Flottendatenbasierte physikalische Routenenergiebedarfsprognose

Thema dieser Arbeit ist die Entwicklung einer präzisen Prognose des Energiebedarfs eines Elektrofahrzeuges entlang geplanter Routen. Diese Verbrauchsinformation ist wichtig für zuverlässige Reichweitenprognosen und weitere energetisch planende Anwendungen, wie z. B. eine Ladestoppplanung auf Langstreckenfahrten. Diese erleichtern den Alltag im Elektrofahrzeug. Mit dieser erhöhten Nutzerfreundlichkeit sinken Reichweitenängste, welche potenziell das Interesse an Elektrofahrzeugen hemmen. Damit stützen energetisch planende Anwendungen das Kaufinteresse an lokal emissionsfreien Elektrofahrzeugen. ... mehrDies hilft Regierungen und Staatenbünden, ihren Klimazielen für den Individualverkehrssektor näher zu kommen.
Um auf die Klimaziele mit energetisch planenden Funktionen hinzuarbeiten, ist entlang geplanter Strecken eine präzise, fahrtspezifische Energiebedarfsprognose unabdingbar, welche relevante Einflüsse separat quantifiziert. Nach der Identifikation solcher Einflüsse von Fahrzeug, Strecke und Fahrprofil, beschreibt diese Arbeit deren nachvollziehbare und übertragbare Modellierung. Für das physikalische Fahrzeugmodell lernt eine Fahrwiderstandsschätzung energetische Einflüsse an und korrigiert diese basierend auf einer Wetterprognose entlang der Strecke. Welchen Einfluss die Strecke und der Verkehr dabei auf das Fahrerverhalten haben, modelliert eine neuartige Fahrprofilprognose. Diese Prognose nutzt Flottendaten zu Geschwindigkeit und insbesondere zur Dynamik. Deren Einfluss auf die Energieflüsse beim Fahren und Rekuperieren erfassen dabei nur fünf Parameter. Ergänzt um Echtzeitverkehrsinformation ist diese Energiebedarfsprognose also strecken-, fahrer- und fahrtspezifisch.
Die Beurteilung der Genauigkeit dieses Prognoseansatzes in verschiedenen Varianten und im Vergleich mit Literaturmodellen stützt sich auf über 12000 km an Testfahrtstrecke. Entlang deren Strecken liegen in Summe 30 Millionen Kilometer an Flotten-Fahrdaten vor. Mit diesen Daten ist die genaueste Variante der flottendatengestützten physikalischen Energiebedarfsprognose absolut 12,5±2,6 % genau und damit mindestens 18,4 % genauer als die gegenübergestellten Prognosemodelle aus der Literatur.
Dementsprechend kann die vorgestellte Energieprognose präzise und zuverlässige Information für energetisch planende Anwendungen bereitstellen. Beispiele der Anwendungen zeigt diese Arbeit abschließend anhand einer Reichweitenprognose sowie einer zeitlichen Routenoptimierung, welche die Stellhebel der Ladestoppplanung und der Geschwindigkeit damit zuverlässiger nutzen kann. Über solche Anwendungen soll diese Energiebedarfsprognose die Akzeptanz und das Vertrauen in die individuelle elektrische Mobilität stärken.

The subject of this work is the development of a precise forecast of the energy demand of an electric vehicle along planned routes. This consump-tion information is important for reliable range predictions and other energet-ically planning applications, such as charging stop planning on long-distance trips. These ease the daily routine in electric vehicles. This enhanced user-friendliness reduces range anxiety, which potentially inhibits interest in an electric vehicle. Thus, energetically planning applications increase the interest in buying locally emission-free electric vehicles. ... mehrThis helps international governments to get closer to their climate targets for the individual transport sector.
To work towards the climate goals using energy planning functions, a precise, trip-specific energy demand prediction along planned routes is indispensable, which separately quantifies relevant influences. Based on the identification of such influences of vehicle, route and driving profile, this work describes their verifiable and transferable modeling. In the physical vehicle model, a driving resistance estimation learns energetic influences and corrects them based on a weather forecast along the route. The route and traffic influence on driver behavior are modeled by a novel driving profile prediction. This forecast uses fleet data on speed and, in particular, dynamics. Their influ-ence on the energy flows during driving and recuperation is captured by just five parameters. Augmented by real-time traffic information, this energy demand forecast is thus route-, driver- and trip-specific.
The assessment of the accuracy of this prediction approach in different configurations and in comparison, with literature models is based on more than 12000 km of test drives. Along their routes, a total of 30 million kilome-ters of fleet driving data are available. According to these data, the most accurate variant of the fleet data-based physical energy demand forecast is 12.5±2.6% accurate in absolute terms and thus at least 18.4% more precise than the compared forecast models from the literature.
Accordingly, the presented energy forecast can provide precise and reliable information for energetically planning applications. Finally, this work shows examples of applications in terms of a range prediction as well as a temporal route optimization, which can use the levers of charge stop planning and speed more reliably with it. Via such applications, this energy demand predic-tion should foster the acceptance and confidence in individual electric mobility.