DE102021117667A1

DE102021117667A1 - Verfahren zum prädiktiven regeln eines antriebssystems

Info

Publication number: DE102021117667A1
Application number: DE102021117667.0A
Authority: DE
Inventors: Stephen John Jones; Niklas Wikström; Sander Boksebeld; Arno Huss; Junpeng Deng; Luigi del Re; Florian MEIER
Original assignee: AVL List GmbH
Current assignee: AVL List GmbH
Priority date: 2020-07-10
Filing date: 2021-07-08
Publication date: 2022-01-13
Also published as: AT524003A1; AT524003B1

Abstract

Die Erfindung betrifft ein Verfahren zum prädiktiven Regeln eines Antriebssystems eines elektrisch antreibbaren Ego-Kraftfahrzeugs (F), unter Verwendung eines zumindest zwei Rechenebenen (E1, E2) aufweisenden Energiemanagements mit einer globalen Rechenebene (E1) und zumindest einer lokalen Rechenebene (E2), wobei in einem ersten Schritt in der globalen Rechenebene (E1) für einen globalen Streckenabschnitt zumindest ein prädiktives und/oder optimiertes Referenzzustandsprofil (x*r(S)) für zumindest eine Antriebsstranginformation ermittelt wird, und wobei in einem zweiten Schritt in der lokalen Rechenebene (E2) für zumindest einen definierten lokalen Fahrstreckenteilabschnitt, ein Momentanzustandsprofil (xk) für die zumindest eine Antriebsstranginformation ermittelt wird.Um auf einfache Weise eine genaue prädiktive Regelung des Antriebssystems bei elektrisch antreibbaren Ego-Kraftfahrzeugen zu ermöglichen, ist vorgesehen, dass das Referenzzustandsprofil (x*r(S)) zumindest einmal, vorzugsweise mehrmals, im Laufe der Fahrtstrecke (s) auf der Basis des Momentanzustandsprofils (xk) aktualisiert wird.

Description

Die Erfindung betrifft ein Verfahren zum prädiktiven Regeln eines Antriebssystems eines elektrisch antreibbaren Ego-Kraftfahrzeugs, insbesondere eines Hybridfahrzeuges oder eines Brennstoffzellenfahrzeuges, unter Verwendung eines zumindest zwei Rechenebenen aufweisenden Energiemanagements mit einer globalen Rechenebene und zumindest einer lokalen Rechenebene, wobei in einem ersten Schritt in der globalen Rechenebene für einen globalen Streckenabschnitt, insbesondere über eine gesamte Fahrstrecke des Ego-Kraftfahrzeugs, zumindest ein prädiktives und/oder optimiertes Referenzzustandsprofil für zumindest eine Antriebsstranginformation ermittelt wird, und wobei in einem zweiten Schritt in der lokalen Rechenebene für zumindest einen definierten lokalen Fahrstreckenteilabschnitt, ein Momentanzustandsprofil für die zumindest eine Antriebsstranginformation ermittelt wird.
Weiters betrifft die Erfindung eine Vorrichtung zur Durchführung des Verfahrens.
Unter dem Begriff Fahrerassistenzsysteme (Advanced Driver Assistance Systems, ADAS) werden alle elektronische Zusatzeinrichtungen in Kraftfahrzeugen zur Unterstützung des Fahrers in bestimmten Fahrsituationen zusammengefasst. Zu den verbreitetsten Fahrerassistenzsysteme zählen beispielsweise Ampelassistent, Antiblockiersystem (ABS), Antriebsschlupfregelung (ASC), Aufmerksamkeits-Assistent (Fahrerzustandserkennung, Müdigkeitserkennung), Car2Car-Communication (V2V), Fahrzeug-Umgebungs-Kommunikation (V2X), Elektronisches Stabilitätsprogramm (ESP), Geschwindigkeitsregelanlage (Tempomat), Abstandsregeltempomat (ACC), Geschwindigkeitswarnsystem, Kollisionswarn- und Schutzsystem, Spurerkennungssystem, Spurhalteassistent, Spurwechselassistent, elektronische Verkehrszeichenerkennung, etc.
Unter Car-to-Car-Kommunikation (Car2Car, C2C oder V2V) wird der Austausch von Informationen und Daten zwischen Kraftfahrzeugen verstanden.
Unter Car-to Infrastructur-Kommunikation (C2I, V2I) wird der Austausch von Informationen und Daten zwischen Kraftfahrzeugen und Verkehrsinfrastruktur, wie zum Beispiel Lichtzeichenanlagen und Verkehrsleitzentralen verstanden.
V2V und V2I sind Spezialfälle von Car2X-Kommunikation (Car2X, C2X, V2X), der Kommunikation von Fahrzeugen mit ihrer Umgebung.
Unter Cloud Computing ist eine IT-Infrastruktur zu verstehen, die beispielsweise über das Internet verfügbar gemacht wird. Sie beinhaltet in der Regel Speicherplatz, Rechenleistung oder Anwendungssoftware als Dienstleistung. Mittels Cloud Computing werden IT-Infrastrukturen über ein Rechnernetz zur Verfügung zu gestellt, ohne dass diese auf dem lokalen Rechner installiert sein müssen. Im Folgenden wird die IT-Infrastruktur für Cloud Computing kurz mit „Cloud“ bezeichnet.
Dynamische Programmierung (DP) ist eine Methode zum algorithmischen Lösen eines Optimierungsproblems durch Aufteilung in Teilprobleme und systematische Speicherung von Zwischenresultaten. Dynamische Programmierung wird insbesondere eingesetzt, wenn ein Optimierungsproblem aus vielen gleichartigen Teilproblemen besteht und eine optimale Lösung des Problems sich aus optimalen Lösungen der Teilprobleme zusammensetzt. In der dynamischen Programmierung werden zuerst die optimalen Lösungen der kleinsten Teilprobleme direkt berechnet und dann geeignet zu einer Lösung eines nächstgrößeren Teilproblems zusammengesetzt.
Unter SoC (State of Charge) ist der Ladezustand der aufladbaren Batterie des Fahrzeuges zu verstehen.
Die modellprädiktive Regelung (Model Predictive Control=MPC) ist eine Methode zur prädiktiven Regelung von komplexen, insbesondere multi-variablen Prozessen. Bei der MPC wird ein zeitdiskretes dynamisches Modell des zu regelnden Prozesses verwendet, um das zukünftige Verhalten des Prozesses in Abhängigkeit von den Eingangssignalen zu berechnen. Dies ermöglicht die Berechnung eines - im Sinne einer Gütefunktion - optimalen Eingangssignales, die zu optimalen Ausgangssignalen führt. Dabei können gleichzeitig Eingangs-, Ausgangs- und Zustandsbeschränkungen berücksichtigt werden. Während das Modellverhalten bis zu einem bestimmten Zeithorizont prädiziert wird, wird in der Regel nur das Eingangssignal für den nächsten Zeitschritt verwendet und danach die Optimierung wiederholt. Dabei wird die Optimierung im nächsten Zeitschritt mit dem dann aktuellen (gemessenen) Zustand durchgeführt, was als eine Rückkopplung aufgefasst werden kann und die MPC im Gegensatz zu Optimalsteuerungen zu einer Regelung macht. Dies erlaubt die Berücksichtigung von Störungen, erfordert aber auch eine erhebliche Rechenleistung.
Unter einem hybridelektrischen Kraftfahrzeug ist ein Elektrofahrzeug zu verstehen, das von mindestens einem Elektromotor sowie zumindest einem weiteren Energiewandler angetrieben wird, wobei das Kraftfahrzeug Energie sowohl aus seinem elektrischen Speicher (Akku) als auch aus einem zusätzlich mitgeführten Kraftstoff bezieht. Der weitere Energiewandler kann beispielsweise eine Brennkraftmaschine sein.
Unter On-Line-Informationen werden laufend oder in sehr kurzen Zeitabschnitte, beispielsweise alle paar Sekunden, aktualisierte Informationen verstanden. Der Ursprung von On-Line-Informationen kann innerhalb des Ego-Kraftfahrzeuges oder außerhalb des Ego-Kraftfahrzeuges sein. Typische Beispiele für On-Line-Informationen sind Informationen aus fahrzeugeigenen Sensoren oder V2X-Informationen.
Unter Off-Line-Informationen werden Informationen verstanden, welche nicht oder - relativ zu On-Line-Informationen -in sehr großen Zeitabständen aktualisiert werden. Typische Beispiele für Off-Line-Informationen sind Informationen zur Streckentopologie, Geschwindigkeitsbeschränkungen, Fahrbeschränkungen, Vorrangsituationen von Straßen oder dergleichen.
Vorausschauende Energiemanagement-Funktionen (Predictive Energy Management, PrEM), die ADAS-Sensoren wie Radar und Satellitennavigation mit elektronischem Horizont und Datenverbindungen wie V2V, V2I und V2X nutzen, werden zunehmend in Serienfahrzeugen eingesetzt, um den Kraftstoff- oder Energieverbrauch zu reduzieren. Die derzeit verwendeten Hybrid- und Plug-in-Hybrid-Betriebsstrategien bestehen häufig nur aus momentanen oder nicht prädiktiven Strategien, d.h. aus Strategien, die Informationen über die wahrscheinlichen zukünftigen Fahrbedingungen, wie z.B. kommende Straßentopografie, Ampeln und Verkehrsgeschwindigkeiten, nicht vorhersehen und somit nicht berücksichtigen.
Daneben existieren erste Ansätze für prädiktive Betriebsstrategien. Allerdings weisen die bisher bekannten vorausschauenden Betriebsstrategien im Allgemeinen den Nachteil einer hohen Berechnungskomplexität aufgrund langer Vorhersagehorizonte (zum Beispiel 10 km bis zu einer kompletten Strecke von Hunderten von Kilometern) auf, die aber bei Hybridfahrzeugen oft in Betracht gezogen werden müssen, um die installierte Batteriekapazität optimal auszunutzen. Um einerseits umfassendere vorausschauende Hybrid- (einschließlich Brennstoffzellen-basierter Hybrid-) Betriebsstrategien in Echtzeit und mit den begrenzten bordeigenen Rechenressourcen (CPU-Leistung und Speicher) berechnen zu können, und andererseits ein Auslangen zu finden mit der immer noch recht begrenzten Konnektivität und damit den zukünftigen Fahrzustand beschreibenden Informationen, die im Ego-Kraftfahrzeug selbst verfügbar sind, müssen unter Umständen erhebliche Vereinfachungen vorgenommen werden, wie zum Beispiel die Anforderung eines linearen Batterie-Ladezustands über die Entfernung, was aber zu einer verringerten Leistung führt.
Um den Rechen- und Konnektivitätsaufwand zu verringern, wurde beispielsweise in dem Artikel „Trip Based Power Management of Plug-in Hybrid Electric Vehicle with Two-Scale Dynamic Programming‟, Qiuming Gong et al., Vehicle Power and Propulsion Conference (VPPC), 20007 IEEE, 0-7803-9761-4/07/, S12-19, bereits beschrieben, dass Vorhersagen über größere Entfernungen im Voraus offline von einigen hochkapazitiven Berechnungsservern, also mittels Cloud Computing, durchgeführt werden können. Das erhaltene SoC-Profil kann über drahtlose Kommunikationsgeräte an das Fahrzeug übertragen werden.
In der Regel werden längerfristige Vorhersagen unter Verwendung von Daten mit geringer Auflösung und/oder Genauigkeit und mit niedrigeren Aktualisierungsfrequenzen aktualisiert, was dazu führen kann, dass plötzliche Störungen oder Schwankungen (z.B. in der Verkehrsgeschwindigkeit) nicht angemessen berücksichtigt werden. Typischerweise aktualisieren vorhandene Prognoselösungen ihre Langfristvorhersagen oft nur zu Beginn der gefahrenen Route, so dass diese Vorhersagen im Laufe der Zeit oder Entfernung zunehmend ungenau werden, wenn normale Verkehrsschwankungen oder andere Störungen auftreten.
Aufgabe der Erfindung ist es, auf einfache Weise eine genaue prädiktive Regelung des Antriebssystems bei elektrisch antreibbaren Ego-Kraftfahrzeugen zu ermöglichen.
Die Aufgabe wird dadurch gelöst, dass das globale Referenzzustandsprofil zumindest einmal im Laufe der Fahrtstrecke auf der Basis des lokalen Momentanzustandsprofils aktualisiert wird. Vorzugsweise wird das initial insbesondere mittels dynamischer Programmierung ermittelte globale Referenzzustandsprofil auf der Fahrtstrecke mehrmals aktualisiert.
Um eine optimale Leistungsaufteilung zu ermöglichen ist es vorteilhaft, wenn die Antriebsstranginformation zumindest eine Gangwechselinformation, zumindest eine Batterieladezustandsinformation und/oder zumindest ein Kupplungsschaltinformation des Ego-Kraftfahrzeugs aufweist.
Bevorzugt werden bei der Ermittlung des Referenzzustandsprofil und/oder des Momentanzustandsprofils Off-Line Informationen und Online-Informationen einbezogen. Die ermöglicht einerseits eine hohe Rechengeschwindigkeit und andererseits eine hohe Aktualität und Genauigkeit aller Parameter, welche das Referenzzustandsprofil und das Momentanzustandsprofil der Antriebsstranginformationen beeinflussen. Die Offline-Informationen beinhalten günstiger Weise zumindest eine statische Information aus der Gruppe Streckentopologie, Geschwindigkeitsbeschränkungen, Vorranginformationen, typischen Fahrzyklus, Durchschnittsgeschwindigkeit, Straßendichte, oder dergleichen. Diese statischen Informationen müssen nur in größeren Zeitabschnitten aktualisiert werden und erfordern nur geringe Übertragungsleistung. Die dynamischen Online-Informationen dagegen müssen in kurzen Zeitabschnitte, aktualisiert werden und erfordern höhere Übertragungs- und Rechenleistung. Sie beinhalten vorzugsweise bordeigene Sensorinformationen, beispielsweise aus Kamerainformationen, Radar- und/oder Lidarsensorinformationen, und/oder V2X-Informationen, beispielsweise V2V-Informationen und/oder V2I-Informationen.
Dabei wird davon ausgegangen, dass einige oder alle Informationen über zukünftig erwartete durchschnittliche Verkehrsgeschwindigkeiten, Straßentopologie, Verkehrszeichen, Ampeln usw. von externen Systemen zur Verfügung gestellt werden, die ihre Informationen auf der Grundlage von Systemen wie ADAS, V2X, V2I, V2V oder ähnlichen Systemen bereitstellen. Diese vorausschauende Regelung des Antriebssystems beispielsweise eines Hybridfahrzeuges ist auf verschiedene Hybridisierungstechnologien (ICE-basiert, Brennstoffzellen-basiert usw.), Antriebstrangtopologien (seriell, parallel, Leistungsverzweigung) und Fahrzeugtypen (Personenverkehr, Nutzfahrzeuge, Geländefahrzeuge usw.) anwendbar.
In einer Ausführungsvariante der Erfindung ist vorgesehen, dass das lokale Referenzzustandsprofil mittels eines nichtlinearen prädiktiven Algorithmus ermittelt wird.
Im Rahmen der Erfindung ist vorgesehen, dass die Ermittlung und Aktualisierung des globalen Referenzzustandsprofils außerhalb des Fahrzeuges, vorzugsweise durch Cloud Computing, durchgeführt wird. Durch die Auslagerung von Rechenarbeit wird die fahrzeugeigene Sekundärrechen- und Steuereinheit entlastet.
Rechenschritte können eingespart werden, wenn bei der Ermittlung des globalen Referenzzustandsprofils und/oder des Momentanzustandsprofils historische Informationen miteinbezogen werden. Unter historische Informationen sind beispielsweise Informationen aus vergangenen Fahrten des Ego-Kraftfahrzeuges oder von vergleichbaren Referenz-Kraftfahrzeugen zu verstehen.
Vorteilhafterweise erfolgt die Aktualisierung des globalen Referenzzustandsprofils unregelmäßig und/oder in Abhängigkeit eines Auslöseereignisses. Das Auslöseereignis kann beispielsweise ein Überschreiten eines definierten Schwellwertes bei der Abweichung zwischen Referenzzustandsprofil und Momentanzustandsprofil sein. Alternativ ist es auch möglich, dass die Aktualisierung des globalen Referenzzustandsprofils in definierten - regelmäßigen oder unregelmäßigen - Zeitabständen oder nach definierten - gleichen oder unterschiedlichen - Wegstrecken oder bei Erreichen von definierten Kontrollpunkten oder Knoten erfolgt.
In einer Ausführungsvariante der Erfindung ist vorgesehen, dass innerhalb der globalen Rechenebene des Energiemanagements das zukünftig zu erwartete Geschwindigkeitsprofil des Ego-Kraftfahrzeugs über einen globalen Streckenabschnitt auf der Grundlage der verfügbaren langfristigen zukünftigen Informationen über die erwartete Fahrtroute - vorzugsweise Informationen über durchschnittliche Verkehrsgeschwindigkeiten, Verkehrsfluss, Verkehrsunfälle, Stoppschilder, Straßenkrümmungen, Baustellen - vorhergesagt wird.
Vorzugsweise wird - basierend auf der vorhergesagten Geschwindigkeit - eine modellbasierte globale Optimierung für die spezifischen Fahrzeug- und Antriebsstrangeigenschaften über einen künftigen globalen Streckenabschnitt durchgeführt und das Ergebnis der Optimierung dem globalen Referenzzustandsprofil zugeordnet.
In einer Ausführung der Erfindung ist vorgesehen, dass innerhalb der lokalen Rechenebene des Energiemanagements ein lokales Geschwindigkeitsprofil und/oder ein Momentanzustandsprofil über einen lokalen Streckenabschnitt unter Einbeziehung von bordeigenen Sensorinformationen und/oder V2X-Informationen, vorzugsweise von Fahrzeugen, Ampeln, Fußgängerübergänge oder anderer nahgelegener Quellen über sich ändernde Umweltinformationen innerhalb des lokalen Streckenabschnittes ermittelt wird. Vorzugsweise wird auf der Basis des lokalen Geschwindigkeitsprofiles für den lokalen Streckenabschnitt das globale Geschwindigkeitsprofil und/oder das Referenzzustandsprofil für den globalen Streckenabschnitt - insbesondere in der globalen Rechenebene - aktualisiert und/oder neu berechnet.
Dabei kann - gemäß einer weiteren Ausführung der Erfindung - in zumindest einer definierten Ausnahmesituation die Aktualisierung und/oder Neuberechnung des Referenzzustandsprofils in der lokalen Rechenebene erfolgen.
Der globale Streckenabschnitt ist größer als ein lokaler Streckenabschnitt und beinhaltet vorzugsweise die gesamte Fahrtstrecke.
Das erzeugte globale Referenzzustandsprofil kann aus einem Vektor über das Batterieladezustands-Ladeprofil und/oder anderen relevanten Signalen wie Fahrmodi und Gängen bestehen, die das gewünschte optimale Verhalten über den globalen Streckenabschnitt für den spezifischen Antriebsstrang und ausgewählte Optimierungskriterien beschreiben.
Zur Durchführung des Verfahrens eignet sich erfindungsgemäß eine Vorrichtung zum Regeln eines Antriebssystems eines elektrisch antreibbaren Kraftfahrzeugs, insbesondere eines Hybridfahrzeuges oder eines Brennstoffzellenfahrzeuges, welche ein prädiktives Steuerungssystem beinhaltet, welches zumindest eine vorzugsweise fahrzeugferne Primärrecheneinheit aufweist, welche ausgebildet ist, um für zumindest einen globalen Streckenabschnitt mit dynamischer Programmierung zumindest ein prädiktives und/oder optimiertes Referenzzustandsprofil für zumindest eine Antriebsstranginformation zu ermitteln, und welches zumindest eine fahrzeugeigene Sekundärrechen- und/oder Steuerungseinheit aufweist, welche ausgebildet ist, um für zumindest einen definierten lokalen Fahrstreckenteilabschnitt mit modellprädiktiver Regelung ein Momentanzustandsprofil für die zumindest eine Antriebsstranginformation zu ermitteln.
Die Erfindung wird m Folgenden anhand der Figuren näher erläutert. Darin zeigen

1 eine schematische Darstellung der Interaktion zwischen Fahrzeug und Cloud des erfindungsgemäßen Verfahrens,
2 ein erfindungsgemäßes Regelschema in einer schematischen Darstellung,
3 ein Beispiel einer Leistungsaufteilung zwischen zwei Antriebsquellen eines Hybridfahrzeuges,
4 ein Beispiel für ein Referenzzustandsprofil,
5 ein Beispiel für eine Aktualisierung eines Geschwindigkeitsprofils gemäß der Erfindung und
6 ein Beispiel für eine Aktualisierung des Referenzzustandsprofils gemäß der Erfindung.

Das erfindungsgemäße Verfahren dient dem Betreiben eines hybridelektrischen Ego-Kraftfahrzeug mit einem zwei Rechenebenen E1, E2 aufweisenden Energiemanagement mittels eines prädiktiven Steuerungssystems. Das prädiktive Steuerungssystem weist eine fahrzeugeigene Sekundärrechen- und/oder Steuerungseinheit, mit welcher Rechenoperationen in einer lokalen Rechenebene E2 für einen zeit- oder streckenmäßigen kurzen Horizont durchgeführt werden können, und eine davon getrennte Primärrecheneinheit mit hoher Rechenkapazität auf, mit welcher Rechenoperationen in einer globalen Rechenebene E1 für einen zeit- oder streckenmäßigen langen Horizont durchgeführt werden können. Diese Primärrecheneinheit, welche insbesondere eine höhere Rechenkapazität aufweisen kann, als die fahrzeugeigene Sekundärrechen- und/oder Steuerungseinheit des Ego-Kraftfahrzeuges F, kann beispielsweise durch eine Cloud CL gebildet sein. Es ist aber auch denkbar, die die globale Rechenebene bildende Primärrecheneinheit ebenfalls im Ego-Kraftfahrzeug zu intergieren.
Die fahrzeugeigene Sekundärrechen- und/oder Steuerungseinheit des Ego-Kraftfahrzeuges F ist technisch so ausgebildet, dass sie beispielsweise drahtlos mit der insbesondere cloudbasierten Primärrecheneinheit kommunizieren, also Daten, insbesondere Informationen und Anweisungen übertragen kann. Die fahrzeugeigene Sekundärrechen- und/oder Steuerungseinheit dient dazu, um über die Leistungsverteilung zwischen Batterie und Brennkraftmaschine zu entscheiden. Die fahrzeugeigene Sekundärrechen- und/oder Steuerungseinheit ist in der Lage, Aktionen einschließlich der Leistungsaufteilung in Echtzeit zu entscheiden, um die Energieeffizienz (oder andere Ziele) zu verbessern.
3 zeigt ein Beispiel einer Aufteilung der angeforderten Antriebsleistung P bei einem Hybridfahrzeug während einer Fahrt, zwischen elektrischem Antrieb und verbrennungsmotorischem Antrieb, wobei die elektrische Antriebsleistung P_el und die verbrennungsmotorische Antriebsleistung P_ICE sowie die entsprechende Geschwindigkeit v des Fahrzeuges über der Fahrzeit t aufgetragen sind.
Die Entscheidung über die Antriebsleistungsverteilung wird getroffen unter Berücksichtigung eines für einen zeitlich und/oder streckenmäßig für einen langen Horizont in der ersten Rechenebene E1 vorberechneten Referenzzustandsprofiles x*_r(s) und unter Berücksichtigung von in naher Zukunft auftretenden Verkehrsstörungen. Das Referenzzustandsprofiles x*_r(s) berücksichtigt Antriebsstrang-Informationen beispielsweise über Gangwahl Batterieladezustände ξ und Kupplungspositionen c über die gesamte noch zu absolvierende Fahrtstrecke s. 4 zeigt ein Beispiel für ein Referenzzustandsprofil x*_r, welches - hier über der Fahrzeit t aufgetragen - Gangwechselinformationen j, Kupplungsinformationen c und Batterieladezustandsinformationen ξ aufweist. Die Kupplungsposition weist drei Zustände auf: geschlossen (2), schleifend (1) und offen (0).
Die fahrzeugeigene Sekundärrechen- und/oder Steuerungseinheit trifft ihre Entscheidung aber nicht nur aufgrund des vorberechneten Referenzzustandsprofils x*_r(s), das eine bessere energetische Planung der Fahrt ermöglicht (unter Berücksichtigung von V2X und geografischen Informationen TOP der Route), sondern auch aufgrund kurzfristiger Störungen, z.B. der Verkehrsumgebung, um das Fahrverhalten an die tatsächliche Umgebung anzupassen.
Das in der globalen Rechenebene E1 berechnete Referenzzustandsprofil x*_r(s) kann prinzipiell von einer fahrzeugfernen oder fahrzeugeigenen Primärrecheneinheit bereitgestellt werden. Da die Berechnung des Referenzzustandsprofil x*_r(s) über einen langen Horizont, insbesondere über die gesamte Fahrstrecke sehr rechen- und zeitintensiv sein kann, ist es vorteilhaft die Berechnungen der globale Rechenebene E1 an einen anderen Ort außerhalb des Ego-Fahrzeuges F zu verlagern, z.B. zu einem Cloud-basierten Dienst, um die lokale Rechenbelastung zu verringern. Die Auslagerung in eine Cloud CL hat weiters den Vorteil, dass die fahrzeugeigenen Steuerungs- und Primärrecheneinheiten relativ einfach und kompakt gehalten werden können, wodurch Kosten, Gewicht und Bauraum im Ego-Fahrzeug F eingespart werden können.
1 und 2 zeigen das Prinzip des erfindungsgemäßen Verfahrens. Bevor das Ego-Kraftfahrzeug F eine Fahrt beginnt, sendet dieses in einem Schritt S1 eine Anfrage an die Cloud CL, diese liefert ein geschätztes Geschwindigkeitsprofil v(s) und Topologie-Informationen TOP über diese Fahrtstrecke s an die globale Rechenebene E1, die sich ebenfalls in der Cloud CL befindet. Die Primärrecheneinheit der globalen Rechenebene E1 berechnet den geschätzten Leistungsbedarf P und für die Fahrtstrecke s ein allgemeines optimales Referenzzustandsprofil x*_r(s), das das Gangwahlprofil j(s), ein Leistungsaufteilungsprofil oder Batterieladezustandsprofil ξ(s)) und ein Kupplungspositionsprofil c(s) über die gesamte Fahrtstrecke s einschließt.
Verkehrsstörungen und -einflüsse können - insbesondere bei langen Fahrtstrecken - dazu führen, dass ist das in der globalen Rechenebene E1 ermittelte Referenzzustandsprofil x*_r(s) nicht mehr optimal ist.
Deshalb überwacht die fahrzeugeigene Steuereinheit die Antriebsstrang-Informationen des Referenzzustandsprofils x*_r(s), insbesondere den Batterieladezustand SOC, unter Verwendung eines nichtlinearen prädiktiven Algorithmus MPC (NMPC=Nonlinear model predictive control) für einen lokalen Streckenabschnitt, um gegebenenfalls das Referenzzustandsprofil x*_r(s) bei Bedarf jederzeit aktualisieren zu können. Die lokale Rechenebene E2 der fahrzeugeigene Sekundärrechen- und/oder Steuerungseinheit kann eine Anfrage an die globale Rechenebene E1 der Cloud senden, um eine Aktualisierung des Referenzzustandsprofil x*_r(s) entsprechend den neuesten Verkehrsinformationen zu verlangen.
In diesen Fällen sendet die fahrzeugeigene Steuereinheit des Ego-Kraftfahrzeugs F in einem Schritt S2 eine Anfrage samt einem in der lokalen Rechenebene E2 berechneten Momentanzustandsprofil X_k an die Cloud CL, um mittels dynamischer Programmierung DP eine Neuberechnung des Referenzzustandsprofiles x*_r(s) auf der Grundlage der momentanen Situation zu erwirken. Diese Neuberechnung kann ausgelöst werden entweder durch eine vordefinierte Wegstrecke oder ein vordefiniertes Zeitintervall, oder einer definierten Abweichung zwischen dem Referenzzustandsprofil x*_r(s) und einem Momentanzustandsprofil X_k, oder einer definierten Abweichung der tatsächlichen Momentangeschwindigkeit des Ego-Kraftfahrzeuges F vom in der Cloud CL abgelegten Geschwindigkeitsprofil v(s). Als nächstes wird eine Aktualisierung des Referenzzustandsprofils x*_r(s) in der Cloud CL gestartet worauf die Primärrecheneinheit der globalen Rechenebene E1 das Referenzzustandsprofil x*_r(s) entsprechend neu berechnet und im Schritt S3 zusammen mit einem aktualisierten Geschwindigkeitsprofil v(s) an das Ego-Kraftfahrzeug F zurückschickt. In der Cloud CL wird dabei basierend auf einer Verkehrsabschätzung eine schnelle Berechnung durchgeführt. Das Ego-Kraftfahrzeug F wird in weiterer Folge gemäß dem aktualisierten Referenzzustandsprofil x*_r(s) angetrieben bis das Ende der Reise oder der nächsten Auslösepunkt erreicht ist.
Das mittels dynamischer Programmierung DP ermittelte Referenzzustandsprofil x*_r(s) ist in der Cloud CL mittels einer Kostenfunktion J_DP auf der Basis eines Models MOD über die gesamte Fahrtstrecke, beispielsweise im Hinblick auf Energieminimierung, optimiert. Entsprechend der Optimierung gibt es eine prädiktive Leistungsanforderung durch die Cloud und es erfolgt eine Geschwindigkeitsvorgabe V_A für den menschlichen Fahrer oder für eine Geschwindigkeitsregelanlage ACC des Ego-Kraftfahrzeug, was zu einer momentanen Leistungsanforderung Pact führt.
In der lokalen Rechenebene E2 des Energiemanagements wird mittels der nichtlinearen prädiktiven Steuerung MPC für einen lokalen Streckenabschnitt eine Vorhersage über einen kurzen Horizont HK - also über eine kurze Zeitdauer oder über einer kurzen Streckenabschnitt - mittels der Kostenfunktion J_MPC durchgeführt. Der kurze Horizont HK kann beispielsweise 10 bis 15 Sekunden betragen. Die Eingänge _Uk=[_Uj,k, U_ξ,k, U_c,k] für den Antriebsstrang AS sind im Detail die Leistungsverteilung u_j,k zwischen Batterie und Brennkraftmaschine, der Gangwechselbefehl u_ξ,k bzw. der Kupplungsschaltbefehl u_c,k.
Wegen raschen Änderungen im Verkehr kann es zu Abweichungen zwischen den cloudbasierten prädiktiven Leistungsanforderungen und den momentanen Leistungsanforderungen Pact durch den Fahrer kommen.
Das in der lokalen Rechenebene E2 ermittelte Momentanzustandsprofil X_k wird der globalen Rechenebene E1 zur Verfügung gestellt. Auf der Basis des ermittelten Momentanzustandsprofils X_k wird in der globalen Rechenebene E1 der Cloud CL eine Aktualisierung und/oder eine Neuberechnung des Referenzzustandsprofils x*_r(s) und des Geschwindigkeitsprofils v(s) durchgeführt.
5 zeigt ein Beispiel für eine Aktualisierung des Geschwindigkeitsprofiles v(s) wobei über der Zeit prädiktive Geschwindigkeitsverläufe v des Ego-Kraftfahrzeuges F, über der Zeit t aufgetragen sind. Mit v₀ ist der Geschwindigkeitsverlauf des initial mittels der globalen Rechenebene E1 geschätzten Geschwindigkeitsprofiles v₀(s) und mit v₁ der Geschwindigkeitsverlauf eines aktualisierten Geschwindigkeitsprofiles v₁(s) bezeichnet.
6 zeigt ein Beispiel für eine Aktualisierung des Referenzprofils x*_r(s), wobei hier - wie in 4 - die Antriebsstranginformationen - Gangwechselinformationen j, Kupplungsinformationen c und Batterieladezustandsinformationen ξ- über der Fahrzeit t aufgetragen sind. Mit den voll ausgezogenen Linien sind die Antriebsstranginformationen j₀, c₀ und ξ₀ des ursprünglichen Referenzzustandsprofils x*r₀(s) und mit den strichlierten Linien die Antriebsstranginformationen j₁, C₁ und ξ₁ des aktualisierten Referenzzustandsprofils x*_r1(s) angedeutet.
Das Problem der Steuerung des Hybridbetriebs des Ego-Kraftfahrzeugs F wird also in zwei Unterprobleme aufgeteilt, die hier „Rechenebenen“ genannt werden. In der globalen Rechenebene E1 und der lokalen Rechenebene E2 werden die Referenzzustandsprofile x*_r(s) für unterschiedliche Vorhersagehorizont-Längen gelöst, zu unterschiedlichen Zeiten aktualisiert und eventuell an unterschiedlichen Orten und mit unterschiedlichen Prioritäten ermittelt. Beide Rechenebenen E1, E2 können je nach Anwendung und Antriebstrangtopologie mehrere unterschiedliche Optimierungsziele ausbalancieren, wie Minimierung des Kraftstoffverbrauchs, Verbesserung des Wärmemanagements des Fahrzeugs, Verbesserung der Fahrbarkeit (z.B. Reduzierung der Schalt- oder Kupplungsschaltfrequenz) und Aufrechterhaltung der Systemverfügbarkeit (d.h. Aufrechterhaltung der erforderlichen elektrische Reichweite, Aufrechterhaltung der erforderlichen Zugkraft für die erwartete Vorwärtsfahrt). Das Steuerungssystem ist somit in der Lage, mehrere Ziele, wie z.B. Kraftstoffverbrauch, Ladeerhaltung, Wärmemanagement des Ego-Kraftfahrzeugs F, Schaltfrequenz der Gänge, Schaltfrequenz der Kupplung oder dergleichen durch die Definition verschiedener Kostenfunktionen im Steuergerät zu optimieren.
Globale Rechenebene E1 :
Die global Rechenebene E1 setzt hohe Rechenkapazität voraus, welche beispielsweise außerhalb des Ego-Fahrzeuges F, insbesondere durch Cloud Computing CL, zur Verfügung gestellt wird. Die globale Rechenebene E1 fungiert als globaler Prädiktor zur Geschwindigkeitsvorhersage für einen - zeitlich oder streckenmäßig - relativ langen Vorhersagehorizontes und als globaler Optimierer über die gesamte Route oder über einen längeren Horizont (z.B. über Hunderte von Kilometern Entfernung oder über mehrere Stunden Reisezeit):

- 1a) globaler Prädiktor: Das zukünftig erwartete Geschwindigkeitsprofil v(s) des Ego-Kraftfahrzeugs F wird auf der Grundlage der verfügbaren langfristigen v2x-Informationen über die noch zu befahrene Fahrtroute einschließlich durchschnittlicher Verkehrsgeschwindigkeiten, Verkehrsfluss, Verkehrsunfälle, Stoppschilder, Straßenkrümmungen, Baustellen usw. vorhergesagt. Diese Vorhersage kann auch entsprechend den bekannten oder geschätzten tatsächlichen Eigenschaften des gegenwärtigen Fahrers des Ego-Kraftfahrzeugs (z.B. sparsamer oder sportlicher) angepasst werden.
- 1b) globaler Optimierer: Basierend auf der durch den globalen Prädiktor geschätzten Geschwindigkeit v(s), zusammen mit zusätzlichen verfügbaren Topologie-Informationen TOP über die zu befahrende Strecke, wie z.B. der Straßenneigung, welche die Belastung des Antriebsstrangs stark beeinflusst, berechnet eine modellbasierte globale Optimierung für die spezifischen Fahrzeug- und Antriebsstrangeigenschaften ein optimales globales Referenzzustandsprofil x*_r(s) der Antriebsstrangaktionen oder -zustände über einen längeren Horizont, also für die noch zu befahrenden Abschnitte der Fahrstrecke, insbesondere über die gesamte Fahrstrecke. Das erzeugte globale Referenzzustandsprofil x*_r(s) kann aus einem Vektor über das Batterieladezustandsprofil und/oder anderen relevanten Signalen wie Fahrmodi und Gängen bestehen, die das gewünschte optimale Verhalten über den längeren Horizont für den spezifischen Antriebsstrang und ausgewählte Optimierungskriterien beschreiben.

Das Referenzzustandsprofil x*_r(s) kann während der Fahrt auf der längeren Strecke mehrmals aktualisiert werden. Die Aktualisierungen können synchron und/oder asynchron durchgeführt werden. Asynchrone Ereignisse sind z.B. solche, die unregelmäßig ausgelöst werden, basierend auf Kriterien wie z.B. signifikante beobachtete Änderungen des Pfades oder des Verkehrs, oder wenn eine Abweichung zwischen den Referenz- und den Ist-Werten einen vorgegebenen Schwellenwert überschreitet. Alternativ oder zusätzlich können synchrone Aktualisierungen auf regelmäßiger Basis auf der Grundlage von Kriterien wie der zurückgelegten Entfernung oder der seit der letzten Aktualisierung verstrichenen Zeit durchgeführt werden.
Wenn die globale Rechenebene E1 der Cloud CL aufgefordert wird, das Referenzzustandsprofil x*_r(s) zu aktualisieren, können einige leichtere Optimierungsmethoden auf der Grundlage der Heuristik aus der dynamischen Programmierung DP übernommen werden, zum Beispiel die Konvexoptimierung, wie im Folgenden erläutert wird. Auf diese Weise können die Aktualisierungen des Referenzzustandsprofil x*_r(s) in Echtzeit durchgeführt werden.
Nachdem die anfängliche Berechnung des Referenzzustandsprofils x*_r(s) in der globalen Rechenebene E1 durchgeführt wurde, kann dazu ein vereinfachtes Optimierungsproblem angewendet werden, um nachfolgende Berechnungen des Referenzzustandsprofils x*_r(s) durch die Wiederverwendung von Teilen der ursprünglichen Lösung zu beschleunigen. Dies kann z.B. das anfängliche Lösen eines vollständigen nicht-konvexen Optimierungsproblems einschließlich der Auswahl, wann zum Beispiel die Brennkraftmaschine über die Strecke ein- oder ausgeschaltet werden soll, und die anschließende Reduzierung des Problems auf ein konvexes und damit schnelleres Optimierungsproblem umfassen, das dieses Brennkraftmaschinen-Zustandsprofil anschließend als Einschränkung behandelt (wodurch diese Steuervariable aus der Optimierung entfernt wird). Es müssen dann nur noch relevante neue Informationen (z.B. aktualisierte Durchschnittsgeschwindigkeiten in kommenden Streckenabschnitten) und die verbleibenden Freiheitsgrade (z.B. Gangwahl oder Kühlleistung) in der Optimierung berücksichtigt werden. Asynchrone Aktualisierungen und Neuberechnungen der kompletten nichtkonvexen Optimierung erfolgen nur wenn nötig.
Lokale Rechenebene E2:
Die fahrzeugeigene Steuereinheit - also ein elektronisches Steuergerät, das sich physisch im Ego-Kraftfahrzeug F befindet - führt eine - im Vergleich zur globalen Rechenebene E1 - genauere und echtzeitfähige Regelstrategie im Ego-Kraftfahrzeug F auf der Grundlage eines - zeitlich oder streckenmäßig - relativ kurzen Vorhersagehorizonts (z.B. 1 km bis 10 km Entfernung oder 1 bis 10 Minuten Fahrzeit) aus und dient gleichzeitig der Unfallvermeidung.
Die fahrzeugeigene Steuereinheit weist einen adaptiven Geschwindigkeitsregler ACC und einen MPC-Regler auf.
Der adaptive Geschwindigkeitsregler ACC verarbeitet kurzfristige v2x-Informationen - insbesondere von umgebenden Fahrzeugen, nahe gelegenen Ampeln und Fußgängern, sich schnell verändernde Umgebung oder dergleichen - und ist für die Begrenzung der Geschwindigkeit des Ego-Kraftfahrzeuges F und für die Vermeidung von Unfällen zuständig.
Der MPC-Regler (MPC=Model Predictive Control) ist für das Energiemanagement des Antriebsstrangs des Kraftfahrzeuges zuständig. Er veranlasst die Aktualisierung und Verfeinerung des durch den Prädiktor der globalen Rechenebene E1 initial ermittelten Referenzzustandsprofil x*_r(s) während der Bewältigung von Störungen. Die Steuergrößen des Antriebsstrangs können Eingaben wie Ein-/Ausschalten des Motors, Schalten der Gänge und Leistungsverteilung zwischen Batterie und Brennkraftmaschine umfassen.

- 2a) In der lokalen Rechenebene E2 werden in einem ersten Schritt mittels des adaptiven Geschwindigkeitsreglers ACC auf kurzfristigen Vorschaudaten basierte Daten von typischerweise bordeigenen Sensorinformationen (z.B. Radar, Lidar), sowie V2X-Informationen, die z.B. nahegelegene Fahrzeuge, nahegelegene Ampeln, Fußgängerübergänge oder andere sich schnell ändernde nahegelegene Umweltinformationen beschreiben, einbezogen. Die durch den globalen Prädiktor vorhergesagte Geschwindigkeit v(s) des Ego-Kraftfahrzeuges F aus Schritt 1a) wird über den kürzeren Vorhersagehorizont aktualisiert, um alle möglichen neuen Daten zu berücksichtigen, die nicht in der globalen Rechenebene E1 enthalten waren. Die Geschwindigkeitsvorhersage kann basierend z.B. auf Sicherheits- oder Komfortparametern wie Abstandszeit oder Time-to-Collision (TTC)-Bedingungen angepasst werden.
- 2b) In einem zweiten Schritt wird in der lokalen Rechenebene E2 mittels des modellbasierten prädiktiven MPC-Reglers das längerfristige Referenzzustandsprofil aus Schritt 1b) verbessert, indem zusätzlich die aktualisierte Geschwindigkeitsvorhersage aus Schritt 2a) sowie vorhergesagte kurzfristige Störungen oder Zustandsänderungen im Ego-Kraftfahrzeug F selbst, beispielsweise ein Anstieg oder Abfall des Leistungsbedarfs durch ein Ein- oder Ausschalten von Stromverbrauchern, mit berücksichtigt werden. Die betrachteten Antriebsstrang-Steuervariablen können je nach Antriebsstrang Eingaben wie Ein-/Ausschalten der Brennkraftmaschine, Gangwechsel und Leistungsverteilung zwischen Batterie und Brennkraftmaschine umfassen.

Die lokale Rechenebene E2 wird in Echtzeit berechnet und ist die Rechenebene, die schließlich die antriebsstrangspezifischen Ansteuerungsanforderungen (z.B. Leistungsaufteilung zwischen Brennkraftmaschine - und Elektromotoren) liefert.
Dadurch, dass die einen langen Horizont abdeckenden Berechnungen des Referenzzustandsprofils x*_r(s) auf eine vom Ego-Kraftfahrzeug F entfernte und möglicherweise nicht echtzeitfähige globalen Rechenebene E1, wie zum Beispiel die Cloud CL, übertragen werden, kann die rechnerische Belastung in der echtzeitfähigen lokalen Rechenebene E2 im Ego-Kraftfahrzeug F reduziert werden. Diese Berechnung des Referenzzustandsprofils x*_r(s) in der globalen Rechenebene E1 muss also nicht in Echtzeit erfolgen und muss nicht unbedingt in regelmäßigen Abständen berechnet werden, was zusätzlich dazu beiträgt, den Rechenaufwand zu reduzieren.
Abhängig von den verfügbaren Rechenressourcen in der Primärrecheneinheit des Ego-Kraftfahrzeuges F können optional schnellere Updates des Referenzzustandsprofils x*_r(s), welche einem ersten komplexen Optimierungs-Update in der globalen Rechenebene E1 nachfolgen, in der globalen Rechenebene E1 der Cloud CL, aber eventuell auch im Ego-Kraftfahrzeug F selbst durchgeführt werden. Auch in Fällen, in denen die Verbindung zur globalen Rechenebene E1 vorübergehend unterbrochen ist, können Updates des Referenzzustandsprofils x*_r(s) in der lokalen Rechenebene E2 des Ego-Kraftfahrzeuges durchgeführt werden. Wenn diese schnelleren Aktualisierungen des Referenzzustandsprofiles x*_r(s) im Ego-Kraftfahrzeug F durchgeführt werden, kann der Vorhersagehorizont in der lokalen Rechenebene E2 dann auch auf einen längeren Horizont erweitert werden.
Im Falle eines Kommunikationsverlustes zwischen der lokalen Rechenebene E2 und der globalen Rechenebene E1 oder eines anderen Umstandes, der darauf hindeutet, dass das Referenzzustandsprofil x*_r(s) aus der globalen Rechenebene E1 nicht mehr gültig oder erwünscht ist (z.B. aufgrund geringer Qualität), würde die lokale Rechenebene E2 dennoch einen Fallback-Steuerungsmodus aktivieren, der auch ohne Berücksichtigung des Referenzzustandsprofils x*_r(s) der globalen Rechenebene E1 funktioniert und stattdessen möglicherweise ein vereinfachtes Referenzzustandsprofil x*_r2(S) wie eine lineare SoC-Abnahme über die Fahrstrecke verwendet.
Sowohl die globale Rechenebene E1 als auch die lokale Rechenebene E2 können sowohl historische, aktuelle oder augenblickliche als auch zukünftig erwartete Daten verwenden, die das Ego-Kraftfahrzeug F, andere Straßenverkehrsteilnehmer und Straßenbedingungen (z.B. Wetter) beschreiben, um ihre Vorhersagen über die Route zu verbessern. Zusätzlich zur Geschwindigkeit können auch die zukünftigen Bedarfsprofile von Hilfsenergien (HVAC=Heating, Ventilation, Air Conditioning; Bordnetz, etc.) sowohl in der globalen Rechenebene E1 als auch in der lokalen Rechenebene E2 vorhergesagt werden, basierend auf dem aktuellen elektrischen Energiebedarf des Ego-Kraftfahrzeugs F, insbesondere Beleuchtung, der zukünftigen Umgebungstemperatur und Luftfeuchtigkeit sowie den Sichtverhältnissen (z.B. Tag, Nacht, Nebel).
Jegliche Einschränkungen der Brennkraftmaschinen-Nutzung, z.B. durch emissionsarme oder emissionsfreie Stadtzonen oder andere Geofencing-Beschränkungen, könnten zusätzlich sowohl in der globalen Rechenebene E1 als auch in der lokalen Rechenebene E2 als Einschränkungen eingeführt werden.
Die endgültige Leistung oder andere nützliche Daten des Ego-Kraftfahrzeugs F können nach dem Ende der Fahrt auf die globale Rechenebene E1 hochgeladen werden, wodurch die Datenbank in der Cloud CL oder ähnliches für eine verbesserte Leistung auf zukünftigen Fahrten angereichert wird. Dies kann insbesondere zum Beispiel durch Clustern der Fahrbedingungen, schnelles oder direktes Bereitstellen von Referenzzustandsprofilen x*_r(s) erfolgen, um beispielsweise zu vermeiden, dass die Optimierung erneut auszuführen ist, wenn die Fahrbedingungen sehr ähnlich sind. Die Durchführung der globalen, also längerfristigen bzw. Langstrecken-Optimierung in einer Cloud-basierten globalen Rechenebene E1 bedeutet, dass weit mehr Informationen und mehr Informationsquellen zugänglich sind, als wenn sie an Bord des Ego-Kraftfahrzeugs F durchgeführt werden würde. Durch die fahrzeugferne Durchführung von Teilen der Vorhersage und Optimierung, z.B. in der Cloud CL, kann die an das Ego-Kraftfahrzeug F gesendete Datenmenge und damit die erforderliche Datenbandbreite für eine solche Kommunikation sehr deutlich reduziert werden, was zusätzlich die Robustheit des Systems im Hinblick auf Perioden mit reduzierter Bandbreite oder vollständigen Unterbrechungen der Datenkommunikation (z.B. in Tunneln, Bergpässen oder so genannten „Stadtschluchten“ zwischen Reihen hoher Gebäude) verbessert. Diese Eigenschaften sind insbesondere in Zukunft von Bedeutung, da immer mehr Fahrzeuge und andere Informationsquellen miteinander vernetzt werden. Informationen aus einer kompletten Flotte von Fahrzeugen oder anderen Informationsquellen könnten dann zur Unterstützung der Strategie genutzt werden.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Nicht-Patentliteratur

„Trip Based Power Management of Plug-in Hybrid Electric Vehicle with Two-Scale Dynamic Programming‟, Qiuming Gong et al., Vehicle Power and Propulsion Conference (VPPC), 20007 IEEE, 0-7803-9761-4/07/, S12-19 [0016]

Claims

Verfahren zum prädiktiven Regeln eines Antriebssystems eines elektrisch antreibbaren Ego-Kraftfahrzeugs (F), insbesondere eines Hybridfahrzeuges oder eines Brennstoffzellenfahrzeuges, unter Verwendung eines zumindest zwei Rechenebenen (E1, E2) aufweisenden Energiemanagements mit einer globalen Rechenebene (E1) und zumindest einer lokalen Rechenebene (E2), wobei in einem ersten Schritt in der globalen Rechenebene (E1) für einen globalen Streckenabschnitt, insbesondere über eine gesamte Fahrstrecke des Ego-Kraftfahrzeugs (F), zumindest ein prädiktives und/oder optimiertes Referenzzustandsprofil (x*_r(s)) für zumindest eine Antriebsstranginformation ermittelt wird, und wobei in einem zweiten Schritt in der lokalen Rechenebene (E2) für zumindest einen definierten lokalen Fahrstreckenteilabschnitt, ein Momentanzustandsprofil (x_k) für die zumindest eine Antriebsstranginformation ermittelt wird, dadurch gekennzeichnet, dass das Referenzzustandsprofil (x*_r(s)) zumindest einmal, vorzugsweise mehrmals, im Laufe der Fahrtstrecke (s) auf der Basis des Momentanzustandsprofils (x_k) aktualisiert wird.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Antriebsstranginformation zumindest eine Gangwechselinformation (j), zumindest eine Batterieladezustandsinformation (ξ) und/oder zumindest ein Kupplungsschaltinformation (c) des Ego-Kraftfahrzeugs (F) aufweist.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass bei der Ermittlung des Referenzzustandsprofil (x*_r(s)) und/oder des Momentanzustandsprofils (x_k) Off-Line Informationen und Online-Informationen einbezogen werden.
Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass die Offline-Informationen zumindest eine Information aus der Gruppe Streckentopologie (TOP), Geschwindigkeitsbeschränkungen, Vorranginformation, Fahrzyklus, Durchschnittsgeschwindigkeit, Straßendichte beinhalten.
Verfahren nach Anspruch 3 oder 4, dadurch gekennzeichnet, dass die Online-Informationen bordeigene Sensorinformationen des Ego-Kraftfahrzeugs (F) und/oder V2X-Informationen beinhalten.
Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass das Referenzzustandsprofil (x*_r(s)) mittels dynamischer Programmierung (DP) ermittelt wird.
Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass Momentanzustandsprofil (x_k) mittels eines nichtlinearen prädiktiven Algorithmus (MPC) ermittelt wird.
Verfahren nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass die Ermittlung und Aktualisierung des Referenzzustandsprofils (x*_r(S)) außerhalb des Ego-Fahrzeuges (F), vorzugsweise durch Cloud Computing, durchgeführt wird.
Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass bei der Ermittlung des Referenzzustandsprofils (x*_r(s)) und/oder des Momentanzustandsprofils (x_k) historische Informationen, miteinbezogen werden.
Verfahren nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, dass die Aktualisierung des Referenzzustandsprofils (x*_r(s)) unregelmäßig und/oder in Abhängigkeit eines Auslöseereignisses erfolgt.
Verfahren nach einem der Ansprüche 1 bis 10, dadurch gekennzeichnet, dass innerhalb der globalen Rechenebene (E1) des Energiemanagements ein zukünftig zu erwartendes globales Geschwindigkeitsprofil (v(s)) des Ego-Kraftfahrzeugs (F) auf der Grundlage von verfügbaren langfristigen zukünftigen Informationen über die erwartete Fahrtroute - vorzugsweise Informationen über durchschnittliche Verkehrsgeschwindigkeiten, Verkehrsfluss, Verkehrsunfälle, Stoppschilder, Straßenkrümmungen, Baustellen - ermittelt wird.
Verfahren nach Anspruch 11, dadurch gekennzeichnet, dass basierend auf der vorhergesagten Geschwindigkeit (v(s)) eine modellbasierte globale Optimierung für die spezifischen Fahrzeug- und Antriebsstrangeigenschaften über einen künftigen globalen Streckenabschnitt, vorzugsweise über die gesamte Fahrstrecke, durchgeführt wird und das Ergebnis der Optimierung dem Referenzzustandsprofil (x*_r(S)) zugeordnet wird.
Verfahren nach einem der Ansprüche 1 bis 12, dadurch gekennzeichnet, dass innerhalb der lokalen Rechenebene (E2) des Energiemanagements ein lokales Geschwindigkeitsprofil und/oder ein Momentanzustandsprofil (x_k) über einen lokalen Streckenabschnitt unter Einbeziehung von bordeigenen Sensorinformationen und/oder V2X-Informationen, vorzugsweise von Fahrzeugen, Ampeln, Fußgängerübergänge oder anderer nahgelegener Quellen über sich ändernde Umweltinformationen innerhalb des lokalen Streckenabschnittes ermittelt wird.
Verfahren nach Anspruch 13, dadurch gekennzeichnet, dass auf der Basis des lokalen Geschwindigkeitsprofiles für den lokalen Streckenabschnitt das globale Geschwindigkeitsprofil (v(s)) und/oder das Referenzzustandsprofil (x*_r(s)) für den globalen Streckenabschnitt - vorzugsweise in der globalen Rechenebene (E1) aktualisiert und/oder neu berechnet wird.
Verfahren nach Anspruch 14, dadurch gekennzeichnet, dass in zumindest einer definierten Ausnahmesituation die Aktualisierung und/oder Neuberechnung des Referenzzustandsprofils (x*_r(s)) in der lokalen Rechenebene (E2) erfolgt.
Vorrichtung zum prädiktiven Regeln eines Antriebssystems eines elektrisch antreibbaren Kraftfahrzeugs, insbesondere eines Hybridfahrzeuges oder eines Brennstoffzellenfahrzeuges, mit einem prädiktiven Steuerungssystem, welches zumindest eine vorzugsweise fahrzeugferne Primärrecheneinheit aufweist, welche ausgebildet ist, um für zumindest einen globalen Streckenabschnitt mit dynamischer Programmierung (DP) zumindest ein prädiktives und/oder optimiertes Referenzzustandsprofil (x*_r(s)) für zumindest eine Antriebsstranginformation zu ermitteln, und welches zumindest eine fahrzeugeigene Sekundärrechen- und/oder Steuerungseinheit aufweist, welche ausgebildet ist, um für zumindest einen definierten lokalen Fahrstreckenteilabschnitt mit modellprädiktiver Regelung (MPC) ein Momentanzustandsprofil (x_k) für die zumindest eine Antriebsstranginformation zu ermitteln, zur Durchführung des Verfahrens nach einem der Ansprüche 1 bis 15.