Erzeugung optimaler Fahrstrategien für Elektrofahrzeuge

Hellwig, Martin

Elektrofahrzeuge gelten als Baustein einer nachhaltigen Mobilität, da sie einen emissionsfreien Betrieb und die Nutzung regenerativer Energiequellen ermöglichen. Die begrenzte Reichweite von Elektrofahrzeugen gilt jedoch als größtes Hindernis bei der Verbreitung der Technologie. In der vorliegenden Arbeit wird diese Problematik durch die Entwicklung eines Fahrtenmanagement-Systems adressiert. Es ermöglicht die Berechnung einer effizienten Fahrweise und eine verlässliche Prognose des Ladezustands am Zielort. Um dies zu erreichen werden drei Kernaufgaben fokussiert. Zum Ersten werden auf Basis von Kartendaten Informationen über die vorausliegende Route gesammelt, um die Planung des Fahrtverlaufs vom Start zum Ziel zu ermöglichen. Durch Analyse zur Verfügung stehender Online-Daten wird die gesamte vorausliegende Fahrt planbar unter Berücksichtigung von Geschwindigkeitsbegrenzungen, Streckenverlauf und auftretender Verkehrssituationen. Zum Zweiten werden die erzeugten Daten genutzt, um eine Optimierung des Geschwindigkeitsverlaufs in dynamischer Programmierung nach dem Optimalitätsprinzip von Bellman umzusetzen. Da sich Energieeffizienz und Fahrzeit als Zielgrößen der Optimierung gegenüberstehen, werden unterschiedlich gewichtete Lösungen erzeugt. Zum Dritten wird die Berechnung des Energiebedarfs durch ein rechenzeitoptimiertes Fahrzeugmodell fokussiert, welches anhand aufgezeichneter Realdaten verifiziert wird. In einer Gesamtfahrzeugsimulation wird der realitätsnahe Einsatz des Fahrtenmanagers gezeigt. Dabei findet eine laufende Korrektur der Fahrstrategie statt, um unvorhergesehene Einflüsse auf den Fahrtverlauf zu kompensieren und die Abweichung zu einem prognostizierten Zielwert zu minimieren. Die Neuheit der Arbeit liegt in der Kombination der Routenprädiktion und der Erzeugung pareto-optimaler Geschwindigkeitsverläufe durch die multikriterielle Optimierung. So wird die Berechnung verschiedener Fahrstrategien und die Umsetzung einer Strategie-Korrektur während der Fahrt ermöglicht. Auf diese Weise ist nicht nur eine Energieersparnis aufgrund der effizienten Fahrweise möglich, sondern auch eine verbesserte Vorhersage der Fahrzeit, respektive des Ladezustands am Zielort.

Electric vehicles are regarded as a key technology for sustainable mobility. They offer emission free driving and the possibility to use renewable energy sources. The most relevant obstacle for the market acceptance of electric vehicles is the limited range in comparison to combustion engine vehicles. In this thesis a driving manager is presented to improve the driving efficiency and accuracy in range estimation. The system calculates the optimal course of velocity for the upcoming route in terms of energy consumption and driving time. In order to achieve this, three core topics are addressed. The knowledge about the upcoming route and driving maneuvers is required to plan the optimal driving strategies. For that reason, route information is acquired using online data via map and routing services. By analyzing these data, the course of the road as well as driving maneuvers can be predicted. Based on this knowledge an optimal velocity is calculated, using dynamic programming following bellman's principle of optimality. Since travel time and low energy demand are concurrent objectives in finding the optimal strategy, differently weighted pareto-optimal solutions are calculated simultaneously. The precise calculation of energy demand in every driving situation is achieved by the implementation of a vehicle model with optimized computation time. The model is verified through a comparison with recorded vehicle data in real driving cycles. A simulation is performed to validate the concept and to illustrate the functionality of the system. Here, unpredictable influences on the driving situation or energy demand are simulated. The driving-manager compensates occurring deviations to predicted travel time or energy demand by adapting the optimal driving strategy during the journey. As a result, the deviation of the predicted target value, e.g. the state of charge at the destination, can be minimized. The novelty of the approach is the combination of route prediction and optimization of velocity with multiple optimization parameters. This enables utilization of varying driving strategies in an assistance system, which is able to adapt to unforeseen events and influences through a live-correction of the driving strategy. By this, the overall driving effciency can be increased and the prediction of remaining vehicle range at the destination is improved.

Vorschau

Zitieren

Zitierform:

Hellwig, Martin: Erzeugung optimaler Fahrstrategien für Elektrofahrzeuge. Hagen 2021. FernUniversität in Hagen.

Zugriffsstatistik

Gesamt:
Volltextzugriffe:
Metadatenansicht:
12 Monate:
Volltextzugriffe:
Metadatenansicht:

Grafik öffnen

Rechte

Nutzung und Vervielfältigung:
Alle Rechte vorbehalten

Export

powered by MyCoRe