Optimales Energiemanagement mild elektrifizierter Antriebe unter realen Betriebsbedingungen mittels Prädiktionsalgorithmen aus dem Bereich des Maschinellen Lernens

Die vorliegende Arbeit befasst sich mit dem optimalen Energiemanagement hybridelektrischer Fahrzeuge. Dies umfasst sowohl die Untersuchung von Energiemanagementstrategien (EMS) für den Einsatz im Rahmen der Systemauslegung, als auch EMS für eine spätere Implementierung im Fahrzeug. Einleitend werden die Grundlagen hybridelektrischer Fahrzeuge eingeführt. Ebenso wird die Modellierung des Antriebsstrangs mit 48 V-Hybridisierung beschrieben und es werden die verwendeten Realfahrzyklen vorgestellt. Anschließend wird ein Überblick zum Energiemanagement elektrifizierter Fahrzeuge gegeben, wobei der Fokus auf der sogenannten Equivalent Consumption Minimization Strategy (ECMS), der Dynamischen Programmierung (DP) und dem Pontryagin’schen Minimum Prinzip (PMP) liegt. ... mehrAußerdem wird auf prädiktives Energiemanagement eingegangen. Dabei werden datengetriebene Verfahren zur Vorhersage des zukünftigen Drehmomentbedarfs vorgestellt. Dies umfasst Markov-Ketten (MC), aber auch Verfahren aus dem Bereich des Maschinellen Lernens wie Vorwärtsgerichtete Neuronale Netze (FFNN) und Rekurrente Neuronale Netze (RNN). Dieser erste Teil der Arbeit schließt mit der Identifikation des Forschungsbedarfs ab.

Im Hauptteil wird zunächst auf EMS in der Systemauslegung eingegangen, wobei die Kopplung eines generischen DP-Lösungsalgorithmus mit dem bestehenden Modell beschrieben wird. Es wird herausgearbeitet, welche individuellen Vorteile sich bei der Anwendung von DP und Offline-ECMS ergeben. Dabei zeigt sich, dass die Offline-ECMS deutlich geringere Rechenzeiten aufweist, mittels der DP jedoch beim Auftreten zeitvarianter Effekte zusätzliche Systempotentiale identifiziert werden. Für den Einsatz im realen Fahrbetrieb wird eine onlinefähige Implementierung der ECMS vorgestellt (Online-ECMS), die den Fokus der Arbeit darstellt. Im Gegensatz zu verwandten Konzepten kann die vorgestellte Online-ECMS auch ohne Kenntnis des zukünftigen Fahrgeschwindigkeitsprofils eingesetzt werden, wodurch eine robuste Einsetzbarkeit gewährleistet ist. Anschließend wird die Simulationsumgebung genutzt, um die entwickelte Online-ECMS zur Validierung auf ein Modell des Testfahrzeugs anzuwenden und Vergleiche mit den Messdaten anzustellen. Die entwickelte Online-ECMS weist signifikante Einsparpotentiale im Vergleich zur EMS des Testfahrzeugs auf. Ebenso lassen sich allgemeine Handlungsempfehlungen zur bestehenden EMS des Testfahrzeugs ableiten. Abschließend werden die Potentiale prädiktiver EMS aufgezeigt. Es stellt sich heraus, dass insbesondere RNN zur Vorhersage des zukünftigen Drehmoments geeignet sind. Durch die Berücksichtigung von Kartendaten können dynamische Effekte besser vorhergesagt werden. Darüber hinaus werden zwei Konzepte einer prädiktiven Online-ECMS vorgestellt. Dabei wird gezeigt wie durch die Nutzung prädiktiver Informationen zusätzliche Einsparpotentiale erzielt werden.

Die Arbeit schließt mit einer Zusammenfassung über die wichtigsten Erkenntnisse ab. Hierbei wird ein Ausblick sowohl zur Verbesserung der Methoden als auch hinsichtlich der Übertragbarkeit auf batterieelektrische Fahrzeuge (BEV) gegeben.

The present work deals with the optimal energy management of hybrid electric vehicles. This includes the investigation of energy management strategies (EMS) for use in system design, as well as EMS for later implementation in the vehicle. Initially, the fundamentals of hybrid electric vehicles are introduced. Also described is the modeling of the powertrain with 48 V hybridization, and the real driving cycles used are presented. Subsequently, an overview of energy management for electrified vehicles is given, focusing on the so-called Equivalent Consumption Minimization Strategy (ECMS), Dynamic Programming (DP), and Pontryagin’s Minimum Principle (PMP). ... mehrIn addition, predictive energy management is addressed. This involves data-driven methods for predicting future torque demand, including Markov Chains (MC), as well as machine learning techniques such as Feedforward Networks (FFNN) and Recurrent Neural Networks (RNN). This first part of the work concludes with the identification of research needs.

In the main part, the focus is first on EMS in system design, where the coupling of a generic DP solution algorithm with the existing model is described. It is determined which individual advantages arise from the application of DP and Offline-ECMS. It turns out that an Offline-ECMS has significantly lower computation times, but DP can identify additional system potentials when time-variant effects occur. For use in real driving operation, an onlinecapable implementation of the ECMS is presented (Online-ECMS), which is the focus of the work. Unlike related concepts, the presented Online-ECMS can also be used without knowledge of the future driving speed profile, ensuring robust applicability. Subsequently, the simulation environment is used to apply the developed Online-ECMS to a model of the test vehicle for validation and to make comparisons with the measurement data. The developed Online-ECMS shows significant savings potential compared to the EMS of the test vehicle. General recommendations for action on the existing EMS of the test vehicle can also be derived. Finally, the potentials of predictive EMS are highlighted. It turns out that RNNs, in particular, are suitable for predicting future torque. By considering map data, dynamic effects can be better predicted. In addition, two concepts of a predictive Online-ECMS are presented. It is shown how the use of predictive information can achieve additional savings potentials.

The work concludes with a summary of the most important findings. This includes an outlook both for improving the methods and regarding the transferability to battery electric vehicles (BEV).