Modular strukturierte Optimierung des Energiemanagements in Hybridfahrzeugen

Aubeck, Franz; Abel, Dirk; Pischinger, Stefan

doi:41519

Modular strukturierte Optimierung des Energiemanagements in Hybridfahrzeugen = Modulary structured optimization of the energy management in hybrid vehicles

Aubeck, Franz^RWTH*

2022

Verantwortlichkeitsangabevorgelegt von Franz Aubeck

ImpressumAachen 2022

UmfangXXII, 168 Seiten : Illustrationen, Diagramme

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2022

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Pischinger, Stefan (Thesis advisor)^RWTH* ; Abel, Dirk (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2022-06-03

Online
URL: http://digitale-objekte.hbz-nrw.de/storage2/2022/11/11/file_13/9277166.pdf

Einrichtungen

Lehrstuhl für Thermodynamik mobiler Energiewandlungssysteme und Institut für Thermodynamik (412310)

Inhaltliche Beschreibung (Schlagwörter)
Advanced Driver Assistance System (frei) ; Batterieaufladung (frei) ; Betankung (frei) ; Energieoptimierung (frei) ; Hybrid-Energiemanagement (frei) ; Konnektivitätseinheit (frei) ; Plug-In Hybrid Electric Vehicles (frei) ; Pontryagin-Minimalprinzip (frei) ; Pontryagin’s minimum principle (frei) ; Tarife (frei) ; Trajektorienplanung (frei) ; Umweltzone (frei) ; V2I (frei) ; V2X (frei) ; advanced driver assistance system (frei) ; battery recharging (frei) ; connected vehicle (frei) ; connectivity unit (frei) ; dynamic programming (frei) ; dynamische Programmierung (frei) ; energy optimization (frei) ; hybrid energy management (frei) ; low emission zone (frei) ; model predictive control (frei) ; modellprädiktive Steuerung (frei) ; optimal control strategy (frei) ; optimale Steuerungsstrategie (frei) ; plug-in hybrid electric vehicles (frei) ; predictive energy management (frei) ; prädiktives Energiemanagement (frei) ; refueling (frei) ; tariffs (frei) ; trajectory planing (frei) ; vernetztes Fahrzeug (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Plug-in-Hybrid-Elektrofahrzeuge (PHEVs) ergänzen im Vergleich zu konventionellen Fahrzeugen den klassischen Verbrennungsmotor durch einen oder mehrere Elektromotoren und mindestens einen Energiespeicher, typischerweise in Form einer Hochvoltbatterie. Dadurch erhält das Fahrzeug zusätzliche Freiheitsgrade für einen effizienteren Betrieb. Im realen langen Fahrbetrieb sind die Beschaffung verschiedener elektrischer und chemischer Treibstoffe, deren Verfügbarkeit entlang einer Strecke, die effiziente Entnahme aus dem Versorgungsnetz und die Möglichkeit, den Fahrmodus für elektrisches Fahren in Umweltzonen zu wechseln, entscheidend. Die Integration neuer Informationsquellen außerhalb der Fahrzeugsensoren durchunterschiedliche Arten der Vernetzung des Fahrzeugs mit der Außenwelt ermöglicht weitere Freiheitsgrade für eine effizientere Betriebsführung. Diese Arbeit verbindet diese Betriebsziele in einer Software mit einer energieoptimalen Fahrzeugbetriebsstrategie, die den Fahrer beim Betanken und Aufladen der Hochvoltbatterie optimal führt und die Geschwindigkeitsregelung sowie die Regelung des Energiemanagements optimal übernimmt. Um eine optimale Regelung des Gesamtsystems mit einem Schwerlast- und Personenkraftwagen zu erreichen, sind generische online Optimierungsalgorithmen notwendig. Diese erlauben zum einen die gleichzeitige Berücksichtigung mehrerer Zielkriterien wie monetäre Kosten, Zeit und Verbrauch und benötigen zum anderen möglichst kurze Rechenzeiten. Eine Echtzeitoptimierung wird erreicht, indem das numerische Lösungsverfahren durchglobale und iterative Berechnungsformen erweitert wird. Um stochastische und deterministische Informationen entlang der Routenführung berücksichtigen zu können, wird der Ansatz einer Kostenfunktion durch modulare Kostenfunktionen erweitert. In drei Softwaremodulen (Missions-, Energie- und Leistungsmanagement) werden so die Informationen unterschiedlicher Prädiktionshorizonte in die Optimierung einbezogen und eine optimale Regelung aller Zielkriterien gewährleistet. Dabei werden Dynamische Programmierung (DP), Pontryaginsches Minimumprinzip (PMP),Konvexe Quadratische Programmierung (CQP) in Echtzeit mit adjungierten Äquivalenzfaktoren effektiv gekoppelt. In den Fahrzeugsimulationen werden die entwickelten Module mit der in den Versuchsfahrzeugen installierten regelbasierten Strategie zur Steuerung des Energiemanagements verglichen. Durch das Missionsmanagement ergeben sich für PHEV monetäre Kostenvorteile von 22,69 %, wobei lange Umweltzonen lokalemissionsfrei elektrisch durchfahren werden können. Bei Berücksichtigung eines Geschwindigkeitstoleranzbandes im Energiemanagement kann der Kraftstoffverbrauch sowohl im Lkw- als auch im Pkw-Segment bei ähnlich gewählten Fahrbedingungen um durchschnittlich 4 % für konventionelle Fahrzeuge und 9,3 % für PHEV reduziert werden. Abschließend können die Vorteile und die Robustheit der entwickelten Optimierungsalgorithmen in zwei Echtzeitsystemen für Fahrzeuge demonstriert werden.

Plug-in Hybrid Electric Vehicles (PHEVs) supplement the classic combustion engine with one or more electric motors and at least one energy storage unit, typically in the form of a high-voltage battery, compared to conventional vehicles. This gives the vehicle additional degrees of freedom for more efficient operation. In real-world long-distance driving, the procurement of various electric and chemical fuels, their availability along a route, efficient extraction from the supply network, and the ability to switch driving modes for electric driving in low-emission zones are crucial. The integration of new sources of information outside the vehicle sensors through different ways of connecting the vehicle to the outside world allows further degrees of freedom for more efficient driving operations. This work combines these operational goals in software with an energy optimal vehicle operation strategy that optimally guides the driver during refueling the tank and recharging the high-voltage battery, controls the velocity and governs the energy management in an optimal way. In order to achieve an optimal control of the overall system with a heavy-duty truck and passenger car, generic online optimization algorithms are necessary. On the one hand, these allow the simultaneous consideration of multiple objective criteria such as monetary costs, time and consumption. On the other hand, they require the shortest possible computation times. Real-time optimization is achieved by extending the numerical solution procedure with global and iterative forms of computation. To be able to consider stochastic and deterministic information along the routing, the concept of a cost function is extended by modular cost functions. In three structured software modules (Mission-, Energy- and Power Management) the information from different prediction horizons is there by incorporated into the optimization and an optimal control of all target criteria is guaranteed. Thereby, Dynamic Programming (DP), Pontryagin’s Minimum Principle(PMP), Convex Quadratic Programming (CQP) are effectively coupled with ad joint equivalence factors in real time. In the vehicle simulations, the developed modules are compared with the rule-based energy management control strategy installed in prototype vehicles. The mission management results in monetary cost advantages of 22.69 % for PHEVs, where long low emission zones can be passed electrically, locally emission free. When a velocity tolerance band is considered in the energy management, fuel consumption can be reduced by an average of 4 % for conventional vehicles and 9.3 % for PHEVs in both truck and car segments under similarly selected driving conditions. Finally, the advantages and robustness of the developed optimization algorithms can be demonstrated in two real-time vehicle systems.

External link:

Table of contents