Resumo: Este trabalho tem como objetivo desenvolver uma estratégia de gerenciamento de potência, por meio de aprendizado de máquinas, para um veículo elétrico com tração nas quatro rodas. Para atingir esse objetivo, um gerador de ciclos de condução foi elaborado a partir de um método evolucionário de operadores genéticos, capaz de produzir um ciclo de treinamento, que simule os desafios reais encontradas em vias urbanas e rodoviárias, a partir de ciclos de conduções padrões e ciclos reais. Posteriormente, um modelo de rede neural artificial de multicamadas com arquitetura genérica foi desenvolvido, dessa maneira, durante o treinamento evolucionário genético multiobjetivo, a melhor configuração para a arquitetura da rede neural seja determinada, assim como a quantidade de camadas, o número de neurônios e as suas funções de ativação. Em seguida, a rede é aplicada no gerenciamento de potência de um veículo elétrico e o seu treinamento visa maximizar a autonomia do veículo, minimizar a massa do sistema de potência elétrica (motores e baterias), minimizar o tempo total de recarga da bateria e minimizar os custos envolvidos com a bateria. Após o treinamento, a solução com maior fator de desempenho apresentou uma autonomia de 157,8 km, massa do sistema elétrico de 295,4 kg, uma expectativa de vida útil da bateria de 205.000 km, um valor RMSE de 0,172 km/h para a variação máxima de 3,986 km/h. Por fim, a rede neural artificial foi implementada em um microcontrolador ATmega 328p e uma simulação hardware-in-the-loop é desenvolvida para avaliar a rede atuando em condições reais. Os resultados obtidos na simulação mostram que o microcontrolador conseguiu gerenciar a distribuição de potência do veículo elétrico adequadamente, obtendo um erro RMSE da velocidade do veículo em comparação com o ciclo de treinamento de 0,188 km/h e um erro máximo das velocidades de 3,986~km/h. O tempo de processamento gasto pelo microcontrolador para processar o comando de atuação variou entre 0,012 s e 0,018 s, com tempo médio de 0,015 s Ver menos

Abstract: This work aims to develop a power management strategy by machine learning for a four-wheel-drive electric vehicle. A model is developed to reproduce the planar (longitudinal and lateral) dynamic behavior of vehicles. To achieve this objective, a driving cycle generator was developed based on an evolutionary method of genetic operators, generating a training cycle that simulates the real conditions of urban roads and highways, based on standard driving cycles and real cycles. Subsequently, a multilayer artificial neural network model with generic architecture was developed, in this way, during the multi-objective genetic evolutionary training, the best configuration for the neural network architecture is determined, such as the number of layers, the number of neurons and their activation functions. Then, the network is applied in the power management of an electric vehicle and its training aims to maximize the vehicle's autonomy, minimize the mass of the electric power system (motors and batteries), minimize the total battery recharge time and minimize the costs involved with the battery. The training aims to maximize the vehicle's autonomy, minimize the electric power system mass (motors and batteries), the battery recharge time, and the battery cost. After training, the solution with the highest fitness value had a autonomy of 157.8 km, electrical system mass of 295.4 kg, a battery life expectancy of 205,000 km, an RMSE value of 0.172 km/h for the maximum variation of 3.986 km/h. Finally, the best artificial neural network was implemented in an ATmega 328p microcontroller and a hardware-in-the-loop simulation evaluates the neural network performing under real conditions. The results obtained in the simulation indicate that the microcontroller adequately managed the power distribution of the electric vehicle,obtaining an RMS error of the vehicle speed compared to the training cycle of 0.188 km/h and a maximum speed error of 3.986~km/h. The processing time spent by the microcontroller to process the actuation command varied between 0.012 s and 0.018 s, with an average time of 0.015 s Ver menos