Stochastic Range Estimation Algorithms for Electric Vehicles using Data-Driven Learning Models

Eingeschränkte elektrische Reichweite und Ladeinfrastruktur führen zu Reichweitenangst bei Fahrern von Elektrofahrzeugen. Aktuelle Algorithmen zur Berechnung der Reichweite werden als unzuverlässig empfunden und hohe Sicherheitspuffer werden reserviert, um das Risiko eines Liegenbleibers zu reduzieren. Dies ist eines der Hauptprobleme, welches eine weitreichende Akzeptanz von Elektrofahrzeugen verhindert. Ein Ansatz um die
Reichweitenangst zu verringern ist eine zuverlässigere Reichweitenberechnung, welche grundsätzlich auf zwei Faktoren beruht: dem aktuellen Energieinhalt der Batterie und der Energieverbrauchs-Vorhersage auf der Route bis zum Ziel. ... mehrDiese Arbeit zielt darauf ab, letzteres durch das Berücksichtigen von Vorhersage-Unsicherheiten zu verbessern. Der Prädiktionsalgorithmus selbst lernt von Fahrer- und Verkehrsdaten aus einem Trainings-Set um akkurate, fahrerindividuelle Energieverbrauchsvorhersagen zu generieren.
Dabei ist die explizite Berücksichtigung der Verkehrssituation durch Klassifikation
der Verkehrsphasen ein zentraler Aspekt des Algorithmus. Mithilfe dieser Methode können individuelle Vorhersagen präziser berechnet werden, da sie abhängig vom Verkehr in der Umgebung sind. Um die Algorithmen zu validieren wird deren Performance mittels Realfahrdaten von verschiedenen Fahrern evaluiert. Auf Basis dieser Evaluation kann sowohl die Überlegenheit von stochastischen Algorithmen gegenüber deterministischen Vorhersagen als auch die Verbesserung der Vorhersagegüte durch Berechnung expliziter Verkehrsphasen gezeigt werden.

Limited range and charging infrastructure leads to range anxiety of electric vehicle drivers. Current range estimation algorithms are deemed unreliable and large safety margins are reserved to prevent the risk of stranding. This is one of the main problems limiting widespread acceptance of electric vehicles. One approach to reduce range anxiety is a more reliable range estimation, which in general depends on two factors: current battery energy content and the energy consumption forecast on the route to destination. This work aims at improving the latter by enhancing the forecast with a notion of uncertainty. ... mehrThe prediction algorithm itself learns from driver and traffic
data in a training set to generate accurate, driver-individual energy consumption
forecasts. Thereby, a central part of the algorithm is the explicit evaluation of the traffic situation by classifying the traffic phases. With the help of this methodology, individual forecasts can be made more precise since they are highly dependent on the surrounding traffic. To demonstrate the validity of the algorithms, the performance is evaluated using real test drive data comprising multiple drivers. On the basis of the performance evaluation, both the superiority of stochastic algorithms over deterministic predictions
and the improvement of predictive performance by evaluating explicit traffic phases can be shown. Implementing the proposed methodology in modern day electric vehicles could reduce range anxiety and ultimately increase acceptance of electric mobility worldwide.