Optimales Energiemanagement mild elektrifizierter Antriebe unter realen Betriebsbedingungen mittels Prädiktionsalgorithmen aus dem Bereich des Maschinellen Lernens
Abstract:
Diese Arbeit untersucht das Energiemanagement hybridelektrischer Fahrzeuge. Es werden Strategien für Systemauslegung und Fahrzeugimplementierung analysiert. Fokus liegt auf ECMS, DP und PMP. Prädiktives Energiemanagement und datengetriebene Verfahren wie Markov-Ketten, FFNN und RNN werden behandelt. Online-ECMS zeigt signifikante Einsparpotentiale.
Abstract (englisch):
This study explores energy management for hybrid electric vehicles. It analyzes strategies for system design and vehicle implementation. Focus is on ECMS, DP, and PMP. Predictive energy management and data-driven methods like Markov Chains, FFNN, and RNN are discussed. Online-ECMS shows significant savings potential.
| Zugehörige Institution(en) am KIT | Institut für Fahrzeugsystemtechnik (FAST) |
| Publikationstyp | Hochschulschrift |
| Publikationsjahr | 2025 |
| Sprache | Deutsch |
| Identifikator | ISBN: 978-3-7315-1426-8 ISSN: 1869-6058 KITopen-ID: 1000179948 |
| Verlag | KIT Scientific Publishing |
| Umfang | XXIII, 254 S. |
| Serie | Karlsruher Schriftenreihe Fahrzeugsystemtechnik / Institut für Fahrzeugsystemtechnik ; 128 |
| Art der Arbeit | Dissertation |
| Fakultät | Fakultät für Maschinenbau (MACH) |
| Institut | Institut für Fahrzeugsystemtechnik (FAST) |
| Prüfungsdaten | 05.12.2024 |
| Prüfungsdatum | 05.12.2024 |
| Schlagwörter | Hybridelektrische Fahrzeuge, Energiemanagementstrategien, Maschinelles Lernen, Künstliche Neuronale Netze, Dynamische Programmierung,, Hybrid electric vehicles, energy management strategies, machine learning, artificial neural networks, dynamic programming |
| Nachgewiesen in | OpenAlex |
| Relationen in KITopen | |
| Globale Ziele für nachhaltige Entwicklung | |
| Referent/Betreuer | Gauterin, Frank Parspour, Nejila |