DE102019105665A1 - Control device and method for controlling a drive system of a hybrid vehicle - Google Patents
Control device and method for controlling a drive system of a hybrid vehicle Download PDFInfo
- Publication number
- DE102019105665A1 DE102019105665A1 DE102019105665.9A DE102019105665A DE102019105665A1 DE 102019105665 A1 DE102019105665 A1 DE 102019105665A1 DE 102019105665 A DE102019105665 A DE 102019105665A DE 102019105665 A1 DE102019105665 A1 DE 102019105665A1
- Authority
- DE
- Germany
- Prior art keywords
- control
- drive system
- control variable
- data
- optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/10—Conjoint control of vehicle sub-units of different type or different function including control of change-speed gearings
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
- B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
- B60W10/08—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of electric propulsion units, e.g. motors or generators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
- B60W10/184—Conjoint control of vehicle sub-units of different type or different function including control of braking systems with wheel brakes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/24—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means
- B60W10/26—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means for electrical energy, e.g. batteries or capacitors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W20/00—Control systems specially adapted for hybrid vehicles
- B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
- B60W20/13—Controlling the power contribution of each of the prime movers to meet required power demand in order to stay within battery power input or output limits; in order to prevent overcharging or battery depletion
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/50—External transmission of data to or from the vehicle for navigation systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/06—Combustion engines, Gas turbines
- B60W2710/0666—Engine torque
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/08—Electric propulsion units
- B60W2710/083—Torque
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/10—Change speed gearings
- B60W2710/1005—Transmission ratio engaged
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/18—Braking system
- B60W2710/182—Brake pressure, e.g. of fluid or between pad and disc
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/24—Energy storage means
- B60W2710/242—Energy storage means for electrical energy
- B60W2710/244—Charge state
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/62—Hybrid vehicles
Abstract
Ein Verfahren zum Regeln eines Antriebssystems eines Hybridantriebsfahrzeugs kann beispielsweise aufweisen: Ermitteln von Vorgabe-Steuergrößen-Daten basierend auf einem Modell mittels eines Optimierungsverfahrens, wobei die Vorgabe-Steuergrößen-Daten einen Vorgabe-Verlauf von Steuergrößen des Antriebssystems für eine Teilstrecke einer vordefinierten Fahrstrecke repräsentieren, wobei das zweite Optimierungsverfahren eine dynamische Programmierung unter Verwendung des Pontrjaginschen Maximum-Prinzips aufweist, und wobei basierend auf ermittelten Hilfs-Optimierungsdaten Zielwerte für ein oder mehrere Parameter des zweiten Modells für die Teilstrecke ermittelt werden zum Ermitteln der Vorgabe-Steuergrößen-Daten basierend auf Fahrstrecken-Daten, Ist-Steuergrößen-Daten unter Berücksichtigung von Parametern, welche das Antriebssystem des Hybridantriebsfahrzeugs repräsentieren.A method for regulating a drive system of a hybrid drive vehicle can have, for example: Determining default control variable data based on a model by means of an optimization method, the default control variable data representing a default course of control variables of the drive system for a section of a predefined route, wherein the second optimization method has dynamic programming using the Pontryagin maximum principle, and based on determined auxiliary optimization data, target values for one or more parameters of the second model for the section are determined to determine the default control variable data based on route Data, actual control variable data, taking into account parameters that represent the drive system of the hybrid drive vehicle.
Description
Verschiedene Ausführungsbeispiele betreffen eine Regelvorrichtung zum Regeln eines Antriebssystems eines Hybridfahrzeugs, z.B. eines Hybridelektrofahrzeugs, und ein Verfahren zum Regeln eines Antriebssystems eines Hybridfahrzeugs, z.B. eines Hybridelektrofahrzeugs.Various embodiments relate to a control device for controlling a drive system of a hybrid vehicle, e.g. a hybrid electric vehicle, and a method for controlling a drive system of a hybrid vehicle, e.g. of a hybrid electric vehicle.
Im Allgemeinen können im Bereich der Fahrzeugtechnik Geschwindigkeitsregelanlagen verwendet werden, um den Fahrer eines Fahrzeugs bei der Längsführung zu unterstützen. Herkömmliche Geschwindigkeitsregelanlagen regeln beispielsweise mit oder ohne Berücksichtigung anderer Verkehrsteilnehmer die Geschwindigkeit auf einen statischen Geschwindigkeitssollwert, wobei allerdings der verwendeten Antriebsenergie und damit den Betriebskosten keine oder nur ungenügende Beachtung zukommt.In general, in the field of vehicle technology, cruise control systems can be used to support the driver of a vehicle with longitudinal guidance. Conventional cruise control systems regulate, for example, with or without taking other road users into account, the speed to a static speed setpoint, although the drive energy used and thus the operating costs are given little or no consideration.
Zur Berechnung einer optimalen Geschwindigkeit kann beispielsweise ein so genanntes Optimalsteuerungsproblem gelöst werden, was allerdings insbesondere für Antriebssysteme von Hybridfahrzeugen auf vergleichsweise langen Fahrstrecken (z.B. auf Fahrstrecken von mehr als 50 km, z.B. mehr als 100 km, oder mehr als 200 km) mit einem zu hohen Rechenaufwand verbunden ist, um diese Berechnungen in einer angemessenen Zeit, z.B. in weniger als 10 Minuten, weniger als 1 Minute oder weniger als 10 Sekunden, durchzuführen, insbesondere mittels der derzeit in Hybridfahrzeugen verfügbaren Rechenleistung. Beispielsweise kann derzeit in einem Hybridfahrzeug ein Computersystem mit einer Rechenleistung in einem Bereich von ungefähr 1 GFLOPS bis ungefähr 100 TFLOPS zum Einsatz kommen.To calculate an optimal speed, for example, a so-called optimal control problem can be solved, which is, however, particularly for drive systems of hybrid vehicles on comparatively long distances (e.g. on distances of more than 50 km, e.g. more than 100 km, or more than 200 km) with a high computational effort is connected to these calculations in a reasonable time, e.g. in less than 10 minutes, less than 1 minute or less than 10 seconds, in particular using the computing power currently available in hybrid vehicles. For example, a computer system with a computing power in a range from approximately 1 GFLOPS to approximately 100 TFLOPS can currently be used in a hybrid vehicle.
Gemäß verschiedenen Ausführungsformen werden eine Regelvorrichtung und ein Verfahren zum Regeln eines Antriebssystems eines Hybridfahrzeugs bereitgestellt. Die Regelvorrichtung bzw. das Verfahren basieren auf der Lösung eines Optimalsteuerungsproblems und sind beispielsweise derart eingerichtet, dass der Rechenaufwand zum Lösen des Optimalsteuerungsproblems derart klein gehalten wird, dass das Optimalsteuerungsproblem mittels eines fahrzeug-internen Rechensystems gerechnet werden kann und dabei nahezu optimal gelöst wird. Dazu wird eine modellbasierte prädiktive Regelung (als MPC abgekürzt und als modellprädiktive Regelung bezeichnet) mit zwei Optimierungsstufen implementiert. Dabei wird eine erste (obere) MPC Stufe verwendet, welche beispielsweise die gesamte geplante Fahrstrecke berücksichtigt, um mittels eines sequentiellen quadratischen Programms Teilstrecken-Zielgrößen zu berechnen, wobei die Teilstrecken-Zielgrößen in einer zweiten (unteren) MPC Stufe dazu verwendet werden, für Teilstrecken (d.h. mit einem kürzeren Horizont als die erste MPC Stufe) mittels der Teilstrecken-Zielgrößen die optimale Ansteuerung des Fahrzeugs zu ermitteln. Dabei erfolgt die Lösung des Optimalsteuerungsproblems in der unteren MPC Stufe mittels einer Kombination aus Dynamischer Programmierung und dem Pontrjaginschen Maximumprinzip. Der geringe Rechenaufwand der hierin beschriebenen modellprädiktiven Regelung mit zwei Optimierungsstufen kann in einem Hybridfahrzeug (z.B. in einem Parallel-Hybridelektrofahrzeug) eine Energie- und Kostenersparnis von bis zu 38 % realisieren, verglichen mit einer herkömmlichen Geschwindigkeitsregelanlage mit im Wesentlichen konstanten Geschwindigkeitsvorgaben.According to various embodiments, a control device and a method for controlling a drive system of a hybrid vehicle are provided. The control device and the method are based on the solution of an optimal control problem and are set up, for example, in such a way that the computational effort for solving the optimal control problem is kept so small that the optimal control problem can be calculated by means of a vehicle-internal computer system and is solved almost optimally. For this purpose, a model-based predictive control (abbreviated as MPC and referred to as model predictive control) with two optimization stages is implemented. A first (upper) MPC level is used, which takes into account the entire planned route, for example, in order to calculate partial route target values using a sequential quadratic program, with the partial route target values being used in a second (lower) MPC level for partial routes (ie with a shorter horizon than the first MPC stage) to determine the optimal control of the vehicle by means of the partial route target variables. The solution of the optimal control problem in the lower MPC level takes place by means of a combination of dynamic programming and the Pontryagin maximum principle. The low computational effort of the model predictive control described here with two optimization levels can achieve energy and cost savings of up to 38% in a hybrid vehicle (e.g. in a parallel hybrid electric vehicle) compared to a conventional cruise control system with essentially constant speed specifications.
Gemäß verschiedenen Ausführungsformen kann ein Hybridelektrofahrzeug einen Verbrennungsmotor und einen Elektromotor aufweisen, welche wahlweise abwechselnd oder gleichzeitig zum Antreiben des Hybridelektrofahrzeugs verwendet werden können. Es versteht sich, dass die hierin beschriebenen Prinzipien auch auf ähnliche Fahrzeuge mit zwei voneinander verschiedenen Antrieben angewendet werden können.According to various embodiments, a hybrid electric vehicle can have an internal combustion engine and an electric motor, which can optionally be used alternately or simultaneously to drive the hybrid electric vehicle. It goes without saying that the principles described herein can also be applied to similar vehicles with two different drives.
Ein Aspekt verschiedener Ausführungsformen betrifft eine modellprädiktive Regelung (MPC) eines Antriebsstrangs eines Fahrzeugs mit zwei verschiedenen Antriebsarten, z.B. eines Hybridelektrofahrzeugs (hybrid electric vehicle, HEV). Aufgrund der zwei verschiedenen Antriebsarten ist das für die Modellprädiktive Steuerung oder Regelung verwendete Gesamtmodell vergleichsweise komplex, d.h. der Parameterraum zur Beschreibung des Antriebssystems ist vergleichsweise groß (z.B. werden 5 bis 20 Parameter oder mehr als 20 Parameter verwendet) und insbesondere von einem gemischt-ganzzahligen Typ. Aufgrund der Komplexität kann der Rechenaufwand herkömmlicherweise eine limitierende Größe sein für den Einsatz derartiger Steuerungen oder Regelungen in einem Fahrzeug, sofern ein Rechensystem des Fahrzeugs selbst verwendet werden soll, um die Berechnungen der modellprädiktiven Steuerung oder Regelung durchzuführen.One aspect of various embodiments relates to a model predictive control (MPC) of a drive train of a vehicle with two different drive types, e.g. a hybrid electric vehicle (HEV). Due to the two different types of drive, the overall model used for the model predictive control or regulation is comparatively complex, i.e. the parameter space for describing the drive system is comparatively large (e.g. 5 to 20 parameters or more than 20 parameters are used) and in particular of a mixed-integer type. Due to the complexity, the computational effort can conventionally be a limiting variable for the use of such controls or regulators in a vehicle, provided that a computing system of the vehicle itself is to be used to perform the calculations of the model predictive control or regulation.
Gemäß verschiedenen Ausführungsformen erfolgt eine modellprädiktive Regelung in zwei Optimierungsstufen (auch als MPC Stufen bezeichnet). Die erste Optimierungsstufe liefert beispielsweise eine Approximation von geringerer Güte als die zweite Optimierungsstufe und weist dagegen einen größeren Horizont auf als die zweite Optimierungsstufe. Somit kann in der ersten Optimierungsstufe (zwar mit Einbußen in der Güte) eine große Gesamtfahrstrecke berücksichtigt werden, z.B. mehr als 200 km, und in der zweiten Optimierungsstufe kann für verschiedene Streckenabschnitte (als Teilstrecken bezeichnet) der Gesamtfahrstrecke eine Berechnung mit höherer Güte erfolgen (z.B. ohne Einbußen in der Güte). Dabei ist insbesondere die zweite Optimierungsstufe derart eingerichtet, dass das Optimalsteuerungsproblem vollständig gelöst wird, d.h. dass alle verwendeten Modellparameter in der zweiten Optimierungsstufe auch berücksichtigt sind.According to various embodiments, model predictive regulation takes place in two optimization stages (also referred to as MPC stages). The first optimization stage provides, for example, an approximation of lower quality than the second optimization stage and, on the other hand, has a larger horizon than the second optimization stage. Thus, in the first optimization stage (with a loss in quality), a large total route can be taken into account, e.g. more than 200 km, and in the second optimization stage the entire route can be used for different route sections (referred to as partial routes) a calculation with a higher quality is carried out (e.g. without loss of quality). In particular, the second optimization stage is set up in such a way that the optimal control problem is completely solved, ie that all model parameters used are also taken into account in the second optimization stage.
Gemäß verschiedenen Ausführungsformen basiert die erste Stufe der modellprädiktiven Steuerung auf einer Approximation mittels SQP, d.h. auf einem sequentiellen quadratischen Programm. Die zweite Stufe basiert auf einer Berechnung mittels einer Kombination aus dynamischer Programmierung (DP) und dem Pontrjaginschen Maximum-Prinzips (PMP). SQP eignet sich beispielsweise ausreichend gut zum Approximieren der relevanten kontinuierlichen Größen mit nichtlinearem Verhalten, z.B. den Wirkungsgrad-Kennfeldern verschiedener Antriebe, dem Ladezustand eines Energiespeichers (z.B. einer Batterie), dem Füllstand eines Kraftstofftanks, etc. Die Kombination aus PMP und DP erlaubt beispielsweise eine ausreichend gute Berechnung eines gemischten (ganzzahlig/kontinuierlichen) Zustandsraums. Ganzzahlige Zustände sind beispielsweise der Gang des Fahrzeuggetriebes, die zwei Zustände einer Start-Stopp-Funktion, etc.According to various embodiments, the first stage of the model predictive control is based on an approximation using SQP, i. on a sequential quadratic program. The second stage is based on a calculation using a combination of dynamic programming (DP) and Pontryagin's maximum principle (PMP). SQP is, for example, sufficiently well suited for approximating the relevant continuous quantities with non-linear behavior, e.g. the efficiency maps of various drives, the state of charge of an energy storage device (e.g. a battery), the level of a fuel tank, etc. The combination of PMP and DP allows, for example, a sufficiently good calculation of a mixed (integer / continuous) state space. Integer states are, for example, the gear of the vehicle transmission, the two states of a start-stop function, etc.
Anschaulich wird, gemäß verschiedenen Ausführungsformen, eine Kombination aus SQP und PMP-DP in einem zweistufigen Optimierungs-Prinzip verwendet zur energieoptimierten Steuerung der Längsführung und des Antriebsstrangs eines Hybridfahrzeugs. Daraus ergibt sich beispielsweise der Vorteil, dass eine vollständige Optimierung aller relevanten Parameter in der zweiten Stufe (PMP-DP) ermöglicht wird und dabei auch derart rechenzeiteffizient erfolgen kann, dass die Berechnung in einem entsprechenden Fahrzeug durchgeführt werden kann. Das Ergebnis der zweistufigen Optimierung ist beispielsweise von hoher Güte verglichen mit einer optimalen Berechnung basierend auf DP.According to various embodiments, a combination of SQP and PMP-DP is clearly used in a two-stage optimization principle for the energy-optimized control of the longitudinal guidance and the drive train of a hybrid vehicle. This results in the advantage, for example, that a complete optimization of all relevant parameters in the second stage (PMP-DP) is made possible and can also take place in such a way that the calculation can be carried out in a corresponding vehicle in such a way that the calculation is efficient. The result of the two-stage optimization is, for example, of high quality compared to an optimal calculation based on DP.
Gemäß verschiedenen Ausführungsformen kann eine Steuer/RegelVorrichtung eingerichtet sein zum Steuern/Regeln eines Antriebssystems eines Hybridfahrzeugs und mindestens einen Prozessor aufweisen. Der mindestens eine Prozessor kann beispielsweise eingerichtet sein: (I) Fahrstrecken-Daten zu empfangen, wobei die Fahrstrecken-Daten beispielsweise zugeordnet zu einer vordefinierten Fahrstrecke einen vordefinierten Steigungsverlauf und einen vordefinierten Geschwindigkeitsgrenzenverlauf repräsentieren; (II) Ist-Steuergrößen-Daten zu empfangen, wobei die Ist-Steuergrößen-Daten einen Ist-Zustand mindestens einer kontinuierlichen Steuergröße und mindestens einer diskreten Steuergröße des Antriebssystems repräsentieren; (III) basierend auf einem ersten Modell mittels eines ersten Optimierungsverfahrens Hilfs-Optimierungsdaten zu ermitteln, wobei das erste Modell aufweist: einen ersten Zustandsparameter, welcher einen Lade/Entlade-Zustand eines Energiespeichers des Antriebssystems repräsentiert, einen zweiten Zustandsparameter, welcher eine Fahrzeit repräsentiert, und mindestens einen kontinuierlichen Steuerparameter, welcher die mindestens eine kontinuierliche Steuergröße des Antriebssystems repräsentiert, und wobei die Hilfs-Optimierungsdaten einen Verlauf des ersten Zustandsparameters (d.h. des Lade/Entlade-Zustandes des Energiespeichers) und des zweiten Zustandsparameters (d.h. der Fahrzeit) repräsentieren, wobei das erste Optimierungsverfahren eine sequentielle quadratische Programmierung (Optimierung, SQP) aufweist; (IV) basierend auf einem zweiten Modell mittels eines zweiten Optimierungsverfahrens Vorgabe-Steuergrößen-Daten zu ermitteln, wobei das zweite Modell aufweist: einen ersten Zustandsparameter, welcher den Lade/Entlade-Zustand des Energiespeichers repräsentiert, einen zweiten Zustandsparameter, welcher die Fahrzeit repräsentiert, mindestens einen kontinuierlichen Steuerparameter, welcher die mindestens eine kontinuierliche Steuergröße des Antriebssystems repräsentiert, und mindestens einen ganzzahligen Steuerparameter, welcher die mindestens eine diskrete Steuergröße des Antriebssystems repräsentiert, wobei die Vorgabe-Steuergrößen-Daten einen Vorgabe-Verlauf der mindestens einen kontinuierlichen Steuergröße und der mindestens einen diskreten Steuergröße des Antriebssystems für eine jeweilige Teilstrecke der vordefinierten Fahrstrecke repräsentieren, wobei das zweite Optimierungsverfahren eine dynamische Programmierung (Optimierung, DP) unter Verwendung des Pontrjaginschen Maximum-Prinzips (PMP) aufweist, und wobei mittels der ermittelten Hilfs-Optimierungsdaten Zielwerte für den ersten Zustandsparameter und den zweiten Zustandsparameter des zweiten Modells für die jeweilige Teilstrecke ermittelt werden; und (V) die Vorgabe-Steuergrößen-Daten auszugeben zum Betreiben des Antriebssystems basierend auf den ausgegebenen Vorgabe-Steuergrößen-Daten.According to various embodiments, a control / regulating device can be set up to control / regulate a drive system of a hybrid vehicle and have at least one processor. The at least one processor can be set up, for example: (I) to receive route data, the route data associated with a predefined route and representing a predefined gradient profile and a predefined speed limit profile, for example; (II) receive actual control variable data, the actual control variable data representing an actual state of at least one continuous control variable and at least one discrete control variable of the drive system; (III) to determine auxiliary optimization data based on a first model by means of a first optimization method, the first model having: a first state parameter which represents a charge / discharge state of an energy store of the drive system, a second state parameter which represents a driving time, and at least one continuous control parameter, which represents the at least one continuous control variable of the drive system, and wherein the auxiliary optimization data represent a course of the first state parameter (ie the charge / discharge state of the energy store) and the second state parameter (ie the travel time), wherein the first optimization method comprises sequential quadratic programming (optimization, SQP); (IV) based on a second model by means of a second optimization method to determine default control variable data, the second model having: a first state parameter which represents the charge / discharge state of the energy store, a second state parameter which represents the travel time, at least one continuous control parameter, which represents the at least one continuous control variable of the drive system, and at least one integer control parameter, which represents the at least one discrete control variable of the drive system, the default control variable data a default course of the at least one continuous control variable and the at least represent a discrete control variable of the drive system for a respective section of the predefined route, the second optimization method being dynamic programming (optimization, DP) using the Pontryagin maximum principle ps (PMP), and wherein target values for the first state parameter and the second state parameter of the second model for the respective partial route are determined by means of the determined auxiliary optimization data; and (V) output the default control variable data for operating the drive system based on the output default control variable data.
Ferner kann ein anderer Aspekt verschiedener Ausführungsformen anschaulich darin gesehen werden, eine Steuer/Regel-Vorrichtung bereitzustellen, welche eingerichtet ist: (I) Fahrstrecken-Daten zu empfangen, wobei die Fahrstrecken-Daten zumindest einen vordefinierten Steigungsverlauf und einen vordefinierten Geschwindigkeitsgrenzenverlauf repräsentieren zugeordnet zu einer vordefinierten Fahrstrecke; (II) Ist-Steuergrößen-Daten zu empfangen, wobei die Ist-Steuergrößen-Daten einen jeweiligen Ist-Zustand eines Steuergrößensatzes repräsentieren, wobei der Steuergrößensatz kontinuierliche Steuergrößen und diskrete Steuergrößen des Antriebssystems aufweist; (III) basierend auf einem ersten Modell mittels eines ersten Optimierungsverfahrens Hilfs-Optimierungsdaten zu ermitteln, wobei das erste Modell aufweist: einen ersten kontinuierlichen Zustandsparameter, welcher einen Lade/Entlade-Zustand eines Energiespeichers des Antriebssystems repräsentiert, einen zweiten kontinuierlichen Zustandsparameter, welcher eine Fahrzeit repräsentiert, einen ersten Steuerparametersatz, welcher die kontinuierlichen Steuergrößen des Antriebssystems repräsentiert, und wobei die Hilfs-Optimierungsdaten einen Verlauf des ersten Zustandsparameters und des zweiten Zustandsparameters zugeordnet zu der vordefinierten Fahrstrecke repräsentieren, wobei das erste Optimierungsverfahren eine sequentielle quadratische Programmierung (Optimierung, SQP) aufweist zum Ermitteln der Hilfs-Optimierungsdaten auf Grundlage der empfangenen Fahrstrecken-Daten und Ist-Steuergrößen-Daten unter Berücksichtigung des ersten und zweiten kontinuierlichen Zustandsparameters und des ersten Steuerparametersatzes; (IV) basierend auf einem zweiten Modell mittels eines zweiten Optimierungsverfahrens Vorgabe-Steuergrößen-Daten zu ermitteln, wobei das zweite Modell aufweist: einen ersten Zustandsparameter, welcher den Lade/Entlade-Zustand des Energiespeichers repräsentiert, einen zweiten Zustandsparameter, welcher die Fahrzeit repräsentiert, einen ersten Steuerparametersatz, welcher die kontinuierlichen Steuergrößen des Antriebssystems repräsentiert, und einen zweiten Steuerparametersatz, welcher diskrete Steuergrößen des Antriebssystems repräsentiert, wobei die Vorgabe-Steuergrößen-Daten einen Vorgabe-Verlauf der mindestens einen kontinuierlichen Steuergröße und der mindestens einen diskreten Steuergröße des Antriebssystems für einen Teil der vordefinierten Fahrstrecke repräsentieren, wobei das zweite Optimierungsverfahren eine dynamische Programmierung (Optimierung, DP) unter Verwendung des Pontrjaginschen Maximum-Prinzips (PMP) aufweist, und wobei mittels der ermittelten Hilfs-Optimierungsdaten Zielwerte für den ersten Zustandsparameter und den zweiten Zustandsparameter des zweiten Modells für die Teilstrecke ermittelt werden zum Ermitteln der Vorgabe-Steuergrößen-Daten auf Grundlage der empfangenen Fahrstrecken-Daten, der Ist-Steuergrößen-Daten und der ermittelten Hilfs-Optimierungsdaten unter Berücksichtigung des ersten und zweiten kontinuierlichen Zustandsparameters und des ersten und zweiten Steuerparametersatzes; und (V) die Vorgabe-Steuergrößen-Daten auszugeben zum Betreiben des Antriebssystems basierend auf den ausgegebenen Vorgabe-Steuergrößen-Daten.Furthermore, another aspect of various embodiments can clearly be seen in providing a control / regulating device which is set up: (I) to receive route data, the route data representing at least one predefined gradient profile and a predefined speed limit profile assigned to a predefined driving route; (II) receiving actual control variable data, the actual control variable data representing a respective actual state of a control variable set, the control variable set having continuous control variables and discrete control variables of the drive system; (III) to determine auxiliary optimization data based on a first model by means of a first optimization method, the first model having: a first continuous state parameter, which indicates a charge / discharge state of an energy store Drive system represents, a second continuous state parameter which represents a driving time, a first control parameter set which represents the continuous control variables of the drive system, and wherein the auxiliary optimization data represent a course of the first state parameter and the second state parameter assigned to the predefined route, the first The optimization method has sequential quadratic programming (optimization, SQP) for determining the auxiliary optimization data on the basis of the received route data and actual control variable data, taking into account the first and second continuous state parameters and the first control parameter set; (IV) based on a second model by means of a second optimization method to determine default control variable data, the second model having: a first state parameter which represents the charge / discharge state of the energy store, a second state parameter which represents the travel time, a first control parameter set, which represents the continuous control variables of the drive system, and a second control parameter set, which represents discrete control variables of the drive system, wherein the default control variable data is a default curve of the at least one continuous control variable and the at least one discrete control variable of the drive system for a Represent part of the predefined route, the second optimization method having dynamic programming (optimization, DP) using the Pontryagin maximum principle (PMP), and using the determined auxiliary optimization data Z Target values for the first state parameter and the second state parameter of the second model for the section are determined to determine the default control variable data on the basis of the received route data, the actual control variable data and the determined auxiliary optimization data, taking into account the first and second continuous state parameter and the first and second control parameter sets; and (V) output the default control variable data for operating the drive system based on the output default control variable data.
Ferner kann ein anderer Aspekt verschiedener Ausführungsformen anschaulich darin gesehen werden, ein Verfahren zum Regeln eines Antriebssystems eines Hybridfahrzeugs bereitzustellen, wobei das Verfahren beispielsweise aufweisen kann: (I) Ermitteln von Hilfs-Optimierungsdaten basierend auf einem ersten Modell mittels eines ersten Optimierungsverfahrens, wobei das erste Modell aufweist: einen ersten kontinuierlichen Zustandsparameter, welcher einen Lade/Entlade-Zustand eines Energiespeichers des Antriebssystems repräsentiert, einen zweiten kontinuierlichen Zustandsparameter, welcher eine Fahrzeit repräsentiert, einen ersten Steuerparametersatz, welcher kontinuierliche Steuergrößen des Antriebssystems repräsentiert, und wobei die Hilfs-Optimierungsdaten einen Verlauf des ersten Zustandsparameters und des zweiten Zustandsparameters zugeordnet zu einer vordefinierten Fahrstrecke repräsentieren, wobei das erste Optimierungsverfahren eine sequentielle quadratische Programmierung aufweist zum Ermitteln der Hilfs-Optimierungsdaten basierend auf Fahrstrecken-Daten und Ist-Steuergrößen-Daten unter Berücksichtigung des ersten und zweiten kontinuierlichen Zustandsparameters und des ersten Steuerparametersatzes; (II) Ermitteln von Vorgabe-Steuergrößen-Daten basierend auf einem zweiten Modell mittels eines zweiten Optimierungsverfahrens, wobei das zweite Modell aufweist: einen ersten Zustandsparameter, welcher den Lade/Entlade-Zustand des Energiespeichers repräsentiert, einen zweiten Zustandsparameter, welcher die Fahrzeit repräsentiert, einen ersten Steuerparametersatz, welcher die kontinuierlichen Steuergrößen des Antriebssystems repräsentiert, und einen zweiten Steuerparametersatz, welcher diskrete Steuergrößen des Antriebssystems repräsentiert, wobei die Vorgabe-Steuergrößen-Daten einen Vorgabe-Verlauf der kontinuierlichen Steuergrößen und der diskreten Steuergrößen des Antriebssystems für einen Teil der vordefinierten Fahrstrecke repräsentieren, wobei das zweite Optimierungsverfahren eine dynamische Programmierung unter Verwendung des Pontrjaginschen Maximum-Prinzips aufweist, und wobei mittels der ermittelten Hilfs-Optimierungsdaten Zielwerte für den ersten Zustandsparameter und den zweiten Zustandsparameter des zweiten Modells für den Teil der vordefinierten Fahrstrecke ermittelt werden zum Ermitteln der Vorgabe-Steuergrößen-Daten basierend auf den Fahrstrecken-Daten, den Ist-Steuergrößen-Daten und den ermittelten Hilfs-Optimierungsdaten unter Berücksichtigung des ersten und zweiten kontinuierlichen Zustandsparameters und des ersten und zweiten Steuerparametersatzes; und (III) Ausgeben der Vorgabe-Steuergrößen-Daten zum Betreiben des Antriebssystems basierend auf den ausgegebenen Vorgabe-Steuergrößen-Daten.Furthermore, another aspect of various embodiments can clearly be seen in providing a method for regulating a drive system of a hybrid vehicle, wherein the method can have, for example: (I) determining auxiliary optimization data based on a first model by means of a first optimization method, the first Model has: a first continuous state parameter which represents a charge / discharge state of an energy store of the drive system, a second continuous state parameter which represents a travel time, a first control parameter set which represents continuous control variables of the drive system, and the auxiliary optimization data having a course represent the first state parameter and the second state parameter assigned to a predefined route, the first optimization method having sequential quadratic programming for Determining the auxiliary optimization data based on route data and actual control variable data, taking into account the first and second continuous state parameters and the first control parameter set; (II) Finding Specification control variable data based on a second model by means of a second optimization method, the second model having: a first state parameter which represents the charge / discharge state of the energy store, a second state parameter which represents the driving time, a first control parameter set which represents the continuous control variables of the drive system, and a second set of control parameters which represents discrete control variables of the drive system, the default control variable data representing a default course of the continuous control variables and the discrete control variables of the drive system for part of the predefined route, the second Optimization method has dynamic programming using the Pontryagin maximum principle, and using the determined auxiliary optimization data, target values for the first state parameter and the second state parameter r of the second model for the part of the predefined route can be determined to determine the default control variable data based on the route data, the actual control variable data and the determined auxiliary optimization data taking into account the first and second continuous state parameters and the first and second set of control parameters; and (III) outputting the default control variable data for operating the drive system based on the output default control variable data.
Ferner kann ein anderer Aspekt verschiedener Ausführungsformen anschaulich darin gesehen werden, ein Verfahren zum Regeln eines Antriebssystems eines Hybridfahrzeugs bereitzustellen, wobei das Verfahren beispielsweise aufweisen kann: (I) Ermitteln von Hilfs-Optimierungsdaten basierend auf einem ersten Modell mittels eines ersten Optimierungsverfahrens, wobei das erste Optimierungsverfahren eine sequentielle quadratische Programmierung aufweist zum Ermitteln der Hilfs-Optimierungsdaten basierend auf Fahrstrecken-Daten und Ist-Steuergrößen-Daten unter Berücksichtigung von Parametern, welche das Antriebssystem des Hybridantriebsfahrzeugs repräsentieren, und wobei die Hilfs-Optimierungsdaten einen Verlauf eines Untermenge der Parameter zugeordnet zu einer vordefinierten Fahrstrecke repräsentieren; (II) Ermitteln von Vorgabe-Steuergrößen-Daten basierend auf einem zweiten Modell mittels eines zweiten Optimierungsverfahrens, wobei die Vorgabe-Steuergrößen-Daten einen Vorgabe-Verlauf von Steuergrößen des Antriebssystems für eine Teilstrecke der vordefinierten Fahrstrecke repräsentieren, wobei das zweite Optimierungsverfahren eine dynamische Programmierung unter Verwendung des Pontrjaginschen Maximum-Prinzips aufweist, und wobei basierend auf den ermittelten Hilfs-Optimierungsdaten Zielwerte für ein oder mehrere Parameter des zweiten Modells für die Teilstrecke ermittelt werden zum Ermitteln der Vorgabe-Steuergrößen-Daten basierend auf den Fahrstrecken-Daten, den Ist-Steuergrößen-Daten unter Berücksichtigung von Parametern, welche das Antriebssystem des Hybridantriebsfahrzeugs repräsentieren; und (III) Ausgeben der Vorgabe-Steuergrößen-Daten zum Betreiben des Antriebssystems basierend auf den ausgegebenen Vorgabe-Steuergrößen-Daten.Furthermore, another aspect of various embodiments can clearly be seen in providing a method for regulating a drive system of a hybrid vehicle, wherein the method can have, for example: (I) determining auxiliary optimization data based on a first model by means of a first optimization method, the first Optimization method has sequential quadratic programming to determine the auxiliary optimization data based on route data and actual control variable data taking into account parameters which represent the drive system of the hybrid drive vehicle, and wherein the auxiliary optimization data is assigned to a course of a subset of the parameters represent predefined driving route; (II) Determination of default control variable data based on a second model by means of a second optimization method, the default control variable data representing a default course of control variables of the drive system for a section of the predefined route, the second optimization method being dynamic programming using the Pontryagin maximum principle, and based on the determined auxiliary optimization data, target values for one or more parameters of the second model for the section are determined to determine the default control variable data based on the route data, the actual Control variable data taking into account parameters which represent the drive system of the hybrid drive vehicle; and (III) outputting the default control variable data for operating the drive system based on the output default control variable data.
Ausführungsbeispiele sind in den Figuren dargestellt und werden im Folgenden näher erläutert.Exemplary embodiments are shown in the figures and are explained in more detail below.
Es zeigen
-
1 eine Regelvorrichtung in einer schematischen Darstellung, gemäß verschiedenen Ausführungsformen; -
2 ein Hybridfahrzeug mit einer Regelvorrichtung in einer schematischen Darstellung, gemäß verschiedenen Ausführungsformen; -
3A beispielhaft ein Wirkungsgradkennfeld eines Verbrennungsmotors, welches bei der Regelung mittels der Regelvorrichtung berücksichtigt werden kann, gemäß verschiedenen Ausführungsformen; -
3B beispielhaft ein Wirkungsgradkennfeld eines Elektromotors, welches bei der Regelung mittels der Regelvorrichtung berücksichtigt werden kann, gemäß verschiedenen Ausführungsformen; -
4 das Prinzip eines Optimalsteuerungsproblems, welches mittels zweier Optimierungsstufen basierend auf SQP und PMP-DP gelöst werden kann, gemäß verschiedenen Ausführungsformen; -
5 und6 jeweils ein Lösungsprinzip eines Optimalsteuerungsproblems mittels PMP-DP, gemäß verschiedenen Ausführungsformen; -
7 beispielhaft Fahrstrecken-Daten, welche der Regelvorrichtung zugeführt werden können, gemäß verschiedenen Ausführungsformen; -
8 einen Zusammenhang zwischen der Lösungsgüte einer PMP-DP Berechnung eines Optimalsteuerungsproblems und dem zeitlichen Berechnungsaufwand, gemäß verschiedenen Ausführungsformen; -
9 beispielhaft ein Kraftstoffverbrauchskennfeld für eine Verbrennungsmotor-Getriebe-Einheit unter einer kraftstoffoptimalen Gangwahl, gemäß verschiedenen Ausführungsformen; -
10 eine zweistufig modellbasierte prädikative Regelvorrichtung in einer schematischen Darstellung, gemäß verschiedenen Ausführungsformen; -
11 eine schematische Darstellung einer zweiten Stufe einer zweistufigen modellbasierten prädikativen Regelvorrichtung, gemäß verschiedenen Ausführungsformen; und -
12 eine beispielhafte Tangensfunktion, welche in einem Regler verwendet werden kann, um Verletzungen von Energiespeichergrenzen zu vermeiden, gemäß verschiedenen Ausführungsformen.
-
1 a control device in a schematic representation, according to various embodiments; -
2 a hybrid vehicle with a control device in a schematic representation, according to various embodiments; -
3A an example of an efficiency map of an internal combustion engine, which can be taken into account in the control by means of the control device, according to various embodiments; -
3B an example of an efficiency map of an electric motor, which can be taken into account in the control by means of the control device, according to various embodiments; -
4th the principle of an optimal control problem, which can be solved by means of two optimization stages based on SQP and PMP-DP, according to various embodiments; -
5 and6th each a solution principle of an optimal control problem by means of PMP-DP, according to various embodiments; -
7th exemplary route data that can be fed to the control device, according to various embodiments; -
8th a relationship between the solution quality of a PMP-DP calculation of an optimal control problem and the time required for calculation, according to various embodiments; -
9 exemplary a fuel consumption map for an internal combustion engine-transmission unit under a fuel-optimal gear selection, according to various embodiments; -
10 a two-stage model-based predictive control device in a schematic representation, according to various embodiments; -
11 a schematic representation of a second stage of a two-stage model-based predictive control device, according to various embodiments; and -
12 an exemplary tangent function that can be used in a controller in order to avoid violations of energy storage limits, according to various embodiments.
In der folgenden ausführlichen Beschreibung wird auf die beigefügten Zeichnungen Bezug genommen, die Teil dieser bilden und in denen zur Veranschaulichung spezifische Ausführungsformen gezeigt sind, in denen die Erfindung ausgeübt werden kann. Es versteht sich, dass andere Ausführungsformen benutzt und strukturelle oder logische Änderungen vorgenommen werden können, ohne von dem Schutzumfang der vorliegenden Erfindung abzuweichen. Es versteht sich, dass die Merkmale der hierin beschriebenen verschiedenen beispielhaften Ausführungsformen miteinander kombiniert werden können, sofern nicht spezifisch anders angegeben. Die folgende Beschreibung ist deshalb nicht in einschränkendem Sinne aufzufassen, und der Schutzumfang der vorliegenden Erfindung wird durch die angefügten Ansprüche definiert.In the following detailed description, reference is made to the accompanying drawings, which form a part hereof, and in which there is shown, for purposes of illustration, specific embodiments in which the invention may be practiced. It goes without saying that other embodiments can be used and structural or logical changes can be made without departing from the scope of protection of the present invention. It goes without saying that the features of the various exemplary embodiments described herein can be combined with one another, unless specifically stated otherwise. Therefore, the following description is not to be taken in a limiting sense, and the scope of the present invention is defined by the appended claims.
In zumindest teilautonom fahrenden Fahrzeugen kann der Fahrer beispielsweise nicht mehr die Geschwindigkeit frei wählen. Das erlaubt es beispielsweise die Geschwindigkeit automatisiert derart anzupassen, dass die für eine Fahrt benötigten Energiekosten möglichst minimal werden oder ein anderes Ziel optimiert werden kann. Das hier beschriebene Verfahren bzw. die hierin beschriebene Regelungsvorrichtung ermittelt beispielsweise diese optimierte Geschwindigkeit (bzw. die zum Einstellen der optimierten Geschwindigkeit benötigten Steuergrößen) für jede mögliche Antriebsstrangkonfiguration (Elektrofahrzeug, konventionelles Fahrzeug, Hybridelektrofahrzeug).In at least partially autonomous vehicles, the driver can no longer freely choose the speed, for example. This allows, for example, the speed to be automatically adjusted in such a way that the energy costs required for a trip are as minimal as possible or another destination can be optimized. The method described here or the control device described here determines, for example, this optimized speed (or the control variables required to set the optimized speed) for every possible drive train configuration (electric vehicle, conventional vehicle, hybrid electric vehicle).
Gemäß verschiedenen Ausführungsformen wird ein Verfahren zum Generieren einer optimierten Energiemanagement- und Fahrstrategie beschrieben. Das Verfahren zum Generieren einer Energiemanagement- und Fahrstrategie bezieht sich auf Fahrstrecken-Daten. Die Fahrstrecken-Daten können beispielsweise einen vorgegebenen Steigungsverlauf sowie ein vorgegebenes zulässiges Geschwindigkeitsband entlang der vorausliegenden Fahrstrecke repräsentieren. Das vorgegebene zulässige Geschwindigkeitsband kann beispielsweise jeweilige Maximal- und Minimalgeschwindigkeiten entlang der vorausliegenden Fahrstrecke aufweisen. Ferner kann die Fahrtzeit als Parameter vorgegeben sein. Gemäß verschiedenen Ausführungsformen werden abhängig von einem Fahrzeugmodell die kostenoptimierten Werte der Steuergrößen (z.B. Gangwahl, Motor-Start/Stopp-Steuerung, Brems-, Verbrennungsmotor- und/oder Elektromotordrehmoment) ermittelt. In einer Regelschleife werden beispielsweise jeweils die Ist-Steuergrößen ermittelt (repräsentiert mittels entsprechender Ist-Steuergrößen-Daten) und die Steuergrößen entsprechend gemäß Vorgabe-Steuergrößen (repräsentiert mittels entsprechender Vorgabe-Steuergrößen-Daten) angepasst, wobei die Vorgabe-Steuergrößen basierend auf einem zweistufigen Optimierungsverfahren ermittelt werden. Anschaulich kann eine Abweichung der Ist-Steuergrößen von den Vorgabe-Steuergrößen reduziert werden. According to various embodiments, a method for generating an optimized energy management and driving strategy is described. The method for generating an energy management and driving strategy relates to route data. The route data can represent, for example, a predetermined gradient as well as a predetermined permissible speed band along the route ahead. The predefined permissible speed band can for example have respective maximum and minimum speeds along the route ahead. The travel time can also be specified as a parameter. According to various embodiments, the cost-optimized values of the control variables (for example gear selection, engine start / stop control, brake, internal combustion engine and / or electric motor torque) are determined as a function of a vehicle model. In a control loop, for example, the actual control variables are determined (represented by means of corresponding actual control variable data) and the control variables are adjusted accordingly according to default control variables (represented by means of corresponding default control variable data), the default control variables being based on a two-stage Optimization procedures are determined. A deviation of the actual control variables from the default control variables can be clearly reduced.
Basierend auf einer entsprechenden Modellierung eines Antriebssystems eines Hybridfahrzeugs kann sich ein komplex gemischt-ganzzahliges Optimalsteuerungsproblem ergeben, welches mit herkömmlichen Lösungsverfahren nicht mit entsprechender Güte bei gleichzeitig geringem Rechenaufwand gelöst werden kann. Beispielsweise werden in herkömmlichen Lösungsverfahren Vereinfachungen vorgenommen, z.B. wird die Fahrtzeit nicht als Zustand betrachtet, um das vereinfachte Problem mit Hilfe der Dynamische Programmierung berechenbar zu machen. Insgesamt eignen sich die herkömmlichen Lösungsverfahren nicht dazu, das vollständige Optimierungsproblem mit einem so geringen Rechenaufwand zu lösen, dass es während der Fahrt des Fahrzeugs berechnet werden kann.Based on a corresponding modeling of a drive system of a hybrid vehicle, a complex mixed-integer optimal control problem can result, which cannot be solved with conventional solution methods with the appropriate quality with at the same time low computational effort. For example, simplifications are made in conventional solution methods, e.g. the travel time is not considered as a state in order to make the simplified problem calculable with the help of dynamic programming. Overall, the conventional solution methods are not suitable for solving the complete optimization problem with such a low computational effort that it can be calculated while the vehicle is in motion.
Die hierin beschriebene Regelvorrichtung und das hierin beschriebene Verfahren betreffen eine Optimalsteuerung in einer zweistufigen, modellbasierten, prädiktiven Regelung (MPC). In der ersten Stufe der MPC wird das als sequentielles quadratisches Programm (SQP) approximierte Problem für den vollständigen vorausliegenden Fahrverlauf gelöst. Die dabei ermittelten Zustandsverläufe für die Fahrtzeit und die Energiespeicher-Energie nutzt die zweite Stufe zur Lösung des vollständigen Optimalsteuerungsproblems für kurze vorausliegende Abschnitte der Fahrstrecke. Diese zweite Stufe setzt dazu eine Kombination aus Dynamischer Programmierung (DP) und dem Pontrjaginschen Maximumprinzip (PMP) ein, PMP-DP genannt. Die Kombination aus dem SQP in der ersten Stufe des MPC und der PMP-DP in der zweiten Stufe des MPC löst dabei in der zweiten Stufe (z.B. im Gegensatz zu herkömmlichem bilevel MPC) das vollständige Optimalsteuerungsproblem. Mittels der beschriebenen Kombination der Algorithmen SQP und PMP-DP kann erstmals der Rechenaufwand für die vollständige optimale Lösung soweit reduziert werden, dass das Verfahren auf einem Steuergerät für den Fahrzeugeinsatz berechnet werden kann, z.B. auf einem Steuergerät mit einer Rechenleistung von 1 GLOPS bis 100 TFLOPS.The control device described herein and the method described herein relate to an optimal control in a two-stage, model-based, predictive control (MPC). In the first stage of the MPC, the problem approximated as a sequential quadratic program (SQP) is solved for the entire driving course ahead. The state curves determined for the journey time and the energy storage energy are used by the second stage to solve the complete optimal control problem for short sections of the route ahead. This second stage uses a combination of dynamic programming (DP) and Pontryagin's maximum principle (PMP), called PMP-DP. The combination of the SQP in the first stage of the MPC and the PMP-DP in the second stage of the MPC solves the complete optimal control problem in the second stage (e.g. in contrast to conventional bilevel MPC). By means of the described combination of the algorithms SQP and PMP-DP, the computational effort for the completely optimal solution can be reduced for the first time to such an extent that the method can be calculated on a control unit for vehicle use, e.g. on a control unit with a computing power of 1 GLOPS to 100 TFLOPS.
Gemäß verschiedenen Ausführungsformen kann die Regelvorrichtung
Gemäß verschiedenen Ausführungsformen kann der mindestens eine Prozessor
Ferner kann der mindestens eine Prozessor
Gemäß verschiedenen Ausführungsformen können die empfangenen Ist-Steuergrößen-Daten
Gemäß verschiedenen Ausführungsformen kann das erste Modell Folgendes aufweisen: einen ersten Zustandsparameter, welcher beispielsweise einen Lade/Entlade-Zustand eines Energiespeichers des Antriebssystems repräsentiert, einen zweiten Zustandsparameter, welcher eine Fahrzeit repräsentiert, und mindestens einen kontinuierlichen Steuerparameter, welcher die mindestens eine kontinuierliche Steuergröße des Antriebssystems repräsentiert. Gemäß verschiedenen Ausführungsformen kann der erste Zustandsparameter eine vergleichsweise große Anzahl (z.B. mehr als 100, mehr als 500, oder mehr als 1000) von einander verschiedener Werte annehmen. Gemäß verschiedenen Ausführungsformen kann der kontinuierliche Steuerparameter eine vergleichsweise große Anzahl (z.B. mehr als 100, mehr als 500, mehr als 1000) von einander verschiedener Werte annehmen. Der Umstand, dass, gemäß verschiedenen Ausführungsformen, die Fahrzeit als ein Zustandsparameter in dem ersten Modell (M1) enthalten ist, kann es beispielsweise ermöglichen, entsprechende Randbedingungen für die Fahrzeit bei der Optimierung zu berücksichtigen.According to various embodiments, the first model can have the following: a first state parameter which represents, for example, a charge / discharge state of an energy store of the drive system, a second state parameter which represents a travel time, and at least one continuous control parameter which represents the at least one continuous control variable of the The drive system. According to various embodiments, the first state parameter can assume a comparatively large number (e.g. more than 100, more than 500, or more than 1000) of mutually different values. According to various embodiments, the continuous control parameter can assume a comparatively large number (e.g. more than 100, more than 500, more than 1000) of mutually different values. The fact that, according to various embodiments, the travel time is contained as a state parameter in the first model (M1) can make it possible, for example, to take corresponding boundary conditions for the travel time into account in the optimization.
Gemäß verschiedenen Ausführungsformen können die Hilfs-Optimierungsdaten
Gemäß verschiedenen Ausführungsformen kann das erste Optimierungsverfahren eine sequentielle quadratische Programmierung (Optimierung, SQP) aufweisen oder sein. Mittels der sequentiellen quadratischen Programmierung können insbesondere Modelle mit kontinuierlichen (z.B. nichtganzzahligen, z.B. gebrochen-rationalen) Parametern effizient optimiert werden. Gemäß verschiedenen Ausführungsformen kann das erste Modell (M1) ganzzahlige Steuerparameter und/oder ganzzahlige Zustandsparameter nicht optimieren. Gemäß verschiedenen Ausführungsformen kann ein ganzzahliger Parameter (z.B. Zustandsparameter, Steuerparameter, etc.) eine vergleichsweise geringe Anzahl (z.B. weniger als
Ferner kann der mindestens eine Prozessor
Gemäß verschiedenen Ausführungsformen kann das zweite Modell (M2) beispielsweise Folgendes aufweisen: einen ersten Zustandsparameter, welcher den Lade/Entlade-Zustand des Energiespeichers repräsentiert, einen zweiten Zustandsparameter, welcher die Fahrzeit repräsentiert, mindestens einen kontinuierlichen Steuerparameter, welcher die mindestens eine kontinuierliche Steuergröße des Antriebssystems repräsentiert, und mindestens einen ganzzahligen Steuerparameter, welcher die mindestens eine diskrete Steuergröße des Antriebssystems repräsentiert.According to various embodiments, the second model (M2) can have the following, for example: a first state parameter that represents the charge / discharge state of the energy store, a second state parameter that represents the travel time, at least one continuous control parameter that represents the at least one continuous control variable of the Drive system represents, and at least one integer control parameter which represents the at least one discrete control variable of the drive system.
Gemäß verschiedenen Ausführungsformen können die Vorgabe-Steuergrößen-Daten einen Vorgabe-Verlauf der mindestens einen kontinuierlichen Steuergröße und der mindestens einen diskreten Steuergröße des Antriebssystems für einen Teil der vordefinierten Fahrstrecke repräsentieren. Dabei kann das zweite Optimierungsverfahren (OPT2) eine dynamische Programmierung (Optimierung, DP) unter Verwendung des Pontrjaginschen Maximum-Prinzips (PMP) aufweisen oder sein. Mittels der ermittelten Hilfs-Optimierungsdaten
Gemäß verschiedenen Ausführungsformen können die Vorgabe-Steuergrößen-Daten
Gemäß verschiedenen Ausführungsformen können, beispielsweise mittels des mindestens einen Prozessors
Das Antriebssystem
Der Verbrennungsmotor
Das Antriebssystem
Optional kann das Hybridelektrofahrzeug
Die Motorenwellen des Elektromotors
Das Antriebssystem
Gemäß verschiedenen Ausführungsformen kann das Antriebssystem
Das Hybridelektrofahrzeug
Gemäß verschiedenen Ausführungsformen können die Gangwahl des Getriebes
Systemzustände können beispielsweise die Energiespeicher-Energie, die kinetische Energie (bzw. die Geschwindigkeit) und die Zeit sein. Bei beiden Modellen (M1, M2) können die Energiespeicher-Energie, die kinetische Energie (bzw. die Geschwindigkeit) und die Zeit mittels kontinuierlicher (z.B. gebrochen-rationale) Zustandsparameter beschrieben sein.System states can be, for example, the energy storage energy, the kinetic energy (or the speed) and the time. With both models (M1, M2), the energy storage energy, the kinetic energy (or the speed) and the time can be described by means of continuous (e.g. fractional-rational) state parameters.
Die Zielmenge kann ein Zielzustand (z.B. die Zielenergie) bezogen auf jeweils einen Abschnitt der Fahrstrecke für Reisezeit (den zweiten Zustandsparameter) und Lade/Entladezustand des Energiespeichers (den ersten Zustandsparameter) sein.The target amount can be a target state (e.g. the target energy) based on a section of the route for travel time (the second state parameter) and the charge / discharge state of the energy store (the first state parameter).
Gemäß verschiedenen Ausführungsformen kann das Optimalsteuerungsproblem mathematisch wie folgt formuliert werden:
- minimiere
- minimize
Im Folgenden werden Details zu der Modellierung des Antriebssystems
Gemäß verschiedenen Ausführungsformen kann der Zustand des Verbrennungsmotors bzw. der Start/Stopp-Systems, σ, ein diskreter Systemzustand sein, z.B. entweder an oder aus. Die entsprechende Steuergröße uσ steuert σ und gleichzeitig den Zustand der Kupplung
Die Winkelgeschwindigkeit ω(v, g) hängt von der longitudinalen Fahrzeuggeschwindigkeit v, dem dynamischen Radhalbmesser r und der Getriebeübersetzung (g) ab. Die Getriebeübersetzung (g) wird beispielsweise durch den jeweiligen Gang definiert, welcher einen weiteren diskreten Systemzustand darstellt. Die entsprechende Steuergröße ug steuert g.The angular speed ω (v, g) depends on the longitudinal vehicle speed v, the dynamic wheel radius r and the gear ratio (g). The gear ratio (g) is defined, for example, by the respective gear, which represents a further discrete system state. The corresponding control variable u g controls g.
Beide diskrete Steuergrößen ug und uσ können beispielsweise im Vektor
Für die Drehmomente, ME, des Verbrennungsmotors
Ferner können, gemäß verschiedenen Ausführungsformen, der Wirkungsgrad des Getriebes
Insgesamt kann das Kräftegleichgewicht am Rad, Fw(v), wie folgt beschrieben werden:
Mittels der Einführung der kinetischen Energie EV können Nichtlinearitäten beseitigt werden und die Zustandsdifferentialgleichung der kinetischen Energie, fV, ergibt sich wie folgt:
Durch die Formulierung im Wegbereich ergibt sich die Reisezeit t als weiteren Systemzustand, dessen Zustandsdifferentialgleichung wie folgt formuliert sein kann:
Der Zustandsvektor
Das Energiespeichermodell kann eine Serienschaltung aus einer idealen Spannungsquelle und einem ohmschen Widerstand aufweisen. Daraus folgt beispielsweise, dass die chemische Energiespeicherleistung, PS, welche beispielsweise durch die konstanten Leistungsgrenzen PSmin und PSmax limitiert sein kann, die Summe der dissipativen Energiespeicherleistung PS,d und der elektrischen Leistung ist.The energy storage model can have a series circuit comprising an ideal voltage source and an ohmic resistor. It follows from this, for example, that the chemical energy storage power, P S , which can be limited for example by the constant power limits P Smin and P Smax , is the sum of the dissipative energy storage power P S, d and the electrical power.
Die Energiespeicher-Leistung kann beschrieben werden wie folgt:
Die Verluste des Energiespeichers können von der elektrischen Leistung, dem ohmschen Widerstand
Gemäß verschiedenen Ausführungsformen kann für die Systemzustände
Das Gütemaß kann beispielsweise wie folgt formuliert sein:
Dies ist beispielhaft ein sogenanntes Bolzasches Gütemaß, welches sich beispielsweise aus einem Kostenanteil für den Zielzustand und einem integralen Kostenanteil zusammensetzt. Die Terme βσ und βg im Gütemaß repräsentieren den Verlust an Energie durch den Startvorgang des Verbrennungsmotors und Reibverluste in der Kupplung beim Schalten des Gangs. Der Term βa passt das Fahrverhalten an und verhindert oder erlaubt starkes Beschleunigen des Hybridelektrofahrzeugs. Es versteht sich, dass auch entsprechend andere Formulierungen des Modells und des Gütemaßes möglich sind, die zu gleichen oder ähnlichen Resultaten führen.This is, for example, a so-called Bolzas quality measure, which is composed, for example, of a cost component for the target state and an integral cost component. The terms β σ and β g in the quality measure represent the loss of energy through the starting process of the internal combustion engine and friction losses in the clutch when shifting the gear. The term β a adapts the driving behavior and prevents or allows strong acceleration of the hybrid electric vehicle. It goes without saying that other formulations of the model and the measure of quality are also possible, which lead to the same or similar results.
Mit dem Gütemaß lässt sich das Optimalsteuerungsproblem wie folgt zusammenfassen:
- minimiere
- unter den Bedingungen
- minimize
- under the conditions
Dabei kombiniert die Funktion fc(u,x) = (fs, fv, ft) die Zustandsdifferentialgleichungen aller kontinuierlichen Systemzustände.The function f c (u, x) = (f s , f v , f t ) combines the state differential equations of all continuous system states.
Zur Lösung des formulierten Optimalsteuerungsproblems mit der diskreten Lösungsverfahren können beispielsweise die Wegkoordinate diskretisiert und die kontinuierlichen Systemzustände xc quantisiert werden. To solve the formulated optimal control problem with the discrete solution method, for example, the path coordinates can be discretized and the continuous system states x c can be quantized.
Somit ergibt sich ein diskretes Optimalsteuerungsproblems wie folgt:
- Minimiere
- unter den Bedingungen
- Minimize
- under the conditions
Das diskrete Optimalsteuerungsproblems kann beispielsweise mit Hilfe eines numerischen Algorithmus (z.B. DP) berechnet werden. Dieser DP-Algorithmus startet beispielsweise mit k = 1 und berechnet für jeden Zustand x(k + 1) die Summe aus Zustandsübergangskosten ausgehend von den möglichen Vorgängerzuständen bei k und den kumulierten Kosten vom Start bis zum jeweiligen Vorgängerzustand bei k. Dabei können beispielsweise nur die Vorgängerzustände betrachtet werden, welche die Nebenbedingungen erfüllen, um die Rechenzeit klein zu halten. Die Zustandsübergangskosten hängen beispielsweise von den Steuergrößen ab, welche durch die Umkehr der Zustandsdifferentialgleichungen bestimmt werden. Das heißt aus der Differenz x(k+1)-x(k) wird auf u geschlossen. Dabei wird beispielsweise angenommen, dass sich die Steuergrößen im Intervall [sk, sk+1] nicht ändern, was einer Momentanwertabtastung entspricht. Sind alle möglichen Gesamtkosten für einen Zustand x(k) berechnet, wird der geringste Wert im Kostentensor und der Index des entsprechenden Vorgängers gespeichert. Dieser Algorithmus kann beispielsweise mit ineinander verschachtelten Schleifen realisiert werden, die beispielsweise alle möglichen Zustandsübergänge untersuchen, um die Zustandswechselkosten zu berechnen. Dazu können beispielsweise alle möglichen EV(k), ES(k), σ(k) und g(k) iteriert werden.The discrete optimal control problem can for example be calculated with the aid of a numerical algorithm (e.g. DP). This DP algorithm starts, for example, with k = 1 and calculates for each state x (k + 1) the sum of state transition costs based on the possible predecessor states at k and the cumulative costs from the start to the respective predecessor state at k. For example, only the previous states can be considered that meet the secondary conditions in order to keep the computing time small. The state transition costs depend, for example, on the control variables, which are determined by reversing the state differential equations. This means that u is deduced from the difference x (k + 1) -x (k). It is assumed, for example, that the control variables do not change in the interval [s k , s k + 1 ], which corresponds to an instantaneous value sampling. When all possible total costs have been calculated for a state x (k), the lowest value is stored in the cost tensor and the index of the corresponding predecessor. This algorithm can be implemented, for example, with interleaved loops which, for example, examine all possible state transitions in order to calculate the state change costs. For this purpose, for example, all possible E V (k), E S (k), σ (k) and g (k) can be iterated.
Gemäß verschiedenen Ausführungsformen erfolgt in der zweiten Stufe des MPC die Optimierung basierend auf einer kombinierten Lösung der DP mit Pontrjagins Maximumprinzip.According to various embodiments, the optimization based on a combined solution of the DP with Pontryagin's maximum principle takes place in the second stage of the MPC.
Im Folgenden werden beispielhaft Details zu dem Pontrjaginschen Maximumprinzip (PMP) beschrieben. Da in der Optimalsteuerung das Optimum gewöhnlich als Minimum definiert ist, kann das Maximumprinzip durch einen Vorzeichenwechsel zu einem Minimumprinzip umgewandelt werden. Anschaulich kann es als Extremalprinzip verstanden werden. Details of the Pontryagin maximum principle (PMP) are described below by way of example. Since the optimum is usually defined as the minimum in the optimum control, the maximum principle can be converted to a minimum principle by changing the sign. It can clearly be understood as an extremal principle.
Gemäß verschiedenen Ausführungsformen kann eine entsprechende Hamilton-Funktion wie folgt definiert sein:
Zur Anwendung des PMP auf das Optimalsteuerungsproblem können die diskreten Zustände g und σ vernachlässigt werden und nur deren Steuergrößen in der Problembeschreibung behalten werden. Ein angepasstes Gütemaß kann wie folgt lauten:
Damit lässt sich das Optimalsteuerungsproblem wie folgt formulieren:
- minimiere
- unter den Bedingungen
- minimize
- under the conditions
Um den stückweise konstanten Verlauf des jeweiligen Kozustands zu ermitteln, kann das Problem mit einem rekursiven Algorithmus gelöst werden, der den Horizont jeweils an den Stellen in Segmente teilt, wo die Verletzung der Energiespeichergrenzen mit einem konstanten ψs im Segment am größten ist. Daraus folgt beispielsweise ein stückweise konstanter Kozustand, der die global optimale Lösung darstellen kann.In order to determine the piece-wise constant course of the respective Ko-state, the problem can be solved with a recursive algorithm that divides the horizon into segments at the points where the violation of the energy storage limits with a constant ψ s in the segment is greatest. From this, for example, a piecewise constant Ko-state follows, which can represent the globally optimal solution.
Im Folgenden wird ein beispielhafter Algorithmus beschrieben, bei dem die Energiespeicher-Energie und die Fahrzeit aus dem Optimalsteuerungsproblem entfernt werden können, indem beispielsweise Werte für die entsprechenden Kozustände ψs und ψt vorgegeben werden. Diese Vorgabe der Kozustände ψs und ψt kann anschaulich durch die hierin beschriebene erste Stufe des MPC realisiert werden basierend auf einem SQP basierten Algorithmus. An exemplary algorithm is described below in which the energy storage energy and the travel time can be removed from the optimal control problem by, for example, specifying values for the corresponding Ko states ψ s and ψ t . This specification of the co-states ψ s and ψ t can clearly be realized by the first stage of the MPC described herein based on an SQP-based algorithm.
Gemäß verschiedenen Ausführungsformen kann ein übergeordneter Algorithmus die Kozustände mittels Lösens eines 2-Punkt-Randwertproblems mit Segmentierung des Horizonts lösen. Dieser Algorithmus ist in
Das Optimalsteuerungsproblem
- Minimiere
- unter den Bedingungen
- Minimize
- under the conditions
Dabei werden die Zielbedingungen für Reisezeit und Energiespeicher-Energie vorgegeben, da jeder Wert für die Kozustände genau einen Zielwert für den jeweiligen Zustand verursacht.The target conditions for travel time and energy storage energy are specified, since each value for the ko states causes exactly one target value for the respective state.
Mit dem Ziel den Berechnungsaufwand zur Lösung des Optimalsteuerungsproblems weiter zu senken, wird im Folgenden das Optimalsteuerungsproblem als quadratisches Problem (QP) formuliert. Mittels Lösens des QPs in einem SQP-Schema kann beispielsweise der durch Approximationen auftretende Linearisierungsfehler geringgehalten werden.With the aim of further reducing the computational effort to solve the optimal control problem, the optimal control problem is formulated below as a quadratic problem (QP). By solving the QP in an SQP scheme, for example, the linearization error caused by approximations can be kept low.
Für das SQP kann das Optimalsteuerungsproblem wie folgt formuliert sein:
- Minimiere
- unter den Bedingungen
- Minimize
- under the conditions
In einem QP können beispielsweise keine ganzzahligen Zustände betrachtet werden, weswegen beispielsweise das Start/Stopp-System und die Gangwahl des Getriebes vom gemischt-ganzzahligen Problem entfernt werden. Dazu wird der Verbrennungsmotor als dauerhaft eingeschaltet (σ = 1) und ein Gangwechsel als augenblicklich ohne Strafterm g angenommen.For example, integer states cannot be considered in a QP, which is why the start / stop system and the gear selection of the transmission are removed from the mixed-integer problem. For this purpose, the internal combustion engine is assumed to be switched on permanently (σ = 1) and a gear change is assumed to be instantaneously without penalty term g.
Diese Annahmen erlauben es beispielsweise, den Gang im Vorhinein zu wählen, so dass bei reinem Verbrennungsmotor-Betrieb (d.h. unter Vernachlässigung des Einflusses des Elektromotors) der Kraftstoffverbrauch minimal wird. Dazu kann beispielsweise anstelle des Verbrauchskennfelds des Verbrennungsmotors ein entsprechendes Kennfeld für die Verbrennungsmotor-Getriebe-Einheit, welche die Antriebskraft F̃E,W an den Rädern erzeugt, erstellt werden.
Das Gütemaß kann dann wie folgt formuliert sein:
Die maximale Kraft, welche die Verbrennungsmotor-Getriebe-Einheit an die Räder liefern, kann eine stark nichtlineare und stückweise diskrete Funktion sein. Dies kann beispielsweise dadurch berücksichtigt werden, dass eine stückweise nichtlineare innere Approximation ausgeführt wird, z.B. in der Form:
Der Elektromotor kann ebenfalls zusammen mit dem Getriebe zu einer Einheit zusammengefasst werden. Die obere Grenze der Kraft dieser EM-Getriebe-Einheit
Entsprechend der Kräfte für Verbrennungsmotor-Getriebe-Einheit und Elektromotor-Getriebe-Einheit kann auch eine Energiespeicherkraft F̃S=PS/v definiert sein, welche als Längskraft verstanden werden kann, die auf das Fahrzeug wirkt, wenn Antriebsleistung aus dem Energiespeicher entnommen wird.An energy storage force F̃ S = P S / v can also be defined corresponding to the forces for the internal combustion engine-transmission unit and the electric motor-transmission unit, which can be understood as a longitudinal force that acts on the vehicle when drive power is drawn from the energy storage unit.
Folglich kann die elektrische Leistungsbilanz durch Modellierung des Energiespeichers mit jeweils einem konstanten Wirkungsgrad für Laden ηs,chr und Entladen ηS,dis als Kräftebilanz beschrieben werden, z.B. wie folgt:
Zusätzlich zu der Energiespeicherkraft kann beispielsweise ein weiteres Steuersignal, z, verwendet werden, um die Zustandsdifferentialgleichung auszubilden, wie folgt:
Das nichtlineare Steuersignal, z, kann beispielsweise mittels zweier affiner Teilstücke approximiert werden:
Das sich ergebende Optimalsteuerungsproblem kann somit lineare Zustandsdifferentialgleichungen aufweisen, z.B. wie folgt:
Mittels Linearisierung um eine Referenztrajektorie ẼV kann eine konvexe innere Approximation wie folgt formuliert werden:
Damit ist das Modell beispielsweise vollständig durch quadratische Funktionen approximiert, wodurch die Entwicklung eines SQP möglich ist.The model is therefore fully approximated by quadratic functions, which enables the development of an SQP.
Dazu werden der Zustandsvektor x̃=(ẼS, EV, t̃) und der Steuervektor ũ=(F̃E,W, FM,W, F̃B, F̃S, z̃) entsprechend wie vorangehend beschrieben definiert und s, analog wie für das DP und PMP-DP beschrieben, mit Momentanwertabtastung diskretisiert. Folglich kann das QP, welches in jeder SQP-Iteration gelöst wird, wie folgt beschrieben sein:
- minimiere
- unter den Bedingungen
- minimize
- under the conditions
Dabei können die Matrizen A, B, C, D und die Vektoren w, b, x̃min, x̃max wie vorangehend beschrieben aufgestellt werden. Diese Matrizen und Vektoren hängen beispielsweise von k̃ ab, da die Steigung und die Grenzen von ẼV sowie die Approximation von z̃ vom Weg abhängen. Der Abstand zwischen zwei Abtastwerten muss nicht konstant sein und kann abhängig von der Referenzgeschwindigkeit angepasst werden, z.B. kann eine gröbere Abtastung für höhere Geschwindigkeiten verwendet werden.The matrices A, B, C, D and the vectors w, b, x̃ min , x̃ max can be set up as described above. These matrices and vectors depend, for example, on k̃, since the slope and the limits of Ẽ V and the approximation of zhängen depend on the path. The distance between two sample values does not have to be constant and can be adapted depending on the reference speed, eg a coarser sample can be used for higher speeds.
Gemäß verschiedenen Ausführungsformen können das SQP und das PMP-DP als reines Steuerverfahren implementiert sein oder werden. Um Modellabweichungen einzubeziehen kann ein Simulationsmodell verwendet werden, dass auf dem vorangehend beschriebenen Steuerungsmodell basiert und um weitere Dynamiken ergänzt ist. Diese zusätzlichen Dynamiken verursachen beispielsweise eine Abweichung zwischen Steuerungs- und Simulationsmodell, weswegen eine reine Steuerung, welche die Zustände mit Hilfe des Steuerungsmodells berechnet, einen Fehler bei der Prädiktion der Zustände, die sich im Simulationsmodell ergeben, verursacht.According to various embodiments, the SQP and the PMP-DP can be or will be implemented as a pure control method. In order to include model deviations, a simulation model can be used that is based on the control model described above and supplemented by further dynamics. These additional dynamics cause, for example, a discrepancy between the control and simulation model, which is why a pure control that calculates the states with the aid of the control model causes an error in the prediction of the states that arise in the simulation model.
Aufgrund der Abweichung zwischen Realität und dem Steuerungsmodell kann es hilfreich sein, die Vorgaben für die Steuergrößen mit einer vergleichsweise hohen Frequenz (z.B. mit mehr als 0,5 Hz) aktualisieren. Dazu kann die hierin beschrieben zweistufige MPC verwendet werden, welche als Energiemanagementstrategie mit effizienter Längsführung online im Hybridelektrofahrzeug
Als Eingangsdaten können die Fahrstrecken-Daten
In der zweiten (Low-Level) MPC Stufe kann beispielsweise der Horizont in Abschnitte geteilt sein, die kurz genug sind, um beispielsweise mittels PMP-DP in einer vordefinierten Zeit (z.B. in weniger als 1 s) berechnet zu werden. Das Problem kann beispielsweise in Abschnitten gelöst werden, d.h. durch stetige Optimierung kurzer Vorausschauhorizonte, so dass es beispielsweise hilfreich ist, Werte für die gewünschte Zielzeit und Ziel-Energiespeicher-Energie für den jeweiligen Abschnitt anzugeben. Die Vorgabe von Zielbedingungen erfolgt beispielsweise durch die erste (High-Level) MPC Stufe, die das Energiemanagement für einen Horizont berechnet, der sich bis zum Ende der Strecke ausdehnt. Die beispielsweise optimierten Ergebnisse der ersten MPC Stufe werden genutzt, um die Zielwerte für die Energiespeicher-Energie Ẽs,f und die Zielzeit t̃f für den begrenzten Vorausschauhorizont der zweiten MPC Stufe zu ermitteln. Sowohl die erste als auch die zweite MPC Stufe können, gemäß verschiedenen Ausführungsformen, die aktuellen Systemzustände berücksichtigen, die als Startzustände zurückgeführt werden. Dabei kann die Aktualisierungsrate der aktuellen Systemzustände an die Dauer der Iterationen angepasst sein. Zusätzliche Eingangssignale können beispielsweise sein, wie bereits beschrieben, die Trajektorien der Steigung (α) und der Geschwindigkeitsgrenzen (EVmin und EVmax) für die aktuelle Strecke.In the second (low-level) MPC stage, for example, the horizon can be divided into sections that are short enough to be calculated, for example, by means of PMP-DP in a predefined time (eg in less than 1 s). The problem can be solved, for example, in sections, that is to say by continuously optimizing short forecast horizons, so that it is helpful, for example, to specify values for the desired target time and target energy storage energy for the respective section. Target conditions are specified, for example, by the first (high-level) MPC stage, which the energy management calculates for a horizon that extends to the end of the route. The results of the first MPC stage, optimized for example, are used to determine the target values for the energy storage energy Ẽ s, f and the target time t̃ f for the limited forecast horizon of the second MPC stage. Both the first and the second MPC stage can, according to various embodiments, take into account the current system states, which are returned as start states. The update rate of the current system states can be adapted to the duration of the iterations. Additional input signals can be, for example, as already described, the trajectories of the gradient (α) and the speed limits (E Vmin and E Vmax ) for the current route.
Gemäß verschiedenen Ausführungsformen können in der ersten MPC Stufe vergleichsweise lange Vorausschauhorizonte berechnet werden, was insbesondere zur sinnvollen Nutzung hochkapazitiver Energiespeicher wie bei Plug-In-Hybridfahrzeugen wünschenswert sein kann, so dass der Horizont bis zum Ende der Fahrstrecke reicht. Solch eine MPC kann einen hohen Berechnungsaufwand verursachen. Daher kann dafür, gemäß verschiedenen Ausführungsformen, ein SQP-Schema verwendet werden. Das SQP-Schema kann als Echtzeit-Iteration implementiert sein oder werden. Die Echtzeit-Iteration kann beispielsweise die iterative Natur der MPC nutzen durch Verteilen der SQP-Iterationen über die MPC-Aktualisierungen. Gemäß verschiedenen Ausführungsformen kann bei jeder Aktualisierung der MPC nur ein QP gelöst werden, was den Berechnungsaufwand reduziert und die Nutzung eines herkömmlichen QP-Solvers ermöglicht.According to various embodiments, comparatively long forecast horizons can be calculated in the first MPC stage, which can be particularly desirable for the sensible use of high-capacity energy storage devices such as plug-in hybrid vehicles, so that the horizon extends to the end of the route. Such an MPC can be very computational. Therefore, according to various embodiments, an SQP scheme can be used for this. The SQP scheme can be implemented as a real-time iteration. For example, the real-time iteration can take advantage of the iterative nature of the MPC by spreading the SQP iterations over the MPC updates. According to various embodiments, only one QP can be solved each time the MPC is updated, which reduces the calculation effort and enables the use of a conventional QP solver.
Die darunterliegende zweite MPC Stufe, kann dazu verwendet werden, kürzere Vorausschauhorizonte zu berechnen als mittels der ersten MPC Stufe. Dies erlaubt den Einsatz der PMP-DP zum Berechnen der tatsächlichen Ansteuerung, was eine deutlich höhere Güte der Lösung verspricht, da die diskreten Zustände und Steuergrößen ebenfalls optimiert werden und mit einem nichtkonvexen Modell gerechnet werden kann.The second MPC level below can be used to calculate shorter forecast horizons than with the first MPC level. This allows the PMP-DP to be used to calculate the actual control, which promises a significantly higher quality of the solution, since the discrete states and control variables are also optimized and can be calculated with a non-convex model.
Um den Zielvorgaben der ersten MPC Stufe (MPC-1) zu folgen, kann der Algorithmus der zweiten MPC Stufe (MPC-2) beispielsweise derart eingerichtet sein, dass ein 2-Punkt-Randwertproblem gelöst wird, um jeweils ψs und ψt zu ermitteln. Dafür kann beispielsweise die Bisektion als ein Einfachschießverfahren verwendet werden. Das Einfachschießverfahren wird beispielsweise durchgeführt, während sich das Hybridelektrofahrzeug
Beispielsweise kann die zweite MPC Stufe (MPC-2) einen nichtlinearen Proportionalregler (NPR) aufweisen, z.B. um mögliche Verletzungen der Energiespeichergrenzen zu vermeiden. Mittels des nichtlinearen Proportionalreglers (NPR) kann beispielsweise ein neuer Wert für den Kozustand ψS,lim ermittelt werden, welcher beispielsweise in der PMP-DP eine realisierbare Steuerung garantieren kann. Dazu erhält der nichtlineare Proportionalregler (NPR) den Wert für ψs vom Einfachschießverfahren-Block (EVB) sowie den aktuellen Lade/Entladezustand und die Energiespeichergrenzen. Ist der Lade/Entladezustand des Energiespeichers beispielsweise nahe seiner unteren Grenze wird WS,lim erhöht und damit ein Laden des Energiespeichers erzwungen, und vice versa. Dieses Reglerverhalten kann durch Implementierung einer Tangensfunktion
Im Folgenden werden verschiedene Beispiele beschrieben, welche sich auf das vorangehend Beschriebene und das in den Figuren beispielhaft Dargestellte beziehen.In the following, various examples are described which relate to what has been described above and what is shown by way of example in the figures.
Beispiel 1 ist ein Verfahren zum Regeln eines Antriebssystems eines Hybridfahrzeugs, das Verfahren aufweisend: Ermitteln von Hilfs-Optimierungsdaten basierend auf einem ersten Modell mittels eines ersten Optimierungsverfahrens, wobei das erste Modell aufweist: einen ersten kontinuierlichen Zustandsparameter, welcher einen Lade/Entlade-Zustand eines Energiespeichers des Antriebssystems repräsentiert, einen zweiten kontinuierlichen Zustandsparameter, welcher eine Fahrzeit repräsentiert, einen ersten Steuerparametersatz, welcher kontinuierliche Steuergrößen des Antriebssystems repräsentiert, und wobei die Hilfs-Optimierungsdaten einen Verlauf des ersten Zustandsparameters und des zweiten Zustandsparameters zugeordnet zu einer vordefinierten Fahrstrecke repräsentieren, wobei das erste Optimierungsverfahren eine sequentielle quadratische Programmierung aufweist zum Ermitteln der Hilfs-Optimierungsdaten basierend auf Fahrstrecken-Daten und Ist-Steuergrößen-Daten unter Berücksichtigung des ersten und zweiten kontinuierlichen Zustandsparameters und des ersten Steuerparametersatzes; Ermitteln von Vorgabe-Steuergrößen-Daten basierend auf einem zweiten Modell mittels eines zweiten Optimierungsverfahrens, wobei das zweite Modell aufweist: einen ersten Zustandsparameter, welcher den Lade/Entlade-Zustand des Energiespeichers repräsentiert, einen zweiten Zustandsparameter, welcher die Fahrzeit repräsentiert, einen ersten Steuerparametersatz, welcher die kontinuierlichen Steuergrößen des Antriebssystems repräsentiert, und einen zweiten Steuerparametersatz, welcher diskrete Steuergrößen des Antriebssystems repräsentiert, wobei die Vorgabe-Steuergrößen-Daten einen Vorgabe-Verlauf der kontinuierlichen Steuergrößen und der diskreten Steuergrößen des Antriebssystems für einen Teil der vordefinierten Fahrstrecke repräsentieren, wobei das zweite Optimierungsverfahren eine dynamische Programmierung unter Verwendung des Pontrjaginschen Maximum-Prinzips aufweist, und wobei mittels der ermittelten Hilfs-Optimierungsdaten Zielwerte für den ersten Zustandsparameter und den zweiten Zustandsparameter des zweiten Modells für den Teil der vordefinierten Fahrstrecke ermittelt werden zum Ermitteln der Vorgabe-Steuergrößen-Daten basierend auf den Fahrstrecken-Daten, den Ist-Steuergrößen-Daten und den ermittelten Hilfs-Optimierungsdaten unter Berücksichtigung des ersten und zweiten kontinuierlichen Zustandsparameters und des ersten und zweiten Steuerparametersatzes; und Ausgeben der Vorgabe-Steuergrößen-Daten zum Betreiben des Antriebssystems basierend auf den ausgegebenen Vorgabe-Steuergrößen-Daten. Example 1 is a method for regulating a drive system of a hybrid vehicle, the method comprising: determining auxiliary optimization data based on a first model by means of a first optimization method, the first model having: a first continuous state parameter, which indicates a charge / discharge state of a Energy storage of the drive system represents, a second continuous state parameter which represents a travel time, a first control parameter set which represents continuous control variables of the drive system, and wherein the auxiliary optimization data represent a course of the first state parameter and the second state parameter assigned to a predefined route, wherein the The first optimization method has sequential quadratic programming for determining the auxiliary optimization data based on route data and actual control variable data, taking into account the er first and second continuous state parameters and the first control parameter set; Determining default control variable data based on a second model by means of a second optimization method, the second model having: a first state parameter which represents the charge / discharge state of the energy store, a second state parameter which represents the driving time, a first control parameter set , which represents the continuous control variables of the drive system, and a second set of control parameters, which represents discrete control variables of the drive system, the default control variable data representing a default course of the continuous control variables and the discrete control variables of the drive system for part of the predefined route, wherein the second optimization method has dynamic programming using the Pontryagin maximum principle, and using the determined auxiliary optimization data, target values for the first state parameter and the second Zu state parameters of the second model are determined for the part of the predefined route to determine the default control variable data based on the route data, the actual control variable data and the determined auxiliary optimization data, taking into account the first and second continuous state parameters and the first and second set of control parameters; and outputting the default control variable data for operating the drive system based on the output default control variable data.
In Beispiel 2 kann das Verfahren gemäß Beispiel 1 ferner aufweisen, dass die Fahrstrecken-Daten zumindest einen vordefinierten Steigungsverlauf und einen vordefinierten Geschwindigkeitsgrenzenverlauf repräsentieren zugeordnet zu der vordefinierten Fahrstrecke.In example 2, the method according to example 1 can furthermore have the route data representing at least one predefined gradient profile and a predefined speed limit profile assigned to the predefined route.
In Beispiel 3 kann das Verfahren gemäß Beispiel 1 oder 2 ferner aufweisen, dass die Ist-Steuergrößen-Daten einen jeweiligen Ist-Zustand der Steuergrößen des ersten und zweiten Steuergrößensatzes repräsentieren.In example 3, the method according to example 1 or 2 can furthermore have the actual control variable data representing a respective actual state of the control variables of the first and second control variable sets.
In Beispiel 4 kann das Verfahren gemäß einem der Beispiele 1 bis 3 ferner aufweisen, dass zumindest ein Steuerparameter des zweiten Steuerparametersatz in dem ersten Optimierungsverfahren nicht optimiert wird.In example 4, the method according to one of examples 1 to 3 can further include that at least one control parameter of the second control parameter set is not optimized in the first optimization method.
In Beispiel 5 kann das Verfahren gemäß einem der Beispiele 1 bis 4 ferner aufweisen, dass in dem ersten Optimierungsverfahren ein Horizont bis zum Fahrtende berücksichtigt ist, vorzugsweise bis zu einem Horizont von mehr als 50 km.In example 5, the method according to one of examples 1 to 4 can furthermore have a horizon up to the end of the journey being taken into account in the first optimization method, preferably up to a horizon of more than 50 km.
In Beispiel 6 kann das Verfahren gemäß einem der Beispiele 1 bis 5 ferner aufweisen, dass in dem zweiten Optimierungsverfahren ein Horizont von weniger als 10 km berücksichtigt ist, vorzugsweise von weniger als 5 km.In example 6, the method according to one of examples 1 to 5 can furthermore have a horizon of less than 10 km, preferably of less than 5 km, being taken into account in the second optimization method.
In Beispiel 7 kann das Verfahren gemäß einem der Beispiele 1 bis 6 ferner aufweisen, dass das erste Optimierungsverfahren ein Aktualisierungsintervall aufweist in einem Bereich von 10 s bis 300 s.In example 7, the method according to one of examples 1 to 6 can furthermore have that the first optimization method has an update interval in a range from 10 s to 300 s.
In Beispiel 8 kann das Verfahren gemäß einem der Beispiele 1 bis 7 ferner aufweisen, dass das erste Optimierungsverfahren eine Diskretisierung des Horizonts aufweist in einem Bereich von 1 m bis 100 m, vorzugsweise von weniger als 50 m.In example 8, the method according to one of examples 1 to 7 can furthermore have that the first optimization method has a discretization of the horizon in a range from 1 m to 100 m, preferably less than 50 m.
In Beispiel 9 kann das Verfahren gemäß einem der Beispiele 1 bis 8 ferner aufweisen, dass das zweite Optimierungsverfahren ein Aktualisierungsintervall aufweist in einem Bereich von 0,01 s bis 5 s, vorzugsweise von weniger als 1 s.In example 9, the method according to one of examples 1 to 8 can furthermore have that the second optimization method has an update interval in a range from 0.01 s to 5 s, preferably less than 1 s.
In Beispiel 10 kann das Verfahren gemäß einem der Beispiele 1 bis 9 ferner aufweisen, dass das zweite Optimierungsverfahren eine Diskretisierung des Horizonts aufweist in einem Bereich von 10 m bis 100 m, vorzugsweise von weniger als 100 m.In example 10, the method according to one of examples 1 to 9 can furthermore have that the second optimization method has a discretization of the horizon in a range from 10 m to 100 m, preferably less than 100 m.
In Beispiel 11 kann das Verfahren gemäß einem der Beispiele 1 bis 10 ferner aufweisen, dass das zweite Optimierungsverfahren eine Quantisierung der Beschleunigung aufweist in einem Bereich von 0,1 m/s2 bis 1 m/s2, vorzugsweise von weniger als 1 m/s2. In example 11, the method according to one of examples 1 to 10 can furthermore have that the second optimization method has a quantization of the acceleration in a range from 0.1 m / s 2 to 1 m / s 2 , preferably less than 1 m / s 2 .
In Beispiel 12 kann das Verfahren gemäß einem der Beispiele 1 bis 11 ferner aufweisen, dass der erste Steuerparametersatz ein oder mehrere Steuerparameter aufweist die ein oder mehrere der folgenden kontinuierlichen Steuergrößen repräsentieren: Drehmoment oder Kraft eines Verbrennungsmotors des Antriebssystems; Drehmoment oder Kraft eines Elektromotors des Antriebssystems; Drehmoment oder Kraft eines Bremssystems des Antriebssystems.In example 12, the method according to one of examples 1 to 11 can further comprise that the first control parameter set has one or more control parameters that represent one or more of the following continuous control variables: torque or force of an internal combustion engine of the drive system; Torque or power of an electric motor of the drive system; Torque or force of a braking system of the drive system.
In Beispiel 13 kann das Verfahren gemäß einem der Beispiele 1 bis 12 ferner aufweisen, dass der zweite Steuerparametersatz ein oder mehrere Steuerparameter aufweist die ein oder mehrere der folgenden diskreten Steuergrößen repräsentieren: Zustand eines Start/Stopp-Systems eines Verbrennungsmotors des Antriebssystems; Zustand eines Getriebes des Antriebssystems.In example 13, the method according to one of examples 1 to 12 can further include that the second control parameter set has one or more control parameters that represent one or more of the following discrete control variables: state of a start / stop system of an internal combustion engine of the drive system; State of a transmission in the drive system.
In Beispiel 14 kann das Verfahren gemäß einem der Beispiele 1 bis 13 ferner aufweisen, dass die Steuerparameter des zweiten Steuerparametersatzes ganzzahlig sind und wobei die Steuerparameter des ersten Steuerparametersatzes nichtganzzahlig, vorzugsweise gebrochen-rational, sind.In example 14, the method according to one of examples 1 to 13 can further comprise that the control parameters of the second control parameter set are integer and wherein the control parameters of the first control parameter set are non-integer, preferably fractional-rational.
In Beispiel 15 kann das Verfahren gemäß einem der Beispiele 1 bis 14 ferner aufweisen, dass das erste und das zweite Optimierungsverfahren mittels eines Rechensystems durchgeführt werden, wobei das Rechensystem eine Rechenleistung von weniger als 100 TFLOPS aufweist.In example 15, the method according to one of examples 1 to 14 can further include that the first and the second optimization method are carried out by means of a computing system, the computing system having a computing power of less than 100 TFLOPS.
In Beispiel 16 kann das Verfahren gemäß einem der Beispiele 1 bis 15 ferner aufweisen, dass das zweite Optimierungsverfahren einen nichtlinearen Proportionalregler aufweist zum Berücksichtigen von Energiespeichergrenzen des Energiespeichers.In example 16, the method according to one of examples 1 to 15 can furthermore have that the second optimization method has a non-linear proportional controller for taking into account energy storage limits of the energy storage.
In Beispiel 17 kann das Verfahren gemäß einem der Beispiele 1 bis 16 ferner aufweisen, dass das zweite Optimierungsverfahren derart eingerichtet ist, dass ein 2-Punkt-Randwertproblem gelöst wird, wobei die Hilfs-Optimierungsdaten Zielvorgaben für das 2-Punkt-Randwertproblem repräsentieren.In example 17, the method according to one of examples 1 to 16 can further include that the second optimization method is set up such that a 2-point boundary value problem is solved, the auxiliary optimization data representing target values for the 2-point boundary value problem.
In Beispiel 18 kann das Verfahren gemäß einem der Beispiele 1 bis 17 ferner aufweisen, dass die Hilfs-Optimierungsdaten Zielvorgaben für den Lade/Entlade-Zustand des Energiespeichers und die Fahrzeit bezogen auf ein in dem zweiten Optimierungsverfahren berücksichtigte Teilstrecke der vordefinierten Fahrstrecke repräsentieren.In example 18, the method according to one of examples 1 to 17 can furthermore have the auxiliary optimization data representing target specifications for the charge / discharge state of the energy store and the driving time based on a section of the predefined driving route taken into account in the second optimization method.
Beispiel 19 ist eine Regelvorrichtung (
Beispiel 20 ist ein Verfahren zum Regeln eines Antriebssystems eines Hybridfahrzeugs, das Verfahren aufweisend: Ermitteln von Hilfs-Optimierungsdaten basierend auf einem ersten Modell mittels eines ersten Optimierungsverfahrens, wobei das erste Optimierungsverfahren eine sequentielle quadratische Programmierung aufweist zum Ermitteln der Hilfs-Optimierungsdaten basierend auf Fahrstrecken-Daten und Ist-Steuergrößen-Daten unter Berücksichtigung von Parametern, welche das Antriebssystem des Hybridantriebsfahrzeugs repräsentieren, und wobei die Hilfs-Optimierungsdaten einen Verlauf eines Untermenge der Parameter zugeordnet zu einer vordefinierten Fahrstrecke repräsentieren; Ermitteln von Vorgabe-Steuergrößen-Daten basierend auf einem zweiten Modell mittels eines zweiten Optimierungsverfahrens, wobei die Vorgabe-Steuergrößen-Daten einen Vorgabe-Verlauf von Steuergrößen des Antriebssystems für eine Teilstrecke der vordefinierten Fahrstrecke repräsentieren, wobei das zweite Optimierungsverfahren eine dynamische Programmierung unter Verwendung des Pontrjaginschen Maximum-Prinzips aufweist, und wobei basierend auf den ermittelten Hilfs-Optimierungsdaten Zielwerte für ein oder mehrere Parameter des zweiten Modells für die Teilstrecke ermittelt werden zum Ermitteln der Vorgabe-Steuergrößen-Daten basierend auf den Fahrstrecken-Daten, den Ist-Steuergrößen-Daten unter Berücksichtigung von Parametern, welche das Antriebssystem des Hybridantriebsfahrzeugs repräsentieren; und Ausgeben der Vorgabe-Steuergrößen-Daten zum Betreiben des Antriebssystems basierend auf den ausgegebenen Vorgabe-Steuergrößen-Daten.Example 20 is a method for regulating a drive system of a hybrid vehicle, the method comprising: determining auxiliary optimization data based on a first model by means of a first optimization method, the first optimization method having sequential quadratic programming for determining the auxiliary optimization data based on route Data and actual control variable data taking into account parameters which represent the drive system of the hybrid drive vehicle, and wherein the auxiliary optimization data represent a course of a subset of the parameters assigned to a predefined route; Determination of default control variable data based on a second model by means of a second optimization method, the default control variable data representing a default curve of control variables of the drive system for a section of the predefined route, the second optimization method being dynamic programming using the Pontryagin's maximum principle, and based on the determined auxiliary optimization data, target values for one or more parameters of the second model for the section are determined to determine the default control variable data based on the route data, the actual control variable data taking into account parameters which represent the drive system of the hybrid drive vehicle; and outputting the default control variable data for operating the drive system based on the output default control variable data.
Beispiel 21 ist ein Nichtflüchtiges Speichermedium aufweisend Instruktionen, welche, ausgeführt von mindestens einem Prozessor, das Verfahren zum Regeln eines Antriebssystems eines Hybridelektrofahrzeugs gemäß einem der Beispiele 1 bis 18 oder 20 ausführen.Example 21 is a non-volatile storage medium having instructions which, executed by at least one processor, execute the method for regulating a drive system of a hybrid electric vehicle according to one of Examples 1 to 18 or 20.
Es versteht sich, dass Funktionen, Algorithmen, etc. die hierin mit Bezug auf ein Verfahren beschrieben sind auch in gleicher Weise in einer Regelvorrichtung implementiert sein können und vice versa.It goes without saying that functions, algorithms, etc. which are described herein with reference to a method can also be implemented in the same way in a control device and vice versa.
Claims (10)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019105665.9A DE102019105665A1 (en) | 2019-03-06 | 2019-03-06 | Control device and method for controlling a drive system of a hybrid vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019105665.9A DE102019105665A1 (en) | 2019-03-06 | 2019-03-06 | Control device and method for controlling a drive system of a hybrid vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102019105665A1 true DE102019105665A1 (en) | 2020-09-10 |
Family
ID=72146534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019105665.9A Pending DE102019105665A1 (en) | 2019-03-06 | 2019-03-06 | Control device and method for controlling a drive system of a hybrid vehicle |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102019105665A1 (en) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020203742A1 (en) | 2020-03-24 | 2021-09-30 | Zf Friedrichshafen Ag | Model-based predictive control of a motor vehicle |
DE102020216251A1 (en) | 2020-12-18 | 2022-06-23 | Zf Friedrichshafen Ag | Model-based predictive control of a motor vehicle |
DE102021202468A1 (en) | 2021-03-15 | 2022-09-15 | Zf Friedrichshafen Ag | Device and method for model-based predicted control of a component of a vehicle |
FR3120594A1 (en) * | 2021-03-12 | 2022-09-16 | Psa Automobiles Sa | METHOD FOR MANAGING THE STARTING OF A THERMAL ENGINE FOR A HYBRID VEHICLE |
DE102021203350A1 (en) | 2021-04-01 | 2022-10-06 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method for operating a hybrid vehicle with an electric drive and a combustion drive and associated device for operating a hybrid vehicle |
DE102021116120A1 (en) | 2021-06-22 | 2022-12-22 | Man Truck & Bus Se | Method and device for determining an operating strategy of an electrically driven vehicle, preferably a fuel cell vehicle |
WO2023030649A1 (en) * | 2021-09-03 | 2023-03-09 | Zf Friedrichshafen Ag | Model-based predictive control of a motor vehicle |
WO2023030644A1 (en) * | 2021-09-03 | 2023-03-09 | Zf Friedrichshafen Ag | Model-based predictive control of a motor vehicle |
WO2023030648A1 (en) * | 2021-09-03 | 2023-03-09 | Zf Friedrichshafen Ag | Model-based predictive control of a motor vehicle |
WO2023030647A1 (en) * | 2021-09-03 | 2023-03-09 | Zf Friedrichshafen Ag | Model-based predictive control of a motor vehicle |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030018400A1 (en) * | 1998-03-05 | 2003-01-23 | Tuttle Timothy D. | Method and apparatus for creating time-optimal commands for linear systems |
DE10222699A1 (en) * | 2002-05-22 | 2003-12-11 | Bayerische Motoren Werke Ag | Computer-aided motor vehicle system optimization method for optimizing a system's parameters uses approximation models for forecasting |
DE102008038753A1 (en) * | 2008-08-12 | 2010-02-25 | Mtu Friedrichshafen Gmbh | Method for controlling a hybrid drive in a rail vehicle |
DE102011085454A1 (en) * | 2011-10-28 | 2013-05-02 | Mtu Friedrichshafen Gmbh | Method for controlling a hybrid drive with an internal combustion engine and an electric motor and an electrical energy store, in particular for a rail vehicle, control device and hybrid drive |
DE102014209687A1 (en) * | 2014-05-21 | 2015-11-26 | Robert Bosch Gmbh | Method and device for the anticipatory operation of a motor vehicle |
-
2019
- 2019-03-06 DE DE102019105665.9A patent/DE102019105665A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030018400A1 (en) * | 1998-03-05 | 2003-01-23 | Tuttle Timothy D. | Method and apparatus for creating time-optimal commands for linear systems |
DE10222699A1 (en) * | 2002-05-22 | 2003-12-11 | Bayerische Motoren Werke Ag | Computer-aided motor vehicle system optimization method for optimizing a system's parameters uses approximation models for forecasting |
DE102008038753A1 (en) * | 2008-08-12 | 2010-02-25 | Mtu Friedrichshafen Gmbh | Method for controlling a hybrid drive in a rail vehicle |
DE102011085454A1 (en) * | 2011-10-28 | 2013-05-02 | Mtu Friedrichshafen Gmbh | Method for controlling a hybrid drive with an internal combustion engine and an electric motor and an electrical energy store, in particular for a rail vehicle, control device and hybrid drive |
DE102014209687A1 (en) * | 2014-05-21 | 2015-11-26 | Robert Bosch Gmbh | Method and device for the anticipatory operation of a motor vehicle |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020203742A1 (en) | 2020-03-24 | 2021-09-30 | Zf Friedrichshafen Ag | Model-based predictive control of a motor vehicle |
DE102020216251A1 (en) | 2020-12-18 | 2022-06-23 | Zf Friedrichshafen Ag | Model-based predictive control of a motor vehicle |
DE102020216251B4 (en) | 2020-12-18 | 2022-07-07 | Zf Friedrichshafen Ag | Model-based predictive control of a motor vehicle |
FR3120594A1 (en) * | 2021-03-12 | 2022-09-16 | Psa Automobiles Sa | METHOD FOR MANAGING THE STARTING OF A THERMAL ENGINE FOR A HYBRID VEHICLE |
DE102021202468A1 (en) | 2021-03-15 | 2022-09-15 | Zf Friedrichshafen Ag | Device and method for model-based predicted control of a component of a vehicle |
DE102021203350A1 (en) | 2021-04-01 | 2022-10-06 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method for operating a hybrid vehicle with an electric drive and a combustion drive and associated device for operating a hybrid vehicle |
DE102021116120A1 (en) | 2021-06-22 | 2022-12-22 | Man Truck & Bus Se | Method and device for determining an operating strategy of an electrically driven vehicle, preferably a fuel cell vehicle |
WO2023030649A1 (en) * | 2021-09-03 | 2023-03-09 | Zf Friedrichshafen Ag | Model-based predictive control of a motor vehicle |
WO2023030644A1 (en) * | 2021-09-03 | 2023-03-09 | Zf Friedrichshafen Ag | Model-based predictive control of a motor vehicle |
WO2023030648A1 (en) * | 2021-09-03 | 2023-03-09 | Zf Friedrichshafen Ag | Model-based predictive control of a motor vehicle |
WO2023030647A1 (en) * | 2021-09-03 | 2023-03-09 | Zf Friedrichshafen Ag | Model-based predictive control of a motor vehicle |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102019105665A1 (en) | Control device and method for controlling a drive system of a hybrid vehicle | |
DE102020107052A1 (en) | EXTENSIVE BRAKE CONTROL SYSTEM | |
DE102013223980A1 (en) | Tour-related energy management control | |
WO2017109218A1 (en) | Method for operating a motor vehicle, control unit for a drive system, and a drive system | |
EP2540589B1 (en) | Control device and method for controlling and/or regulating vehicle systems | |
DE102009040682A1 (en) | Method for controlling speed control system of e.g. lorry, involves examining influence of selected variants and suitability of variants based on simulation of speed process, activating suitable variants, and rejecting unsuitable variants | |
WO2010031678A1 (en) | Method for setting a motor drive unit in a motor vehicle | |
DE102019133006A1 (en) | MODEL FORWARD-LOOKING CONTROL OF A DRIVELINE SYSTEM USING PREVIEW INFORMATION | |
DE102014110860A1 (en) | System and method for power management for a hybrid vehicle | |
DE102020203742A1 (en) | Model-based predictive control of a motor vehicle | |
EP3072769B1 (en) | Method for restricting the search area of a model-based online optimization method for predicting a state variable of a vehicle | |
DE102016120274A1 (en) | SYSTEM AND METHOD FOR CONTROLLING TRANSMISSION CONTROL | |
DE112018000531T5 (en) | METHOD FOR REDUCING FUEL CONSUMPTION OF VEHICLES DURING OPENING | |
WO2004106104A1 (en) | Motor vehicle and associated electronic control device | |
DE102012210389A1 (en) | Method and device for operating a drive system with an accessory | |
EP4359238A1 (en) | Method and device for determining an operating strategy of an electrically driven vehicle, preferably a fuel cell vehicle | |
DE102013014743A1 (en) | Method for operating a vehicle | |
DE102017204163A1 (en) | Method for operating a motor vehicle with a hybrid drive system and control device for a drive system and a drive system | |
CH718944A2 (en) | Model-based predictive control of an electric vehicle. | |
CH706518A1 (en) | Control unit for drive system of work machine e.g. cable-operated excavator, sets operating point of engine to determine services and efficiency characteristic fields of components based on fuel consumption map of engine | |
DE102021100422A1 (en) | Vehicle and method for optimizing the same | |
DE102020001387A1 (en) | Method for a vehicle approaching a grade, controller, powertrain, vehicle, computer program and computer readable medium | |
DE102017222527A1 (en) | Interface between an autonomous driving system and a powertrain and method for predicting the acceleration limit of a vehicle | |
DE102021209704A1 (en) | Model-based predictive control of a motor vehicle | |
EP3095662A1 (en) | Method for the model-based prediction of a system parameter like the speed or the state of charge of a energy storage of a motor vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication |