Evaluatie van elektrische voertuigprestaties met behulp van rijcyclusclustering gebaseerd op motor-omvormerverliezen en efficiëntie

Waarom deze studie belangrijk is voor elektrische auto’s

Elektrische auto’s beloven schonere steden en lagere CO2-uitstoot, maar hoe efficiënt ze batterijenergie in beweging omzetten hangt van meer af dan alleen de motor. Deze studie kijkt binnen de elektrische aandrijflijn om te zien hoe zowel de motor als de vermogenselektronica die hem voedt energie verspillen of besparen onder realistische rijomstandigheden. Door duizenden seconden stop‑en‑go-verkeer terug te brengen tot slechts een handvol sleutelomstandigheden, laten de auteurs zien hoe ingenieurs efficiëntere elektrische voertuigen met groter bereik kunnen ontwerpen zonder te verdrinken in rekentijd.

Van wegen en verkeer naar krachten en snelheden

De onderzoekers beginnen op wegenniveau, met drie standaard snelheidsprofielen waarop autofabrikanten al vertrouwen voor tests: Europese, wereldwijde en Amerikaanse stadsrijcycli. Dit zijn tijdreeksen van hoe snel een auto rijdt, hoe vaak hij stopt en hoe sterk hij accelereert. Vanuit deze curves berekent een voertuigmodel de krachten aan de wielen en vervolgens het koppel en de snelheid die de elektromotor via een vaste overbrenging moet leveren. Op die manier wordt elke seconde rijden vertaald naar een punt op een koppel‑snelheidskaart, wat onthult waar in zijn bedrijfsgebied de motor daadwerkelijk zijn tijd en energie doorbrengt.

Duizenden momenten comprimeren tot een paar sleutelpunten

Het simuleren van een geavanceerd motorontwerp op elk afzonderlijk koppel‑snelheidspunt zou dagen of weken rekentijd vergen. Om dit te voorkomen past de studie data‑mining‑instrumenten toe. Eerst groepeert een gebruikelijke clusteringmethode vergelijkbare bedrijfs­punten. Daarna zorgt een energiebewuste verfijning, de zogenaamde Energy Centre of Gravity‑benadering, ervoor dat de gekozen “representatieve punten” niet alleen typisch zijn, maar ook gelegen zijn waar het meeste energie daadwerkelijk wordt gebruikt. Elk representatief punt krijgt een gewicht op basis van hoe vaak het voorkomt en hoeveel energie het verbruikt, zodat een kleine set punten kan optreden voor een hele rit terwijl het werkelijke energiebestand behouden blijft.

In de motor en zijn elektronische hart kijken

Met deze representatieve punten in de hand wenden de auteurs zich tot gedetailleerde motorsimulaties. Ze bestuderen een interne permanentmagneetmotor, een populaire keuze voor elektrische auto’s omdat hij veel koppel en efficiëntie in een compact pakket levert. Met behulp van eindige-elementenanalyse brengen ze in kaart hoe magnetische velden, koperen wikkelingen en stalen kern zich gedragen over een reeks stroominstellingen. Een regelstrategie bekend als “maximum koppel per ampère” wordt gebruikt om voor elk bedrijfs­punt de stroomcombinatie te vinden die het benodigde koppel levert met de minste elektrische inspanning. Uit deze simulaties halen ze belangrijke verliesbronnen: verwarming in de koperen wikkelingen en gemagnetiseerd staal die energie aftappen en door koelsystemen moeten worden afgevoerd.

Elektronische “kleppen” die de motor voeden vergelijken

Vervolgens voegt de studie het effect van de omvormer toe, het kastje met snelle elektronische schakelaars dat de gelijkstroom van de batterij omzet in de driefasestromen die de motor nodig heeft. Twee moderne omvormertechnologieën worden vergeleken: één gebaseerd op IGBT‑schakelaars en een andere op SiC‑MOSFET‑schakelaars. Met modellen gebouwd op gegevens van fabrikanten berekenen de auteurs zowel geleidingsverliezen (energie die verloren gaat wanneer er stroom vloeit) als schakelverliezen (energieflitsen die worden verspild elke keer dat de apparaten aan en uit schakelen). Ze voeren de resulterende stroomvormen in de motorsimulaties, wat laat zien hoe de scherpe, gepulseerde stromen van echte omvormers extra koppelrimpels en additionele magnetische verliezen introduceren vergeleken met een ideaal gladde voeding.

Wat dit betekent voor actieradius, efficiëntie en rekentijd

Over alle drie de rijcycli heen reproduceert de clusteringbenadering de motor­efficiëntie van een volledige cyclus binnen ongeveer twee procent, terwijl het gedetailleerde simulaties terugbrengt van tientallen uren naar ongeveer tien minuten per cyclus voor de motor alleen. Wanneer het gedrag van de omvormer wordt meegerekend, nemen de totale verliezen merkbaar toe en daalt de algehele aandrijflijn­efficiëntie met enkele procentpunten vergeleken met het geïdealiseerde geval. Toch verspeelt de op SiC‑MOSFET gebaseerde omvormer consequent minder energie dan de IGBT‑gebaseerde, dankzij lagere schakelverliezen, wat hem vooral aantrekkelijk maakt voor voertuigen die vaak van snelheid veranderen. Voor leken is de hoofdboodschap dat zowel de motor als zijn elektronische “kraan” samen moeten worden ontworpen, en dat slimme datavermindering ingenieurs in staat stelt veel ideeën snel te testen. Door de belangrijkste rijsituaties vast te leggen en het gezamenlijke motor‑omvormer­systeem te modelleren, biedt dit werk een praktische weg naar elektrische auto’s die verder rijden op dezelfde batterijlading zonder onpraktische hoeveelheden rekenkracht te vereisen.

Bronvermelding: Abdelali, K., Bendjedia, B., Rizoug, N. et al. Evaluation of electric vehicle performance using driving cycle clustering based on motor-inverter losses and efficiency. Sci Rep 16, 8040 (2026). https://doi.org/10.1038/s41598-026-36663-3

Trefwoorden: efficiëntie van elektrische voertuigen, aandrijfmotorontwerp, vermogenselektronica-omvormer, analyse van rijcycli, energetische verliezen