo com a Figura 4-2, verifica-

se que o veículo HEV de referência tem, não só um retorno financeiro maior como valores de

emissões de CO2eq menores. Tendo em conta que os componentes deste veículo faziam parte da

base de dados de componentes possíveis de escolher pelo algoritmo, pode concluir-se que o número

de gerações e o número de indivíduos não foi suficiente de forma a encontrar soluções melhores.

Ainda que tenham sido realizadas diversas simulações alternando o número de indivíduos e o

número de gerações da população inicial, o número de soluções, no final da simulação nunca foi

superior a dois.

Figura 4-4 Exemplo de uma frente de Pareto dominada por uma única solução dominante para os objetivos de minimização

de CO2eq e maximização do retorno financeiro.

De referir que o número de gerações e indivíduos, pode ter um peso importante na justificação para

o baixo número de resultados, uma vez que o domínio de otimização, tal como foi descrito na secção

3.6.3 é ao mesmo tempo discreto (diferentes componentes) e contínuo (fator de dimensionamento de

potência), o que implica um elevado número de potenciais candidatos à solução do problema. No

entanto, o domínio de solução é pequeno, quando comparado com o domínio de otimização. Se

tivermos ainda em conta que foram definidos constrangimentos à velocidade máxima do veículo,

aceleração e bateria (ver Secção 3.6.2), o domínio de soluções fica ainda mais condicionado. Ou

seja, tendo em conta um conjunto de soluções possíveis (i.e. conjunto de componentes capazes de

formar um veículo), tem ainda de existir soluções possíveis que sejam capazes de satisfazer os

constrangimentos de desempenho, e ainda soluções não-dominadas.

53

Figura 4-5 Exemplo de um domínio de otimização, domínio de solução e domínio de solução sujeito a

constrangimentos, considerando os quatro componentes (ICE, MC, GC e BAT).

Ao observar os componentes que constituem os veículos otimizados (Tabela B3), verifica-se que,

tanto para o ICE como para o MC, os modelos escolhidos pelo algoritmo foram sempre os mesmos, 1

e 2 respetivamente. Um das razões poderá ter sido o facto de estes componentes apresentarem as

melhores caraterísticas para os ciclos de condução simulados. Um dos critérios na escolha dos

modelos de ICE foi o de terem potências específicas semelhantes, além disso procurou-se selecionar

modelos que tenham integrado outros carros híbridos reais como o Chevrolet Volt e o Honda Insight

(Secção 3.6.1).

O critério adotado na escolha do domínio de otimização e os constrangimentos impostos têm um

impacto direto nas soluções obtidas (áreas a laranja e amarelo respetivamente na Figura 4-5), uma

vez que escolhendo um conjunto de componentes que cubram uma área maior possibilitam um maior

número de soluções.

4.2 Ciclo de vida dos veículos HEV otimizados

Nesta secção será feita uma análise de energia e emissões de CO2eq em ciclo de vida, dos veículos

HEV otimizados. As Tabelas C1 a C3 (ANEXO C) apresentam os resultados em detalhe do consumo

de energia e emissões de CO2eq dos veículos otimizados HEV e dos veículos de referência ICEV e

HEV em ciclo de vida para o ciclo de condução sintético NEDC e para os ciclos de condução reais BL

e LC. De forma a facilitar a análise dos resultados obtidos são apresentados, graficamente, os

resultados da análise de ciclo de vida (Figuras 4-6, 4-7,4-11,4-12,4-15 e 4-16)

54

Figura 4-6 Consumo de energia em ciclo de vida para os veículos HEV otimizados e veículos de referência

ICEV e HEV, para os três ciclos de condução NEDC, Baixa-Lisboa, Lisboa-Cascais, considerando um tempo de vida de 200.000 km.

Figura 4-7 Emissões de CO2eq em ciclo de vida para os veículos HEV otimizados e veículos de referência ICEV

e HEV, para os três ciclos de condução NEDC, Baixa-Lisboa, Lisboa-Cascais, considerando um tempo de vida de 200.000 km.

Analisando o consumo de energia e emissões de CO2eq dos veículos otimizados para um tempo de

vida de 200.000 km (Figuras 4-6 e.4-7), no ciclo NEDC, foi onde os veículos otimizados registaram o

menor consumo de energia e consequentemente menores emissões de CO2eq em ciclo de vida

(Figuras 4-6 e 4-7 e Tabela C1). Comparativamente com o veículo de referência ICEV, o veículo A1

0,0

0,5

1,0

1,5

2,0

2,5

3,0

3,5

4,0

4,5

5,0

5,5

A1 A2 ICEV HEV B1 B2 B3 ICEV HEV C1 C2 ICEV HEV

NEDC BAIXA-LISBOA LISBOA-CASCAIS

200.000 km

TTW WTT CTG

LCA

ene

rgia

(MJ/

km)

0

50

100

150

200

250

300

350

400

450



200.000 km

TTW WTT CTG

LCA

CO

2eq

(g/k

m)

55

foi aquele que registou uma maior redução, 39,8% relativamente ao consumo de energia e 43,4%

relativamente à produção de emissões de CO2eq.

Relativamente ao ciclo BL, os veículos B1,B2 e B3 foram os que registaram os valores mais

elevados no consumo de energia e emissões de CO2eq em ciclo de vida. Este acontecimento deve-se

ao facto de o ciclo de condução BL ser o mais exigente dos três ciclos em que os veículos foram

simulados em termos de potência exigida, implicando um maior consumo de energia, TTW, e por

conseguinte um maior valor de WTT (ANEXO C). Mas também advém do facto, de como o ciclo de

condução BL é mais exigente, o aumento da potência dos componentes agrava os valores de CTG,

quer em termos de energia, quer em termos de emissões. Contudo as contribuições para o aumento

do CTG não são iguais para todos os componentes. Observando a potência dos componentes B1

(Tabela 4-1), verifica-se que o veículo respondeu ao aumento de potência exigido pelo ciclo de

condução com um aumento da potência da bateria, cerca de 4,2 vezes maior que o veículo B3. Por

outro lado, a potência da bateria do veículo B3 apresenta valores próximos dos valores registados

para outros ciclos de condução, tendo o aumento de potência sido compensado pelo aumento de

potência do ICE, que foi aumentada para o dobro comparativamente ao veículo B1. Tendo estes

pontos em consideração, verifica-se que o valor de CTG do veículo B1 é cerca de 3,7 vezes maior

que o do veículo B3 (Figuras 4-6 e 4-7). Dado que os valores de potência do gerador e do motor

elétrico não variam significativamente, o aumento do CTG deve-se principalmente à bateria do veículo

B1. As Figuras 4-8 a 4-10 mostram a contribuição dos diferentes componentes no valor do CTG

(550.000 km), quer em termos de energia quer em termos de emissões, tornando evidente que de

todos, a bateria, é o componente com um maior impacto. Além disso, verifica-se também que o

impacto da bateria nas emissões de CO2eq é ligeiramente menor (2%) do que o impacto no consumo

de energia, aumentando com a diminuição do tempo de vida. Esta diferença poderá dever-se ao facto

de uma parte da energia utilizada na produção dos componentes vir de fontes de energia renováveis,

outro fator poderá estar associado às incertezas no cálculo dos fatores das Equações (7) e (9), que

não foram considerados neste estudo. Ainda relativamente ao ciclo BL (Figura 4-6 e 4-7, Tabelas C1),

não só se registou uma diminuição no consumo de energia e emissões de CO2eq como foi a maior

entre todos os veículos HEV otimizados, onde o valor máximo de redução relativamente ao consumo

de energia LCA do veículo de referência ICEV se verificou para o veículo B3 (1,94 MJ/km). No que se

refere às emissões de CO2eq,LCA a maior redução foi para o veículo B1 (164,3 gCO2eq /km).

Os veículos do ciclo LC apresentam resultados semelhantes em termos de consumo de energia e

emissões de CO2eq, relativamente aos veículos do ciclo NEDC, embora ligeiramente superiores em

valor absoluto, verificando-se um aumento entre os 3,7% e os 11% (Figura 4-6 e 4.7, Tabela C1).

56

Figura 4-8 Peso dos diferentes componentes (ICE, MC, GC e BAT), em percentagem, relativamente à energia

(gráfico à esquerda) e emissões de CO2eq (gráfico à direita) em ciclo de vida para 550.000 km no ciclo de condução NEDC.


(gráfico à esquerda) e emissões de CO2eq (gráfico à direita) em ciclo de vida para 550.000 km no ciclo de condução Baixa-Lisboa.


(gráfico à esquerda) e emissões de CO2eq (gráfico à direita) em ciclo de vida para 550.000 km no ciclo de condução Lisboa-Cascais.

Comparando os veículos otimizados para um tempo de vida de 550.000 km com os mesmos

veículos para um tempo de vida de 200.000 km, constata-se que os valores de TTW e WTT são

constantes, uma vez um que não foi tido em conta a manutenção e desgaste do veículo e

consequente diminuição do seu desempenho, ao longo do seu tempo de vida. No entanto, o aumento

do tempo de vida do veículo reduz significativamente o valor do CTG, uma vez que a energia

consumida e emissões de CO2eq produzidas na fabricação e distribuição dos componentes do veículo

têm um valor fixo, contrariamente ao WTT e TTW que são independentes da distância. Sendo assim,

a fração de CTG pode ser reduzida ao longo do seu tempo de vida. Este facto, pode constatar-se

neste estudo ao analisar a diferença na energia consumida e emissões de CO2eq comparando os

veículos B1 e B3 (ver Figuras 4-13 e 4-14).

14%

17%

6%63%

CTG ICE

CTG MC

CTG GC

CTG BAT

14%

18%

7%61%

CTG ICE

CTG MC

CTG GC

CTG BAT

10%

14%

5%

71%

CTG ICE

CTG MC

CTG GC

CTG BAT

10%

16%

5%69%

CTG ICE

CTG MC

CTG GC

CTG BAT

14%

19%

14%

53%

CTG ICE

CTG MC

CTG GC

CTG BAT

14%

20%

15%

51%

CTG ICE

CTG MC

CTG GC

CTG BAT

57

Figura 4-11 Consumo de energia em ciclo de vida para os veículos HEV optimizados e veículos de referência


Figura 4-12 Emissões de CO2eq em ciclo de vida para os veículos HEV otimizados e veículos de referência


Comparando em termos de energia, verifica-se que o WTW do veículo B3 (3,24 MJ/km) é superior

ao do veículo B1 (2,55 MJ/km). Por outro lado, para 200.000 km o CTG do veículo B3 (0,35 MJ/km) é

inferior ao do veículo B1 (1,31 MJ/km) o que implica um valor de LCA menor para o veículo B3 (3,59

0,0

0,5

1,0

1,5

2,0

2,5

3,0

3,5

4,0

4,5

5,0

5,5



550.000 kmTTW WTT CTG

LCA

ene

rgia

(MJ/

km)

0

50

100

150

200

250

300

350

400

450



550.000 km

TTW WTT CTG

LCA

CO

2eq

(g/k

m)

58

MJ/km) relativamente ao B1 (3,87 MJ/km). Com o aumento da distância de tempo de vida o valor de

CTG diminui para os dois veículos (ou seja, é diluída pelos quilómetros), de tal forma que para

550.000 km o veículo B1 reduziu cerca de 10% o seu valor de LCA relativamente a B3

Observando a Figura 4-13 verifica-se que só a partir dos 275.000 km é que o veículo B1 consome

menos LCA que o veículo B3. Já relativamente às emissões de CO2eq em ciclo de vida, o veículo B1

é o que apresenta menores valores independentemente do tempo de vida que se considerar. Estes

resultados confirmam as conclusões retiradas da análise das Figuras 4-8 a 4-10, ou seja, que o peso

da bateria no valor de CTG é maior em termos de energia do que em termos de emissões de CO2eq.

Outra conclusão, a tirar das Figuras 4-13 e 4-14, é de que se apenas se considerar o consumo de

energia e emissões de CO2eq, o veículo B2 não é uma opção, estando sempre o B1 ou B3 em

vantagem para qualquer distância.

Figura 4-13 Variação do consumo de energia (MJ/km) com o tempo de vida (km) para os veículos B1, B2 e B3.

Figura 4-14 Variação das emissões de CO2eq (g/km) com o tempo de vida (km) para os veículos B1, B2 e B3.

2,7

2,9

3,1

3,3

3,5

3,7

3,9

2000

00

2250

0025

0000

2750

00

3000

00

3250

00

3500

00

3750

00

4000

00

4250

00

4500

00

4750

00

5000

00

5250

00

5500

00

5750

00

6000

00

6250

00

6500

00

Con

sum

o de

Ene

rgia

(M

J/km

)

Tempo de Vida (km)

B1

B2

B3

200

210

220

230

240

250

260

2000

0022

5000

2500

0027

5000

3000

0032

5000

3500

0037

5000

4000

0042

5000

4500

0047

5000

5000

0052

5000

5500

0057

5000

6000

0062

5000

6500

00

Em

issõ

es d

e C

O2e

q (g

/km

)

Tempo de Vida (km)

B1

B2

B3

59

Para 650.000 km verifica-se uma diminuição nos valores do consumo de energia em ciclo de vida e

emissões de CO2eq devido à diminuição do CTG (Figuras 4-15 e 4-16).

Figura 4-15 Consumo de energia em ciclo de vida para os veículos HEV otimizados e veículos de referência


Figura 4-16 Emissões de CO2eq em ciclo de vida para os veículos HEV otimizados e veículo de referência


Relativamente ao veículo HEV de referência os veículos otimizados conseguiram melhorias em

todos os ciclos de condução exceto para o Baixa-Lisboa (ver Secção 4.1). Analisando o ciclo de vida

0,00,51,01,52,02,53,03,54,04,55,05,56,0



650.000 km

TTW WTT CTG

LCA

ene

rgia

(MJ/

km)

0

50

100

150

200

250

300

350

400

450



650.000 km

TTW WTT CTG

LCA

CO

2eq

(g/k

m)

60

para a distância de 550.000 km, no caso do ciclo de condução NEDC, o veículo A1 reduziu 0,11

MJ/km e 8,6 gCO2eq/km e o veículo A2 em 0,01 MJ/km e 1,9 gCO2eq/km o consumo de energia e

emissões de CO2eq em ciclo de vida, respetivamente. No caso do ciclo de condução LC, as reduções

foram ligeiramente maiores, tendo-se registado uma diminuição de 0,21 MJ/km e 15,08 gCO2eq/km

para o veículo C1 e de 0,13 MJ/km e 8,78 gCO2eq/km para o veículo C2.

Estes resultados permitem concluir que, apesar de a otimização ter tido como referência um veículo

ICEV, o veículo de referência HEV foi igualmente otimizado, para os ciclos de condução NEDC e LC.

4.3 Análise de sensibilidade

Neste capítulo é feita uma análise de sensibilidade relativamente ao número de baterias e aumento

do preço do combustível, e o seu impacto no retorno financeiro. Relembre-se que o retorno financeiro

é calculado relativamente ao táxi ICEV de referência (veículo convencional a diesel) (Secção 3.3 e

3.5). Tendo em conta que o principal objetivo, além da minimização das emissões de CO2eq, é

maximizar o ganho financeiro, foram considerados nesta análise os veículos A2, B3 e C3, uma vez

que é para estes veículos que o ganho financeiro é mais elevado. No entanto, as conclusões desta

análise são facilmente extrapoláveis para os restantes casos. Importa ainda salientar que, nos

gráficos relativos à variação do retorno financeiro com a variação do custo do combustível e do tempo

de vida (Figuras 4-17 a 4-19), se assumiu que o custo ($/MJ) do diesel e a gasolina variam na mesma

proporção (foi utilizada uma proporção percentual).

Apesar da incerteza associada a previsões relativas ao custo do petróleo, diversos estudos

apontam para uma tendência do seu aumento (Oxford Economics, 2010; OPEC, 2013). Considerando

que neste estudo o custo da gasolina se assumiu de 0,0647 $/MJ (ver secção 3.5), valores muito

inferiores a este não têm um efeito prático relevante segundo as previsões, embora sejam

apresentados de forma a ser mais evidente não só o seu impacto no retorno financeiro do veículo

mas também como isso se reflete entre os diferentes veículos.

Da análise da Figura 4-17 referente ao veículo A2, podem ser retiradas várias informações

importantes. Fixando o valor do tempo de vida, verifica-se que com o aumento do custo da gasolina

(e na mesma proporção o custo do diesel que é usado no táxi de referencia ICEV) o veículo A2 tem

sempre um retorno positivo para a escala de tempo considerada, excetuando uma pequena área.

Estes resultados são previsíveis uma vez que os custos fixos entre o veículo A2 e o ICEV não diferem

muito, o mesmo não se pode afirmar para os custos variáveis, WTW. Recordando os dados da

Tabela C2 verifica-se que o WTT do veículo A2 (1,48 MJ/km) é cerca de 42% menor que o WTT do

ICEV (2,55 MJ/km), enquanto o seu custo (9506 $) é cerca de 34% maior que o do veículo ICEV

(7072 $). Ou seja, o retorno financeiro tem de ser compensado pela fração de maior eficiência do

veículo otimizado HEV.

61

Figura 4-17 Variação do retorno financeiro com a variação do custo do combustível ($/MJ) e o tempo de vida

(km) para o veículo A2 simulado no ciclo de condução NEDC. (A laranja é assinalado o valor do retorno financeiro para a distância de 550.000 km nas condições originais do estudo).

Como já foi referido, o veículo B3 conseguiu reduzir o seu consumo (em TTW) relativamente ao

ICEV em 1,86 MJ/km enquanto o veículo A2 só reduziu em 1,07 MJ/km (Tabela C2), ou seja o veículo

B3 consome 1,7 vezes menos relativamente ao ICEV do que o A2. Analisando o preço dos dois

veículos (Tabela 4-2) relativamente ao veículo ICEV (Secção 3.5, Tabela 3-6) verificamos que o B3 é

cerca de 2,1 vezes mais caro enquanto o A2 é apenas 1,34. Comparando as Figuras 4-17 e 4-18

observa-se que, comparativamente com o veículo A2, o veículo B3 tem uma área de retorno

financeiro negativo maior, por outro lado, apresenta uma sensibilidade maior ao aumento do custo da

gasolina, evidenciado pela menor distância entre as curvas de retorno financeiro. Esta comparação

tem interesse no sentido em permite compreender que, apesar do custo inicial do veículo B3 ser mais

alto, o menor consumo de combustível relativamente ao ICEV permite compensar este aumento

(Tabelas 4-2 e C2). Naturalmente que como o seu custo fixo é mais alto este tende a ser mais

sensível a variações no custo da gasolina e no tempo de vida.

62


(km) para o veículo B3 no ciclo de condução Baixa-Lisboa. (A laranja é assinalado o valor do retorno financeiro para a distância de 550.000 km nas condições originais do estudo).

Dos três veículos analisados o veículo C2 é o que apresenta um menor retorno financeiro, 0,016

$/km para 550.000 km (Tabela B2).


(km) para o veículo C2 no ciclo de condução Lisboa-Cascais. (A laranja é assinalado o valor do retorno financeiro para a distância de 550.000 km nas condições originais do estudo).

63

Relativamente ao táxi ICEV (2,39 MJ/km) o veículo C2 (1,49 MJ/km) diminuiu o consumo de energia

(WTT) aproximadamente em 37,7%. Comparando os veículos C2 e A2, verifica-se que apesar do

custo do veículo C2 (9501 $) ser muito semelhante ao do veículo A2 (9506 $), a diferença no

consumo de energia (WTT) entre os dois veículos e o ICEV (nos respetivos ciclos de condução) é

inferior para o veículo C2, 0,9 MJ/km e 1,07 MJ/km respetivamente. O impacto na diferença dos

consumos fica claro quando se observa a Figura 4-19, onde se verifica que as áreas a verde entre as

diferentes linhas de retorno financeiro constante são maiores comparativamente às Figuras 4-17 e

4-18, evidenciando uma menor sensibilidade à variação do custo do combustível.

Como descrito na Secção 3.4.2, para o tempo de vida dos veículos otimizados considerou-se uma

reposição, ou seja durante o tempo de vida do veículo a bateria é substituída uma vez. Devido ao

elevado impacto da bateria no custo do veículo, o retorno financeiro pode variar positivamente ou

negativamente consoante sejam necessárias zero reposições, duas, três ou quatro. Neste sentido foi

feita uma análise de sensibilidade de forma a perceber o impacto no retorno financeiro dos veículos

estudados (Figuras 4-20 a 4-22), onde uma bateria corresponde à situação em que esta não é

substituída.

Figura 4-20 Variação do retorno financeiro com número de baterias de substituição e o tempo de vida (km)

para o veículo A2 no ciclo de condução NEDC. (A laranja é assinalado o valor do retorno financeiro para a distância de 550.000 km nas condições originais do estudo).

Da análise da Figura 4-20 verifica-se que o veículo A2 apresenta um retorno financeiro positivo até

três baterias para um tempo de vida maior do que 200.000 km.

64


para o veículo B3 no ciclo de condução Baixa-Lisboa. (A laranja é assinalado o valor do retorno financeiro para a distância de 550.000 km nas condições originais do estudo).

Relativamente ao veículo B3 (Figura 4-21) verifica-se uma maior sensibilidade à variação do retorno

financeiro com o número de baterias, comparativamente com o veículo A2, uma vez que o custo das

baterias é superior, cerca de 849 $ mais caro. Embora estatisticamente na maioria dos casos não se

verifique mais do que uma reposição de bateria, para uma distância de 200.000 km e duas

reposições de bateria o veículo, embora muito perto de zero, o veículo otimizado A2 ainda consegue

obter um retorno positivo.

65


para o veículo C2 no ciclo de condução Lisboa-Cascais. (A laranja é assinalado o valor do retorno financeiro para a distância de 550.000 km nas condições originais do estudo)

Relativamente ao veículo C2 (Figura 4-22) verifica-se que para o caso de duas reposições de

bateria (três baterias), apenas consegue um retorno positivo para distâncias de tempo de vida

superiores a 230.000 km, no entanto comparativamente com o veículo B3 o custo por bateria é cerca

de 1385 $ mais baixo. Este facto reforça ainda mais a ideia de os veículos híbridos apresentarem

melhores resultados na diminuição de consumo comparativamente a um veículo ICEV em circuitos

urbanos, uma vez que apesar do custo das baterias ser mais alto para o caso do veículo B3, este

consegue um retorno positivo para duas reposições de bateria e 200.000 km enquanto o veículo C2

para a mesma distância tem um retorno negativo.

A análise de sensibilidade à bateria para os três veículos considerados A2, B3 e C2, permite

concluir que mesmo considerando duas reposições os veículos apresentam um retorno financeiro

positivo, para valores de tempo de vida superiores a 200.000 km, excetuando o veículo C2 que o

mesmo só é verificado para uma distância de tempo de vida superior a 230.000 km.

67

5 Conclusões e desenvolvimentos futuros

Neste trabalho foi analisado e otimizado o sistema de propulsão de um veículo híbrido para vários

cenários de condução, com o objetivo de minimizar o impacte de ciclo de vida e maximizar o ganho

financeiro relativamente a um veículo convencional, que pretende ser a melhor opção para substituir

um veículo táxi convencional a diesel. Como objeto de otimização, manteve-se a carroçaria de um

veículo híbrido série-paralelo, onde os componentes principais (motor a combustão interna, motor

elétrico, bateria e gerador) foram otimizados, considerando diferentes modelos para cada um dos

componentes. Apesar do baixo número de soluções encontradas pelo algoritmo genético multiobjetivo

NSGA-II, foi possível encontrar soluções ótimas para um sistema de propulsão de um táxi HEV, que

conseguiram minimizar as emissões de CO2eq em ciclo de vida e ao mesmo tempo obter um retorno

financeiro positivo.

De entre os três ciclos estudados o que exige uma maior potência dos componentes dos veículos é

o ciclo Baixo-Lisboa, associado a características puramente urbanas com elevado declive e um

elevado número de paragens. Uma consequência do aumento da potência dos componentes para

satisfazer os requisitos de condução, foi o aumento do custo do veículo. O custo dos veículos HEV

otimizados para os ciclos de condução NEDC e Lisboa-Cascais variam entre os 9501 $ e os 27804 $,

e para o ciclo Baixa-Lisboa este valor atingiu os 49031 $, para o veículo HEV otimizado B1. Contudo,

apesar da diferença acentuada entre o custo dos veículos, o maior retorno financeiro registou-se para

o ciclo Baixa-Lisboa onde os veículos têm precisamente em média o maior custo. Por outro lado, foi

para este ciclo que se verificou uma diminuição maior no consumo dos veículos HEV otimizados face

ao veículo convencional, cerca de 2 vezes menor. Este facto permite concluir que apesar do elevado

custo do veículo híbrido (cerca de 7 vezes mais caro que o veículo convencional - caso do veículo

B1), a poupança associada ao consumo de combustível permite, ao longo do tempo de vida,

compensar o elevado investimento inicial.

Relativamente ao ciclo de vida dos veículos as maiores reduções de energia e emissões de CO2eq

relativamente ao ICEV verificaram-se para os veículos do ciclo Baixa-Lisboa. No entanto, os menores

valores não foram sempre atribuídos ao mesmo veículo. Relativamente à menor distância de tempo

de vida considerada neste estudo (200.000 km) o veículo com a maior redução foi o veículo B3 (1,94

MJ/km e 164,2 gCO2eq/km). No entanto, para uma distância de tempo de vida de 550.000 km o

veículo com a maior redução foi o B1 (2,45 MJ/km e 164,2 gCO2eq/km). Ambos, B1 e B3,

apresentaram potências mais elevadas relativamente a veículos de outros ciclos, contudo estas

potências foram distribuídas de maneira diferente pelos seus componentes. Enquanto o veículo B1

aumentou a potência da sua bateria, o veículo B3 aumentou a potência do ICE. O aumento da

potência da bateria do B1 permitiu-lhe uma redução de 21,2% no consumo de energia relativamente

ao B3, no entanto cerca de 71% do valor do CTG é devido à bateria pelo que, um aumento na

potência deste componente tem um maior impacto relativamente a outros componentes,

nomeadamente o ICE.

68

A análise de sensibilidade permitiu perceber que os veículos com um custo inicial mais alto

apresentam uma maior sensibilidade a variações no custo do combustível. Tendo em consideração

que o preço dos dois combustíveis, gasolina e diesel, variam na mesma proporção, o aumento do

custo do combustivel favorece os veículos que apresentam um menor consumo. A sensibilidade vai

sendo cada vez menor com o aumento da distância de tempo de vida. Relativamente à reposição das

baterias, verificou-se que os veículos A2 e B3 apresentam um retorno positivo mesmo com 2

reposições de bateria, o mesmo não se verifica para o veículo C2. De todos os veículos o B3 é o que

apresenta uma maior sensibilidade à substituição da sua bateria, uma vez que é neste veículo o seu

custo mais elevado (3484 $), cerca de 32% e 66% maior que as baterias dos veículos A2 e C2,

respetivamente. Tal como na análise de sensibilidade ao custo da gasolina, o aumento do tempo de

vida diminui a sensibilidade ao número de reposições de bateria.

Um dos objetivos deste estudo foi avaliar a possibilidade de substituição de um veículo

convencional, por um veículo híbrido para desempenhar um serviço de táxi na cidade de Lisboa. As

conclusões retiradas das soluções analisadas comprovam a relevância desta hipótese uma vez que é

principalmente em circuitos urbanos que o serviço de táxis é prestado.

Apesar dos resultados analisados permitirem evidenciar a validade da metodologia utilizada em

estudos de otimização, o número de soluções encontradas foi inferior ao esperado, neste sentido

serão dadas algumas indicações de trabalho futuro no sentido de melhorar este especto.

5.1 Desenvolvimentos futuros

Uma primeira abordagem para desenvolvimentos futuros poderá passar pelo tratamento ou pelo

aumento do domínio de otimização em termos de soluções possíveis, uma vez que este tem impactos

diretos na variedade e número de soluções encontradas pelo algoritmo. Inicialmente neste trabalho,

um dos objetivos passou por encontrar informação técnica de componentes como o ICE, bateria,

motor, gerador de forma a atualizar a base de dados do ADVISOR com novos modelos, no entanto, a

dificuldade em encontrar informação técnica que descreva com detalhe as características dos

componentes não é uma tarefa fácil tendo em conta que muita desta informação é confidencializada

por parte das empresas da indústria automóvel. Neste sentido, seria interessante um estudo que se

focasse em estabelecer um critério na seleção dos componentes e que ao mesmo tempo atualize a

base de dados dos componentes existentes diversificando mais o domínio. Conforme descrito na

Secção 4.1, o número insuficiente de gerações e população inicial foi uma das razões apontadas para

o baixo número de soluções encontradas, neste sentido seria importante fazer um estudo de

convergência de forma a prever qual o número necessário de gerações e população inicial para o

qual o conjunto de soluções tende a convergir.

69

6 Referências

Çagatay Bayindir, K., Gözüküçük, M.A. & Teke, A., 2011. A comprehensive overview of hybrid electric vehicle: Powertrain configurations, powertrain control techniques and electronic control units. Energy Conversion and Management, 52, pp.1305–1313.

ANL, 2014a. Autonomie. http://www.autonomie.net/ (19-07-2014).

ANL,2014b.Autonomie HEV: http://www.autonomie.net/references/hev_26c.html (29-08-2014)

AVL, 2014. AVL Cruise.https://www.avl.com/cruise1 (26-09-2014)

Baptista, P., Ribau, J., et al., 2010. EVS-25 Fuel Cell Hybrid Taxi Well-to-Wheel Life-Cycle Analysis. , 4, pp.798–803.

Baptista, P. et al., 2011. Fuel cell hybrid taxi life cycle analysis. Energy Policy, 39, pp.4683–4691.

Baptista, P., Tomás, M. & Silva, C., 2010. Plug-in hybrid fuel cell vehicles market penetration scenarios. International Journal of Hydrogen Energy, 35(18), pp.10024–10030.

Bloomberg, 2014. EUR to USD Exchange Rate. http://www.bloomberg.com/quote/EURUSD:CUR (1-10-2014)

Bloomberg, 2012. Toyota Prius on the Top Three http://www.bloomberg.com/news/2012-05-29/toyota-prius-escapes-niche-to-surge-into-global-top-three.html (22-08-2014)

Bloomberg, 2013. World Energy Consumption by 2040 http://www.bloomberg.com/news/2013-07-25/world-to-use-56-more-energy-by-2040-led-by-asia-eia-predicts.html (22-09-2014)

Bravo, J., 2012. Numerical Modeling and Simulation of Energy Management Strategies for Electric and Hybrid Vehicles. PhD Thesis in Mechanical Engineering, Instituto Superior Técnico, Universidade de Lisboa.

Burke, A., 2007. Batteries and Ultracapacitors for Electric, Hybrid, and Fuel Cell Vehicles. Proceedings of the IEEE, 95, pp.806–820. . http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=4168012

Burke, A. & Miller, M., 2009. Performance Characteristics of Lithium-ion Batteries of Various Chemistries for Plug-in Hybrid Vehicles. In EVS24 International Battery, Hybrid and Fuel Cell Electric Vehicle Symposium. pp. 1–13.

Celgard, 2014. Lithium-ion Battery Separators For Electric Cars | Celgard. Available at: http://www.celgard.com/electric-drive-vehicles.aspx (26-10-2014)

Cenaero, 2012. “Frente de Pareto.” http://www.cenaero.be/ (4-10-2014).

Deb, K. et al., 2002. A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6, pp.182–197.

Delorme, A. et al., 2009. Cost benefit analysis of advanced powertrains from 2010 to 2045. EVS24 Proceedings, pp.1–12.

Desai, C., Member, S. & Williamson, S.S., 2010. Particle Swarm Optimization for Efficient Selection of Hybrid Electric Vehicle Design Parameters. , pp.1623–1628.

DGEG, 2014. Preço dos Combustíves. http://www.precoscombustiveis.dgeg.pt/. (24-08-2014)

DieselNet, 2012. Emission Test Cycles. https://www.dieselnet.com/ (30-09-2014)

DOE, 2009. DOE Transportation Technology R&D Center, GREET-Greenhouse gases, Regulated Emissions, and Energy use in Transportation. https://greet.es.anl.gov/ (22-09-2014)

DOE, 2013. US Department of Energy (DOE) Hydrogen and Fuel Cells Program. http://www.hydrogen.energy.gov/ (22-07-2014)

EC, 2011. European Commission. Energy Roadmap 2050.

ECB, Euro exchange rates USD. https://www.ecb.europa.eu/stats/exchange/eurofxref/html/eurofxref-graph-usd.en.html (5-09-2014).

Edwards, R., Larive, C. & Beziat, J.-C., 2011. Well-to-wheels Analysis of Future Automotive Fuels and Powertrains in the European Context.

Ehsani, M. et al., 2010. Modern electric, hybrid electric and fuel cell vehicles 2nd. Edition,

70

EIA, 2014. Energy world consumption by each sector. : http://www.eia.gov/tools/faqs/faq.cfm?id=447&t=1 (24-09-2014).

ERTRAC, 2014. European Road Transport Research Advisory Council. . http://www.earpa.eu/earpa/36/ertrac.html (16-08-2014)

European Commission, 2009. Directive 2009/33/EC. http://eur-lex.europa.eu/legal-content/EN/TXT/?uri=OJ (14-07-2014)

European Commission, 2011. Europe 2020 – Europe’s growth strategy - Portugal National Reform Programme. Europa Website - Europe 2020.

European Parliament & The Council Of The European Union, 2003. Directive 2003/30/EC of the European Parliament and of the Council of 8 May 2003 on the promotion of the use of biofuels or other renewable fuels for transport. . http://ec.europa.eu/energy/res/legislation/doc/biofuels/en_final.pdf (28-09-2014)

Ferreira, A.F., Ribau, J.P. & Silva, C.M., 2011. Energy consumption and CO2 emissions of potato peel and sugarcane biohydrogen production pathways, applied to Portuguese road transportation. International Journal of Hydrogen Energy, 36(21), pp.13547–13558. Available at: http://linkinghub.elsevier.com/retrieve/pii/S0360319911018544 (3-09-2014).

Forbes, 2013. Tesla Debacle Highlights Need For New EV Battery Technology. Available at: http://www.forbes.com/sites/rosskennethurken/2013/02/12/tesla-debacle-highlights-need-for-new-ev-battery-technology/ (26-10-2014)

Gao, D., Jin, Z. & Lu, Q., 2008. Energy management strategy based on fuzzy logic for a fuel cell hybrid bus. Journal of Power Sources, 185(1), pp.311–317. Available at: http://linkinghub.elsevier.com/retrieve/pii/S0378775308013463 (20-08-2014)

Gao, W. & Mi, C., 2007. Hybrid vehicle design using global optimisation algorithms. International Journal of Electric and Hybrid Vehicles, 1, p.57.

Heywood, J.B., 2010. Assessing the fuel consumption and GHG of future in-use vehicles. Energy and Sustainable Development: Issues and Strategies (ESD), 2010 Proceedings of the International Conference on.

Heywood, J.B., 1988. Internal Combustion Engine Fundamentals,

Husain, I., 2011. Electric and Hybrid Vehicles: Design Fundamentals, Second Edition, CRC Press. Available at: http://books.google.com/books?id=7AAWH_63HuAC&pgis=1 (20-06-2014)

IEA, 2009. Transport, Energy and CO": Moving towards Sustainability. , http://www.iea.org/publications/freepublications/publication/transport2009.pdf.(2-07-2014)

IPCC, 2007. Direct Global Warming Potentials. . http://www.ipcc.ch/publications_and_data/ar4/wg1/en/ch2s2-10-2.html (1-10-2014)

Jain, M. et al., 2009. Optimal Powertrain Component Sizing of a Fuel Cell Plug-in Hybrid Electric Vehicle Using Multi- Objective Genetic Algorithm 1. , pp.3741–3746.

Kasseris, E.P. & Heywood, J.B., 2007. Comparative Analysis of Automotive Powertrain Choices for the Next 25 Years. Society of Automotive Engineers International, pp.776–0790.

Kelouwani, S. et al., 2013. Fuel cell Plug-in Hybrid Electric Vehicle anticipatory and real-time blended-mode energy management for battery life preservation. Journal of Power Sources, 221, pp.406–418. http://linkinghub.elsevier.com/retrieve/pii/S0378775312012906 (19-08-2014)

Khajepour, A., Fallah, M.S. & Goodarzi, A., 2014. Electric and Hybrid Vehicles: Technologies, Modeling and Control - A Mechatronic Approach, Wiley. . http://books.google.com/books?id=zhznAgAAQBAJ&pgis=1 (30-09-2014).

Kim, M. & Peng, H., 2007. Power Management and Design Optimization of Fuel Cell / Battery Hybrid Vehicles. , 165(2), pp.819–832.

KOKAM, 2013. KOKAM batteries. http://www.kokam.com (5-06-2014)

KOKAM, 2014. KOKAM Batteries. http://www.kokam.com/new/kokam_en/ (30-08-2014).

Kromer, M.A. & Heywood, J.B., 2007. Electric Powertrains : Opportunities and Challenges in the U . S . Light-Duty Vehicle Fleet.

Kwon, J. et al., 2011. Impact of fuel cell system design used in series fuel cell HEV on net present value (NPV). 2011 IEEE Vehicle Power and Propulsion Conference, pp.1–7.

71

Li, X. & Williamson, S.S., 2008. Efficiency analysis of hybrid electric vehicle (HEV) traction motor-inverter drive for varied driving load demands. In Conference Proceedings - IEEE Applied Power Electronics Conference and Exposition - APEC. pp. 280–285.

Lipman, T.E. & Delucchi, M.A., 2006. A retail and lifecycle cost analysis of hybrid electric vehicles. Transportation Research Part D: Transport and Environment, 11, pp.115–132.

Liu, X., Wu, Y. & Duan, J., 2007. Optimal Sizing of a Series Hybrid Electric Vehicle Using a Hybrid Genetic Algorithm *. , pp.1125–1129.

Lukic, S.M. & Emadi, A., 2004. Effects of drivetrain hybridization on fuel economy and dynamic performance of parallel hybrid electric vehicles. IEEE Transactions on Vehicular Technology, 53, pp.385–389.

Markel, T. et al., 2002. ADVISOR: A systems analysis tool for advanced vehicle modeling. In Journal of Power Sources. pp. 255–266.

MathWorks, Global Optimization Toolbox - MATLAB. http://www.mathworks.com/products/global-optimization/ (11-09-2014)

MathWorks, 2013. MatLab Central. http://www.mathworks.com/matlabcentral/fileexchange.(22-07-2014)

Mckinsey & Company, 2011. A portfolio of power-trains for Europe: a fact based analysis; The role of Battery Electric Vehicles, Plug-in Hybrids and Fuel Cell Electric Vehicles.

Melo, P., Ribau, J. & Silva, C., 2014. Urban Bus Fleet Conversion to Hybrid Fuel Cell Optimal Powertrains. Procedia - Social and Behavioral Sciences, 111, pp.692–701. http://linkinghub.elsevier.com/retrieve/pii/S1877042814001049 (20-08-2014)

Mi, C., Masrur, M.A. & Gao, D.W., 2011. Hybrid Electric Vehicles: Principles and Applications with Practical Perspectives,

Nissan,2014.http://www.nissan.pt/PT/pt/vehicle/electric-vehicles/leaf/prices-and-equipment/prices-and-specifications/model-details.106484_104965_105188.html (26-10-2014)

NREL, 2014. National Renewable Energy Laboratory. http://www.nrel.gov/ (19-07-2014).

OPEC, 2013. World Oil Outlook. . http://www.opec.org/opec_web/static_files_project/media/downloads/publications/WOO_2013.pdf (25-08-2014)

Oxford Economics, 2010. Oil price outlook to 2030. . http://www.oxfordeconomics.com/publication/download/214140 (10-10-2014)

Penela-Arenaz, M., Bellas, J. & Vázquez, E., 2010. Effects of the prestige oil spill on the biota of NW Spain. 5 years of learning. Advances in Marine Biology, 56, pp.365–396.

Pistoia, G., 2010. Electric and Hybrid Vehicles: Power Sources, Models, Sustainability, Infrastructure and the Market,

Rebitzer, G. et al., 2004. Life cycle assessment part 1: framework, goal and scope definition, inventory analysis, and applications. Environment international, 30(5), pp.701–20. Available at: http://www.sciencedirect.com/science/article/pii/S0160412003002459 (14-07-2014)

Ribau, J. et al., 2014. A new offline optimization approach for designing a fuel cell hybrid bus. Transportation Research Part C: Emerging Technologies, 42, pp.14–27. Available at: http://linkinghub.elsevier.com/retrieve/pii/S0968090X14000540 (19-08-2014)

Ribau, J., 2009. Análise de consumo eléctrico e de hidrogénio em veículos Plug-in puramente eléctricos e híbridos eléctricos c / Pilha de combustível. Master Thesis in Mechanical Engineering, Instituto Superior Técnico, Universidade de Lisboa.

Ribau, J. et al., 2012. Analysis of four-stroke, Wankel, and microturbine based range extenders for electric vehicles. Energy Conversion and Management, 58, pp.120–133.

Ribau, J.P., 2013. Metaheuristics Project Multi-optimization of component sizing of a hybrid electric vehicle using evolutionary methods – Genetic algorithm and NSGA-II. , pp.1–28.

Ribau, J.P., Silva, C.M. & Sousa, J.M.C., 2014. Efficiency, cost and life cycle CO2 optimization of fuel cell hybrid and plug-in hybrid urban buses. Applied Energy, 129(0), pp.320–335.

Ribau, J.P., Silva, C.M. & Sousa, J.M.C., 2013. Plug-in hybrid vehicle powertrain design optimization: Energy consumption and cost. Lecture Notes in Electrical Engineering, 191 LNEE, pp.595–613.

72

Ribau, J.P., Sousa, J.M.C. & Silva, C., 2013. Multi-Objective Optimization of Fuel Cell Hybrid Vehicle Powertrain Design - Cost and Energy. SAE Technical Paper 2013-24-0082.

Saft, 2014. Saft | World leader in high technology batteries. Available at: http://www.saftbatteries.com/ (30-09-2014).

Satyapal, S., 2010. Hydrogen and Fuel Cell Technologies Update. In Fuel Cells & Hydrogen Joint Undertaking Stakeholders General Ass embly.

Silva, C., Ross, M. & Farias, T., 2009. Evaluation of energy consumption, emissions and cost of plug-in hybrid vehicles. Energy Conversion and Management, 50(7), pp.1635–1643. http://linkinghub.elsevier.com/retrieve/pii/S0196890409001186 (1-09-2014)

Silva, C.M., Gonçalves, G.A., et al., 2006. A tank-to-wheel analysis tool for energy and emissions studies in road vehicles. Science of the Total Environment, 367, pp.441–447.

Silva, C.M., Farias, T.L., et al., 2006. Evaluation of numerical models for simulation of real-world hot-stabilized fuel consumption and emissions of gasoline light-duty vehicles. Transportation Research Part D: Transport and Environment, 11, pp.377–385.

Society of Automotive Engineers, 2010. Recommended Practice for Measuring the Exhaust Emissions and Fuel Economy of Hybrid-electric Vehicles, Including Plug-in Hybrid Vehicles, SAE International.

TEEIC, 2014. Potential Impacts of Oil and Gas Production. . http://teeic.indianaffairs.gov/er/oilgas/impact/index.htm (25-09-2014)

Toyota, 2008. Our Point of View: Prius Battery Change is No Big Deal | Toyota. Available at: http://toyotanews.pressroom.toyota.com/article_display.cfm?article_id=2727 (5-09-2014)

Toyota, 2014. Toyota Prius Specifications. http://www.toyota-global.com (1-10-2014)

U.S. Department of Energy, Hydrogen. Available at: http://www.fueleconomy.gov/feg/hydrogen.shtml (26-08-2014)

U.S. Department of Energy, 2014. Where the Energy Goes: Gasoline Vehicles. : http://www.fueleconomy.gov/feg/atv.shtml (5-08-2014)

University of Bermingham, U., 2011. The Energy and Fuel Data Sheet. . .http://wogone.com/science/the_energy_and_fuel_data_sheet.pdf (4-09-2014).

UQM, 2014. UQM Technologies Inc. http://uqm.com/technology/ (7-09-2014)

Varnhagen, S. et al., 2011. A numerical investigation on the efficiency of range extending systems using Advanced Vehicle Simulator. Journal of Power Sources, 196, pp.3360–3370.

Wang, W. et al., 2014. Analysis on compound-split configuration of power-split hybrid electric vehicle. Mechanism and Machine Theory, 78, pp.272–288.

Wipke, K.B., Cuddy, M.R. & Burch, S.D., 1999. ADVISOR 2.1: a user-friendly advanced powertrain simulation using a combined backward/forward approach. Vehicular Technology, IEEE Transactions on, 48(6), pp.1751–1761.

Wipke, K.B., Cuddy, M.R. & Burch, S.D., 1999. ADVISOR 2.1: a user-friendly advanced powertrain simulation using a combined backward/forward approach. IEEE Transactions on Vehicular Technology, 48.

Wu, X. et al., 2014. Application of Parallel Chaos Optimization Algorithm for Plug-in Hybrid Electric Vehicle Design. International Journal of Bifurcation and Chaos, 24(01), p.1450001. Available at: http://www.worldscientific.com/doi/abs/10.1142/S0218127414500011.

Zhang, Y., Sun, F. & He, H., 2008. Control strategy optimization for hybrid electric vehicle based on DIRECT algorithm. 4th IEEE Vehicle Power and Propulsion Conference, Harbin, China Sept., pp.1–5.

i

ANEXO A No Anexo A são apresentados os mapas de eficiência para os componentes do veículo a otimizar.

Figura A1 Mapa de eficiência do ICE_1 (Prius JPN).

Figura A2 Mapa de eficiência do ICE_2 (Prius 2010).

Figura A3 Mapa de eficiência do ICE_3 (Volt).

ii

Figura A4 Mapa de eficiência do ICE_4 (Insight).

Figura A5 Mapa de eficiência do MC_1 (PM6 UQM).

Figura A6 Mapa de eficiência do MC_2 (Prius JPN).

iii

Figura A7 Mapa de eficiência do MC_3 (PM 100 UQM).

Figura A8 Mapa de eficiência do MC_4 (PM75 UQM).

Figura A9 Mapa de eficiência do GC_1 (Prius 3G).

iv

Figura A10 Mapa de eficiência da BAT_1 (LISATF VL7P).

Figura A11 Mapa de eficiência da BAT_2 (KOKAM 40).

Figura A12 Mapa de eficiência da BAT_3 (Nimh6).

v

Figura A13 Mapa de eficiência da BAT_4 (NimhSAFT NHP34).

vi

ANEXO B

Tabela B1 Emissões em ciclo de vida dos veículos otimizados para os três ciclos (NEDC, Baixa-Lisboa e Lisboa-Cascais), assim como para as diferentes distâncias de tempo de vida (200.000 km, 550.000 km e 650.000 km).

Tabela B2 Custo total dos veículos ($), retorno financeiro ($/km) para os ciclos NEDC, Baixa-Lisboa e Lisboa-Cascais e distâncias de 200.000 km, 550.000 km e 650.000 km.

Tabela B3 Modelos e fator de dimensionamento para os componentes ICE, MC e GC. Modelo e número de módulos para os componentes BAT.

Ciclo de Condução Veículo ICE Modelo

ICE Dim.

MC Modelo

MC Dim.

GC Modelo

GC Dim.

BAT Modelo

BAT Dim.

NEDC A1 2 0,70 1 0,96 1 0,58 2 69 A2 2 0,70 1 0,72 1 0,51 3 59

Baixa-Lisboa B1 2 0,89 3 0,75 1 0,74 4 59 B2 2 1,09 1 1,51 1 0,81 4 42 B3 2 1,48 1 1,75 1 1,18 3 78

Lisboa-Cascais C1 2 0,70 1 0,96 1 0,58 2 69 C2 2 0,70 1 0,72 1 0,51 3 59


Emissões CO2eq (g/km) (200.000 km)



NEDC

A1 130,4 120,9 120,0 A2 135,3 127,6 127,0

ICEV 230,3 227,3 227,1 HEV 137 130 129

Baixa-Lisboa

B1 256,4 212,2 208,3 B2 256,4 223,0 220,0 B3 256,5 243,9 242,8

ICEV 420,7 417,8 417,5 HEV 213 206 205

Lisboa-Cascais

C1 140,8 130,1 129,2 C2 144,6 136,4 135,7

ICEV 215,9 213,0 212,7 HEV 153 156 145

Ciclo de Condução

Veículo Custo Total ($)

Retorno Financeiro ($/km) (200.000 km)



NEDC A1 27804 -0,063 0,003 0,009 A2 9506 0,023 0,030 0,031

HEV 13793 0 0,021 0,022

Baixa-Lisboa

B1 49031 -0,114 0,019 0,031 B2 37541 -0,070 0,027 0,036 B3 14964 0,017 0,043 0,045

HEV 13793 0,051 0,073 0,074

Lisboa-Cascais

C1 29100 -0,084 -0,014 -0,008 C2 9501 0,008 0,016 0,016

HEV 13793 -0,02 0 0,002

vii

ANEXO C

Tabela C1 Consumo de energia (MJ/km) e emissões de CO2eq (g/km) em ciclo de vida para os ciclos NEDC, Baixa-Lisboa e Lisboa-Cascais considerando um tempo de vida de 200.000 km.

Ciclo de

Condução Veículo

Consumo de Energia (MJ/km) Emissões CO2 (g/km)

TTW WTT CTG LCA TTW WTT CTG LCA

NEDC

A1 1,39 0,19 0,25 1,83 98,1 17,3 14,9 130,4

A2 1,48 0,21 0,22 1,90 104,8 18,5 12,0 135,3

ICEV 2,55 0,41 0,08 3,04 189,5 36,2 4,6 230,3

HEV 1,50 0,21 0,19 1,91 106,5 18,8 11,6 136,9

Baixa-Lisboa

B1 2,24 0,31 1,31 3,87 158,8 28,0 69,5 256,4

B2 2,45 0,34 0,98 3,77 173,3 30,6 52,6 256,4

B3 2,84 0,40 0,35 3,59 201,2 35,5 19,8 256,5

ICEV 4,70 0,75 0,08 5,53 349,4 66,8 4,6 420,7

HEV 2,42 0,34 0,19 2,95 171,3 30,3 4,2 205,8

Lisboa-Cascais

C1 1,49 0,21 0,28 1,97 105,4 18,6 16,8 140,8

C2 1,58 0,22 0,22 2,03 112,0 19,8 12,8 144,6

ICEV 2,39 0,38 0,08 2,85 177,4 33,9 4,6 215,9

HEV 1,70 0,24 0,19 2,13 120,4 21,3 11,6 153,2

Tabela C2 Consumo de energia (MJ/km) e emissões de CO2eq (g/km) em ciclo de vida para os ciclos NEDC, Baixa-Lisboa e Lisboa-Cascais considerando um tempo de vida de 550.000 km.

Ciclo de

Condução Veículo



NEDC

A1 1,39 0,19 0,09 1,67 98,1 17,3 5,4 120,9

A2 1,48 0,21 0,08 1,77 104,8 18,5 4,4 127,6

ICEV 2,55 0,41 0,03 2,99 189,5 36,2 1,7 227,3

HEV 1,50 0,21 0,07 1,78 106,5 18,8 4,2 129,5

Baixa-Lisboa

B1 2,24 0,31 0,48 3,03 158,8 28,0 25,3 212,2

B2 2,45 0,34 0,36 3,15 173,3 30,6 19,1 223,0

B3 2,84 0,40 0,13 3,37 201,2 35,5 7,2 243,9

ICEV 4,70 0,75 0,03 5,48 349,4 66,8 1,7 417,5

HEV 2,42 0,34 0,07 2,83 171,3 30,3 4,2 205,8

Lisboa-Cascais

C1 1,49 0,21 0,10 1,80 105,4 18,6 6,1 130,1

C2 1,58 0,22 0,08 1,88 112,0 19,8 4,7 136,4

ICEV 2,39 0,38 0,03 2,80 177,4 33,9 1,7 213,0

HEV 1,70 0,24 0,07 2,01 120,4 21,3 3,6 145,2

Tabela C3 Consumo de energia (MJ/km) e emissões de CO2eq (g/km) em ciclo de vida para os ciclos NEDC,

Baixa-Lisboa e Lisboa-Cascais considerando um tempo de vida de 650.000 km. Ciclo de

Condução Veículo



NEDC

A1 1,39 0,19 0,08 1,66 98,1 17,3 4,6 120,0

A2 1,48 0,21 0,07 1,75 104,8 18,5 3,7 127,0

ICEV 2,55 0,41 0,02 2,98 189,5 36,2 1,4 227,1

HEV 1,50 0,21 0,06 1,77 106,5 18,8 3,6 128,9

Baixa-Lisboa

B1 2,24 0,31 0,4 2,96 158,8 28,0 21,4 208,3

B2 2,45 0,34 0,3 3,09 173,3 30,6 16,2 220,0

B3 2,84 0,40 0,11 3,35 201,2 35,5 6,1 242,8

ICEV 4,70 0,75 0,02 5,48 349,4 66,8 1,4 417,5

HEV 2,42 0,34 0,06 2,82 171,3 30,3 3,6 205,1

Lisboa-

Cascais

C1 1,49 0,21 0,08 1,78 105,4 18,6 5,2 129,2

C2 1,58 0,22 0,07 1,87 112,0 19,8 4,0 135,7

ICEV 2,39 0,38 0,02 2,79 177,4 33,9 1,4 212,8

HEV 1,70 0,24 0,06 2,00 120,4 21,3 3,6 145,2

Configuração ótima de um veículo híbrido com motor de ... se reduziram em 42% as emissões de...

Documents

Transcript of Configuração ótima de um veículo híbrido com motor de ... se reduziram em 42% as emissões de...