Effizienzsteigerung des Hybrid-Antriebsstrangs durch Integration einer prädiktiven online-optimierenden Betriebsstrategie

Hybridfahrzeuge werden künftig eine zunehmend wichtige Rolle spielen, da sie erhebliches Potenzial zur Reduktion von Kraftstoffverbrauch und Emissionen bieten. Dieses Potenzial ergibt sich aus der Möglichkeit, die Leistungsanforderungen auf mehrere Energiewandler zu verteilen, wobei die optimale Auswahl der Betriebszustände eine zentrale Herausforderung darstellt. Aufgrund der Notwendigkeit, die Nutzung von fossilen Energieträgern so gut es geht zu reduzieren, um dem Klimawandel vorzubeugen, ist die bestmögliche Nutzung dieses Potenzials daher von großem Wert. In Rahmen der vorliegenden Arbeit wird eine Entwicklungsumgebung aufgebaut, um das Potenzial einer prädiktiven Betriebsstrategie zu untersuchen. Diese Strategie schätzt die zukünftigen Leistungsanforderungen anhand eines definierten Prädiktionshorizonts ab und optimiert die Drehmomentverteilung zwischen Verbrennungs- und Elektromotor. In einer Co-Simulationsumgebung wird ein Gesamtfahrzeugmodell aufgebaut und mit realen Messdaten validiert. Dies beinhaltet die Ableitung von Fahrzeugparametern und die Erstellung eines Fahrermodells, um unterschiedliche Fahrszenarien zu simulieren. Das Modell wird durch Simulationen getestet, bei denen das virtuelle Modell mit realer Hardware verglichen wird. Für die prädiktive Strategie wird ein Optimierer entwickelt, der die Effizienz von Elektro- und Verbrennungsmotor anhand einer Kostenfunktion bewertet. Hierbei wird der Äquivalenzfaktor dynamisch an die prädizierten Lastanforderungen angepasst, was eine prädiktive Entscheidungsfindung ermöglicht. Bei der Datenakquise für die Prädiktionsberechnung werden Fahrzeug- und Fahrerdaten aus Messungen sowie Routeninformationen aus Cloud-Services verwendet. Ein speziell entwickeltes Modul ruft Geodaten ab und integriert sie in die Co-Simulationsumgebung, um Prädiktionsvektoren für die prädiktive Strategie zu erstellen. Zur Implementierung und Validierung werden die Modelle in der Co-Simulationsumgebung zusammengeführt. Weitere Simulationen dienen der Kalibrierung der prädiktiven Strategie und der Bewertung ihres Einflusses auf Energieeinsparung und Fahrkomfort. Die Simulationen zeigen eine mögliche Kraftstoffreduktion von etwa 14 % bei perfekter Geschwindigkeitsprädiktion und bis zu 12 % bei berechneten Prädiktionen. Insgesamt bestätigten die Ergebnisse die Robustheit der prädiktiven Strategie, auch bei leichten Abweichungen oder Messstörungen.

Hybrid vehicles will play an increasingly important role in the future, as they offer significant potential for reducing fuel consumption and emissions. This potential arises from the ability to distribute power demands across multiple energy converters, with the optimal selection of operating states being a central challenge. Given the need to reduce the use of fossil fuels as much as possible to mitigate climate change, maximizing this potential is of great importance. In this work, a development environment is established to explore the potential of a predictive control strategy. This strategy estimates future power demands based on a defined prediction horizon and optimizes the torque distribution between the internal combustion engine and the electric motor. A full vehicle model is developed in a co-simulation environment and validated using real-world data. This includes deriving vehicle parameters and creating a driver model to simulate various driving scenarios. The model is tested through simulations, where the virtual model is compared with real hardware. For the predictive strategy, an optimizer is developed that evaluates the efficiency of the electric and combustion engines using a cost function. The equivalence factor is dynamically adjusted to the predicted load requirements, enabling predictive decision-making. Data acquisition for the prediction calculation involves using vehicle and driver data from measurements, as well as route information from cloud services. A specially developed module retrieves geodata and integrates it into the co-simulation environment to create prediction vectors for the predictive strategy. For implementation and validation of the strategy, the models are integrated within the co-simulation environment. Further simulations are conducted to calibrate the predictive strategy and assess its impact on energy savings and driving comfort. The simulations demonstrate a potential fuel reduction of around 14% with perfect speed prediction and up to 12% with calculated predictions. Overall, the results confirmed the robustness of the predictive strategy, even with slight deviations or measurement errors.