DE102022202373A1 - Model-based predictive control of a battery charging process - Google Patents
Model-based predictive control of a battery charging process Download PDFInfo
- Publication number
- DE102022202373A1 DE102022202373A1 DE102022202373.0A DE102022202373A DE102022202373A1 DE 102022202373 A1 DE102022202373 A1 DE 102022202373A1 DE 102022202373 A DE102022202373 A DE 102022202373A DE 102022202373 A1 DE102022202373 A1 DE 102022202373A1
- Authority
- DE
- Germany
- Prior art keywords
- charging
- current
- charge
- battery
- state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 230000005611 electricity Effects 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 3
- 101000874364 Homo sapiens Protein SCO2 homolog, mitochondrial Proteins 0.000 claims 1
- 102100035546 Protein SCO2 homolog, mitochondrial Human genes 0.000 claims 1
- 230000006870 function Effects 0.000 description 24
- 238000005457 optimization Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/64—Optimising energy costs, e.g. responding to electricity rates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G06Q50/40—
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/0071—Regulation of charging or discharging current or voltage with a programmable schedule
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/80—Time limits
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2250/00—Driver interactions
- B60L2250/14—Driver interactions by input of vehicle departure time
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/40—The network being an on-board power network, i.e. within a vehicle
- H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
-
- 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
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- 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
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Abstract
Die Erfindung betrifft eine modelbasierte prädiktive Regelung eines Ladevorgangs einer Batterie (7) für einen Antriebsstrang (5) eines Kraftfahrzeugs (1) mittels einer häuslichen Ladeeinheit (3). Ein diesbezügliches Verfahren umfasst insbesondere die Schritte- Ermitteln von Nebenbedingungen durch Ausführen eines Nebendingungs-Algorithmus', wobei die Nebenbedingungen in Abhängigkeit von Ladezustandsinformationen der Batterie (7) und Zeitinformationen ermittelt werden, und- Ermitteln von Ladeströmen, mittels welcher die Batterie (7) durch die häusliche Ladeeinrichtung (3) innerhalb eines vorausliegenden Prädiktionshorizonts zu N diskreten Zeitpunkten geladen werden soll, durch Ausführen eines MPC-Algorithmus', wobei das Ermitteln der Ladeströme in Abhängigkeit von den durch Ausführen des Nebendingungs-Algorithmus` ermittelten Nebenbedingungen und unter Minimierung einer Kostenfunktion des MPC-Algorithmus' erfolgt.The invention relates to a model-based predictive control of a charging process of a battery (7) for a drive train (5) of a motor vehicle (1) using a domestic charging unit (3). A method in this regard includes in particular the steps of - determining secondary conditions by executing a secondary conditions algorithm, whereby the secondary conditions are determined depending on the state of charge information of the battery (7) and time information, and - determining charging currents by means of which the battery (7) is carried out the domestic charging device (3) is to be charged at N discrete times within an upcoming prediction horizon, by executing an MPC algorithm, the charging currents being determined depending on the additional conditions determined by executing the constraints algorithm and while minimizing a cost function of the MPC algorithm' takes place.
Description
Die Erfindung betrifft eine modelbasierte prädiktive Regelung eines Ladevorgangs einer Batterie, insbesondere einer Batterie für einen Antriebsstrang eines Kraftfahrzeugs, wobei die Batterie mittels einer häuslichen Ladeeinheit geladen wird. Beansprucht werden in diesem Zusammenhang insbesondere ein Verfahren und eine Prozessoreinheit.The invention relates to a model-based predictive control of a charging process of a battery, in particular a battery for a drive train of a motor vehicle, wherein the battery is charged using a domestic charging unit. What is required in this context is, in particular, a method and a processor unit.
Bei modernen Elektrofahrzeugen werden vermehrt die positiven und negativen Auswirkungen von bestimmten Fahrmanövern auf die Effizienz des Fahrzeugs betrachtet und entsprechende Betriebs- und Fahrstrategien abgeleitet. Ein stark wachsender Ansatz hierbei ist die Trajektorien-Planung mit modelprädiktiver Regelung. Im Falle der Fahrmanöverplanung wird eine Vielzahl von Trajektorien über einem virtuellen Horizont hinsichtlich der Erfüllung einer Zielfunktion (z.B. „Minimiere den Energiebedarf“) und dem Einhalten der geltenden Einschränkungen bzw. „Constraints“ (z.B. Geschwindigkeitslimits, Mindestgeschwindigkeit) bewertet, die optimale Trajektorie ausgewählt und letztlich umgesetzt.In modern electric vehicles, the positive and negative effects of certain driving maneuvers on the efficiency of the vehicle are increasingly being considered and corresponding operating and driving strategies are derived. A rapidly growing approach here is trajectory planning with model predictive control. In the case of driving maneuver planning, a large number of trajectories are evaluated over a virtual horizon with regard to the fulfillment of a target function (e.g. "minimize the energy requirement") and compliance with the applicable restrictions or "constraints" (e.g. speed limits, minimum speed), the optimal trajectory is selected and ultimately implemented.
Eine Aufgabe der vorliegenden Erfindung kann darin gesehen werden, eine verbesserte Regelung auch für das Laden einer Batterie eines Elektro-Kraftfahrzeugs bereitzustellen. Die Aufgabe wird gelöst durch die Gegenstände der unabhängigen Patentansprüche. Vorteilhafte Ausführungsformen sind Gegenstand der Unteransprüche, der folgenden Beschreibung sowie der Figuren.An object of the present invention can be seen in providing an improved control system for charging a battery of an electric motor vehicle. The task is solved by the subject matter of the independent patent claims. Advantageous embodiments are the subject of the subclaims, the following description and the figures.
Gemäß der vorliegenden Erfindung wird vorgeschlagen, unter der Annahme, dass ein ausführendes Steuergerät oder aber eine häusliche Ladeeinheit mit entsprechender CPU sowie mindestens ein häuslicher Energielieferant verfügbar ist, einen MPC-Ansatz auch auf das häusliche Laden der Batterie anzuwenden. Dazu werden eine neue Zielfunktion sowie Constraints bzw. Nebenbedingungen formuliert. Die Methode der modelbasierten prädiktiven Regelung (MPC) basiert auf einem Systemmodell, welches das Verhalten des Systems beschreibt. Weiterhin basiert die MPC-Methode auf einer Zielfunktion bzw. auf einer Kostenfunktion, die ein Optimierungsproblem beschreibt und bestimmt, welche Zustandsgrößen minimiert werden sollen. Dabei werden das passende Optimierungsproblem und der entsprechend anwendbare Lösungsraum identifiziert und eine Zielfunktion inklusive Constraints bzw. Nebenbedingungen abgeleitet, so dass anschließend die Verwendung eines MPC-Solvers zur Lösung des Optimierungsproblems möglich ist.According to the present invention, it is proposed, assuming that an executive control device or a domestic charging unit with a corresponding CPU as well as at least one domestic energy supplier is available, to apply an MPC approach to domestic charging of the battery. For this purpose, a new target function as well as constraints or secondary conditions are formulated. The model-based predictive control (MPC) method is based on a system model that describes the behavior of the system. Furthermore, the MPC method is based on an objective function or a cost function that describes an optimization problem and determines which state variables should be minimized. The appropriate optimization problem and the corresponding applicable solution space are identified and a target function including constraints or side conditions is derived, so that it is then possible to use an MPC solver to solve the optimization problem.
Insbesondere wird eine Kombination aus einer Mensch-Maschine-Schnittstelle (englischsprachiger Fachbegriff: Human-Machine-Interface; abgekürzt: HMI), einem Prädiktionsmodell, einem Constraint Handler, sowie einem MPC-Solver vorgeschlagen. Gegenstand der Erfindung ist hierbei insbesondere die Ableitung der geltenden Constraints aus den HMI-Inputs sowie die Identifikation einer optimalen Ladekurve anhand einer Prädiktion des zu erwartenden häuslichen Energiebedarfs mittels MPC-Solver. Vorausgesetzt wird dabei insbesondere, dass ein vorhandener Energielieferant nicht zu den geltenden Entnahmekonditionen ins Netz einspeisen kann, da es sich in diesem Fall nicht um ein mehrdimensionales Optimierungsproblem handeln würde und sich die Verwendung des MPC-Ansatz erübrigen würde. Im Fall des Vorhandenseins eines wie oben beschriebenen Energielieferanten ergibt sich ein typisches häusliches Szenario, bei dem das Zusammenspiel zwischen Elektrofahrzeug, lokalem Energielieferant und Hausstrombedarf prädiktiv optimiert werden kann.In particular, a combination of a human-machine interface (English-language technical term: human-machine interface; abbreviated: HMI), a prediction model, a constraint handler, and an MPC solver is proposed. The subject of the invention is in particular the derivation of the applicable constraints from the HMI inputs as well as the identification of an optimal charging curve based on a prediction of the expected domestic energy requirement using an MPC solver. In particular, this assumes that an existing energy supplier cannot feed into the grid at the applicable withdrawal conditions, since in this case it would not be a multi-dimensional optimization problem and the use of the MPC approach would be unnecessary. In the case of the presence of an energy supplier as described above, a typical domestic scenario results in which the interaction between the electric vehicle, local energy supplier and household electricity demand can be optimized predictively.
In diesem Sinne wird gemäß einem ersten Aspekt der Erfindung ein Verfahren zur modelbasierten prädiktiven Regelung eines Ladevorgangs einer Batterie für einen Antriebsstrang eines Kraftfahrzeugs mittels einer häuslichen Ladeeinheit vorgeschlagen. Das Verfahren umfasst insbesondere die folgenden Schritte:
- - Ermitteln von Nebenbedingungen durch Ausführen eines Nebendingungs-Algorithmus', wobei die Nebenbedingungen in Abhängigkeit von Ladezustandsinformationen der Batterie und Zeitinformationen ermittelt werden, und
- - Ermitteln von Ladeströmen, mittels welcher die Batterie durch die häusliche Ladeeinrichtung innerhalb eines vorausliegenden Prädiktionshorizonts zu N diskreten Zeitpunkten geladen werden soll, durch Ausführen eines MPC-Algorithmus', wobei das Ermitteln der Ladeströme in Abhängigkeit von den durch Ausführen des Nebendingungs-Algorithmus` ermittelten Nebenbedingungen und unter Minimierung einer Kostenfunktion des MPC-Algorithmus' erfolgt.
- - Determining secondary conditions by executing a secondary condition algorithm, whereby the secondary conditions are determined depending on the battery charge status information and time information, and
- - Determining charging currents by means of which the battery should be charged by the domestic charging device at N discrete times within a prediction horizon, by executing an MPC algorithm, the charging currents being determined depending on those determined by executing the secondary condition algorithm Additional conditions and minimizing a cost function of the MPC algorithm are carried out.
Gemäß einem zweiten Aspekt der Erfindung wird eine Prozessoreinheit zur modelbasierten prädiktiven Regelung eines Ladevorgangs einer Batterie für einen Antriebsstrang eines Kraftfahrzeugs mittels einer häuslichen Ladeeinheit bereitgestellt. Die Prozessoreinheit ist insbesondere dazu eingerichtet,
- - Nebenbedingungen durch Ausführen eines Nebendingungs-Algorithmus' zu ermitteln, wobei die Nebenbedingungen in Abhängigkeit von Ladezustandsinformationen der Batterie und Zeitinformationen ermittelt werden, und
- - durch Ausführen eines MPC-Algorithmus' Ladeströme zu ermitteln, mittels welcher die Batterie durch die häusliche Ladeeinrichtung innerhalb eines vorausliegenden Prädiktionshorizonts zu N diskreten Zeitpunkten geladen werden soll, wobei das Ermitteln der Ladeströme in Abhängigkeit von den durch Ausführen des Nebendingungs-Algorithmus` ermittelten Nebenbedingungen und unter Minimierung einer Kostenfunktion des MPC-Algorithmus' erfolgt. Die Prozessoreinheit kann dabei insbesondere in eine Ladeeinheit eines Hauses oder in ein Kraftfahrzeug integriert sein, insbesondere in ein Steuergerät des Kraftfahrzeugs. Die folgenden Ausführungen gelten gleichermaßen für das Verfahren gemäß dem ersten Aspekt der Erfindung und für die Prozessoreinheit gemäß dem zweiten Aspekt der Erfindung.
- - Determine secondary conditions by executing a secondary condition algorithm, whereby the secondary conditions are determined depending on the charge status information of the battery and time information, and
- - to determine charging currents by executing an MPC algorithm, by means of which the battery is to be charged by the domestic charging device at N discrete times within an upcoming prediction horizon, the charging currents being determined depending on the secondary conditions determined by executing the constraints algorithm and while minimizing a cost function of the MPC algorithm. The processor unit can be integrated in particular in a charging unit of a house or in a motor vehicle, in particular in a control unit of the motor vehicle. The following statements apply equally to the method according to the first aspect of the invention and to the processor unit according to the second aspect of the invention.
Der MPC-Algorithmus kann neben der Kostenfunktion insbesondere ein Lademodell enthalten, welches das Laden der Batterie beschreibt. Wenn der MPC-Algorithmus ausgeführt wird, insbesondere mittels der Prozessoreinheit, dann wird basierend auf dem Lademodell ein Ladevorgang der Batterie ermittelt bzw. prädiziert. Dabei wird ein möglicher Lösungsraum durch die Nebenbedingungen beschnitten und die übrigen möglichen Lösungen mittels der Kostenfunktion bewertet.In addition to the cost function, the MPC algorithm can in particular contain a charging model that describes the charging of the battery. If the MPC algorithm is executed, in particular by means of the processor unit, then a charging process of the battery is determined or predicted based on the charging model. A possible solution space is limited by the additional conditions and the remaining possible solutions are evaluated using the cost function.
Physikalisch werden durch das Ausführen des MPC-Algorithmus` insbesondere Ladeströme berechnet bzw. vorgegeben. Durch die häuslich verfügbare Ladespannung (i.d.R. 230V oder 400V) ergibt sich aus dem Produkt von Ladestrom und Ladespannung eine Ladeleistung. Die geplante Ladekurve entspricht der Ladeleistung an den N verschiedenen Diskretisierungspunkten über dem Ladehorizont. Der Ladehorizont ist insbesondere als derjenige Zeitraum definiert, der sich von einem jeweils aktuellen Zeitpunkt bis zu einem Endzeitpunkt erstreckt, zu dem die Batterie mit einem gewünschten Energieinhalt aufgeladen ist. In diesem Sinne wird der Prädiktionshorizont in einer Ausführungsform als ein zeitlicher Ladehorizont definiert, welcher den Zeitraum zwischen einem Ladeendzeitunkt und einer aktuellen Uhrzeit repräsentiert.Physically, charging currents in particular are calculated or specified by executing the MPC algorithm. Due to the charging voltage available at home (usually 230V or 400V), the product of the charging current and charging voltage results in a charging power. The planned charging curve corresponds to the charging power at the N different discretization points above the charging horizon. The charging horizon is defined in particular as the period of time that extends from a current point in time to an end point in time at which the battery is charged with a desired energy content. In this sense, the prediction horizon is defined in one embodiment as a temporal loading horizon, which represents the period between a loading end time and a current time.
Die Diskretisierung des Ladehorizonts erfolgt dabei insbesondere in N-1 gleichverteilten Zeitabschnitten. Bei gleichbleibendem N werden diese Abschnitte mit fortlaufender Ladedauer also kleiner und das Optimierungsergebnis entsprechend genauer. In diesem Sinne wird bzw. ist der Ladehorizont gemäß einer Ausführungsform in N-1 gleichverteilte Zeitabschnitte eingeteilt.The discretization of the charging horizon takes place in particular in N-1 equally distributed time periods. If N remains the same, these sections become smaller as the loading time increases and the optimization result becomes correspondingly more precise. In this sense, according to one embodiment, the charging horizon is or is divided into N-1 equally distributed time periods.
Um eine Optimierung der Ladekurve durchführen zu können, enthält der MPC-Algorithmus ein Optimierungsziel in Form der Kostenfunktion, die insbesondere eine stetig differenzierbare Minimierungsfunktion sein kann. Grundsätzlich gilt hierfür das Ziel der Kostenminimierung. Da die Kosten sich in diesem Fall auf die anfallenden Stromkosten des Haushalts und des Ladevorgangs beziehen, kann für die zu minimierende Kostenfunktion insbesondere festgelegt werden, dass die zu minimierende Kostenfunktion einen ersten positiven Term, einen zweiten positiven Term und einen dritten negativen Term enthält, wobei der erste Term den Ladestrom repräsentiert, mittels welchem die Batterie durch die häusliche Ladeeinrichtung innerhalb einer der Zeitabschnitte geladen werden soll. Der zweite Term repräsentiert einen mittleren häuslichen Strombedarf, der innerhalb des Zeitabschnitts in einem Haus anfällt, zu dem die häusliche Ladeeinheit gehört. Der häusliche Strombedarf beschreibt insbesondere den mittleren Strombedarf des Hauses, der zum Zeitpunkt i für die Dauer des folgenden Diskretisierungsabschnitts anfällt. Der dritte Term repräsentiert einen mittleren Abgabestrom, der durch einen Stromlieferanten an das Haus abgegeben wird. Der Abgabestrom beschreibt insbesondere einen gemittelten Strom, der von einem Stromlieferanten im gleichen Zeitraum an den Haushalt bzw. and das Haus und die damit zusammenhänge, häusliche Ladeeinheit geliefert werden kann. Der Stromlieferant kann ein von dem Haus getrennter Stromanbieter sein, der dem Haus über eine Stromleitung Strom bereitstellt. Alternativ kann der Stromlieferant auch zu dem Haus gehören, z.B. in Form einer Photovoltaikanlage.In order to be able to optimize the charging curve, the MPC algorithm contains an optimization goal in the form of the cost function, which can in particular be a continuously differentiable minimization function. The basic goal here is to minimize costs. Since the costs in this case relate to the electricity costs incurred by the household and the charging process, it can be specified for the cost function to be minimized in particular that the cost function to be minimized contains a first positive term, a second positive term and a third negative term, where the first term represents the charging current by which the battery is to be charged by the domestic charging device within one of the time periods. The second term represents an average domestic electricity demand that occurs in a house within the time period to which the domestic charging unit belongs. The domestic electricity demand describes in particular the average electricity demand of the house that occurs at time i for the duration of the following discretization section. The third term represents an average output current that is delivered to the house by an electricity supplier. The delivery current describes in particular an averaged current that can be delivered by an electricity supplier to the household or the house and the associated domestic charging unit over the same period of time. The electricity supplier may be an electricity provider separate from the house that provides electricity to the house via a power line. Alternatively, the electricity supplier can also be part of the house, e.g. in the form of a photovoltaic system.
Sowohl der mittlere häusliche Strombedarf als auch der mittlere Abgabestrom sind das Ergebnis eines Prädiktionsmodells, das sich über den Ladehorizont erstreckt. Als eine Stromstärken-Nebenbedingung für die drei vorstehend genannten Stromstärken kann weiterhin festgelegt werden, dass die Summe aus dem Ladestrom und dem mittleren häuslichen Strombedarf abzüglich des mittleren Abgabestroms einen Stromgrenzwert nicht überschreitet, der die maximal technisch einstellbare Stromstärke eines Stromanschlusses des Hauses darstellt. Mit Hilfe der Kostenfunktion kann der MPC-Algorithmus jegliche mögliche Ladekurven hinsichtlich deren Kostenoptimalität abtesten. Der Optimierungsraum wird mathematisch durch die Nebenbedingungen beschnitten, wodurch sichergestellt wird, dass die gefundene optimale Ladekurve sowohl physikalisch korrekt wie auch logisch umsetzbar ist.Both the average domestic electricity demand and the average output current are the result of a prediction model that extends over the charging horizon. As a current intensity secondary condition for the three current intensities mentioned above, it can also be specified that the sum of the charging current and the average domestic electricity requirement minus the average output current does not exceed a current limit value which represents the maximum technically adjustable current intensity of a power connection in the house. With the help of the cost function, the MPC algorithm can test any possible charging curves with regard to their cost optimality. The optimization space is mathematically trimmed by the secondary conditions, which ensures that the optimal charging curve found is both physically correct and logically feasible.
Was die Ermittlung der Ladezustand-Nebenbedingung angeht, so können die dazu notwendigen Ladezustandsinformationen einerseits einen Zielladezustand beschreiben, bis zu dem die Batterie aufgeladen werden soll. Weiterhin können die Ladezustandsinformationen auch einen aktuellen Ladezustand beschreiben, welcher einen aktuellen Ladzustand der Batterie repräsentiert. Mittels dieser Informationen kann durch Ausführen des Nebendingungs-Algorithmus` eine erste Ladezustand-Nebenbedingung ermittelt werden, welche die Differenz zwischen dem Zielladezustand und dem aktuellen Ladezustand der Batterie repräsentiert. Die erste Ladezustand-Nebenbedingung beschreibt einen Energiegehalt, welcher der Batterie mindestens zugeführt werden muss und entspricht einem Nettoenergiewert. Zusätzlich kann eine zweite Ladezustand-Nebenbedingung vorgegeben werden, gemäß welcher der aktuelle Ladezustand einen maximal möglichen Ladezustand der Batterie nicht überschreiten darf.As far as determining the state of charge secondary condition is concerned, the necessary state of charge information can, on the one hand, describe a target state of charge up to which the battery should be charged. Furthermore, the state of charge information can also describe a current state of charge, which represents a current state of charge of the battery. Using this information, a first state of charge constraint can be determined by executing the constraint algorithm, which represents the difference between the target state of charge and the current state of charge of the battery. The first charge state secondary condition describes an energy content that must be supplied to the battery as a minimum and corresponds to a net energy value. In addition, a second state of charge secondary condition can be specified, according to which the current state of charge must not exceed a maximum possible state of charge of the battery.
Bezüglich der Ermittlung der Ladezeit-Nebenbedingung können die dazu notwendigen Zeitinformationen einerseits einen Ladeendzeitpunkt beschreiben, zu dem die Batterie bis zu dem Zielladezustand aufgeladen sein soll. Weiterhin können die Zeitinformationen auch eine aktuelle Uhrzeit beschreiben. Mittels dieser Informationen kann durch Ausführen des Nebendingungs-Algorithmus` eine Ladezeit-Nebenbedingung ermittelt werden, welche den Zeitraum zwischen dem Ladeendzeitunkt und der aktuellen Uhrzeit repräsentiert. Die Ladezeit-Nebenbedingung beschreibt somit denjenigen Zeitraum, der für das Aufladen der Batterie auf das vorgegebene Niveau maximal verwendet werden darf.With regard to the determination of the charging time secondary condition, the time information required for this can, on the one hand, describe a charging end time at which the battery should be charged up to the target state of charge. Furthermore, the time information can also describe a current time. Using this information, a loading time constraint can be determined by executing the constraint algorithm, which represents the period between the loading end time and the current time. The charging time secondary condition therefore describes the maximum period of time that may be used to charge the battery to the specified level.
Der Zielladezustand und der Ladeendzeitpunkt können insbesondere mittels einer Mensch-Maschine-Schnittstelle vorgegeben bzw. eingegeben werden. Unter einer Mensch-Maschine-Schnittstelle (HMI) kann allgemein eine Funktion oder Komponente eines bestimmten Geräts oder einer bestimmten Softwareanwendung verstanden werden, mit der Menschen Maschinen bedienen und mit ihnen interagieren können. Einige Beispiele für übliche HMI-Geräte sind Touchscreens, Tastaturen oder Sprachsteuerungen.The target charging state and the charging end time can be specified or entered in particular using a human-machine interface. A human-machine interface (HMI) can generally be understood as a function or component of a specific device or software application that allows humans to operate and interact with machines. Some examples of common HMI devices are touchscreens, keyboards or voice controls.
Gemäß einer weiteren Ausführungsform werden der aktuelle Ladezustand und die aktuelle Uhrzeit mittels einer Erfassungseinheit des Kraftfahrzeugs ermittelt. Dies ist besonders effizient, da die Erfassungseinheit des Kraftfahrzeugs ohnehin typischerweise den Ladezustand und/oder die aktuelle Uhrzeit erfasst.According to a further embodiment, the current charge status and the current time are determined using a detection unit of the motor vehicle. This is particularly efficient since the detection unit of the motor vehicle typically detects the charging status and/or the current time anyway.
Im Folgenden werden Ausführungsbeispiele der Erfindung anhand der schematischen Zeichnung näher erläutert, wobei gleiche oder ähnliche Elemente mit dem gleichen Bezugszeichen versehen sind. Hierbei zeigt
-
1 eine Seitenansicht eines Kraftfahrzeugs mit einer Batterie, eines Hauses mit einer Ladeeinheit sowie eines System zur modelbasierten prädiktiven Regelung, -
2 einen Ablauf eines Verfahrens zur modelbasierten prädiktiven Regelung eines Ladevorgangs der Batterie mittels der Ladeeinheit nach1 und -
3 einen Prädiktionshorizont der modelbasierten prädiktiven Regelung.
-
1 a side view of a motor vehicle with a battery, a house with a charging unit and a system for model-based predictive control, -
2 a sequence of a method for model-based predictive control of a charging process of the battery using thecharging unit 1 and -
3 a prediction horizon of model-based predictive control.
Das Kraftfahrzeug 1 umfasst einen Antriebsstrang 5, der eine elektrische Maschine 6, die als Motor und als Generator betrieben werden kann, und eine Batterie 7 aufweist. Die elektrische Maschine 6 kann im Motorbetrieb Räder des Kraftfahrzeugs 1 über ein Getriebe 8 des Antriebsstrangs 5 antreiben, wobei das Getriebe 8 beispielsweise eine konstante Übersetzung aufweisen kann. Die dazu notwendige elektrische Energie kann die Batterie 7 bereitstellen. Die Batterie 7 kann durch die elektrische Maschine 6 aufgeladen werden, wenn die elektrische Maschine 6 im Generatorbetrieb betrieben wird (Rekuperation). Die Batterie 7 kann auch an der häuslichen Ladeeinheit 3 aufgeladen werden. Ebenfalls kann der Antriebsstrang des Kraftfahrzeugs 1 optional einen Verbrennungskraftmotor 9 aufweisen, welcher zusätzlich zu der elektrischen Maschine 6 das Kraftfahrzeug 1 antreiben kann. Der Verbrennungskraftmotor 9 kann auch die elektrische Maschine 6 antreiben, um die Batterie 7 aufzuladen. Das Kraftfahrzeug 1 umfasst weiterhin eine Erfassungseinheit 13 zur Erfassung von das Kraftfahrzeug 1 betreffenden Zustandsdaten. Die Erfassungseinheit 13 kann aktuelle Zustandsgrößen des Kraftfahrzeugs 1 messen, entsprechende Daten aufnehmen und dem MPC System 4 zur Verfügung stellen. Im Kontext der vorliegenden Erfindung sind dies insbesondere aktuelle Ladezustände der Batterie 7 sowie aktuelle Uhrzeiten. Die Prozessoreinheit 3 kann auf diese Informationen beispielsweise über eine Kommunikations-Schnittstelle zugreifen.The
Das MPC System 4 umfasst in dem gezeigten Ausführungsbeispiel eine Prozessoreinheit 10, eine Speichereinheit 11 und eine Kommunikations-Schnittstelle 12. Auf der Speichereinheit 11 kann ein Computerprogrammprodukt 14 gespeichert sein. Das Computerprogrammprodukt 14 kann auf der Prozessoreinheit 10 ausgeführt werden, wozu die Prozessoreinheit 10 und die Speichereinheit 11 mittels der Kommunikations-Schnittstelle 12 miteinander verbunden sind. Wenn das Computerprogrammprodukt 14 auf der Prozessoreinheit 10 ausgeführt wird, leitet es die Prozessoreinheit 10 an, die im Zusammenhang mit der Zeichnung beschriebenen Funktionen zu erfüllen bzw. Verfahrensschritte auszuführen. Das MPC System 4 ist in
Das Computerprogrammprodukt 14 enthält einen MPC-Algorithmus 15 zur modelbasierten prädiktiven Regelung eines Ladevorgangs der Batterie 7 mittels der häuslichen Ladeeinheit 3. Das Computerprogrammprodukt 14 enthält weiterhin einen Nebendingungs-Algorithmus 27 zum Ermitteln von Nebenbedingungen für den MPC-Algorithmus 15, wobei durch Ausführen des Nebenbedingungs-Algorithmus 27 Nebenbedingungen für den MPC-Algorithmus 15 ermittelt werden. Die Berechnung der Nebenbedingungen erfolgt dabei in Abhängigkeit von Ladezustandsinformationen der Batterie und in Abhängigkeit von Zeitinformationen, wie weiter unten näher beschrieben wird.The
Der MPC-Algorithmus 13 enthält ein Lademodell 16 für die Batterie 7 und eine zu minimierende Kostenfunktion 17. Die Prozessoreinheit 10 führt den MPC-Algorithmus 15 aus und prädiziert dabei einen Ladevorgang der Batterie 7 basierend auf dem Lademodell 16, wobei die Kostenfunktion 17 minimiert wird. Als Output der Optimierung durch den MPC-Algorithmus 15 ergeben sich von der Batterie 7 aufgenommene optimierte Ladeströme bzw. Ladeleistungen für N berechnete Punkte innerhalb eines jeweiligen Vorausschauhorizonts der modelbasierten prädiktiven Regelung. Die Prozessoreinheit 10 kann die häusliche Ladeeinheit 3 basierend auf den berechneten Ladeströmen bzw. Ladeleistungen steuern. Weiterhin kann dies jedoch auch durch eine Steuerungseinheit 18 der häuslichen Ladeeinheit 3 erfolgen.The
Die häusliche Ladeeinheit 3 umfasst ausgangsseitig ein elektrisches Ladekabel 19, das elektrisch mit einem elektrischen Ladeanschluss 20 des Kraftfahrzeugs 1 verbunden werden kann. Der Ladeanschluss 20 ist elektrisch mit der Batterie 7 verbunden, sodass die Batterie 7 über das Ladekabel 19 mit Strom der häuslichen Ladeeinheit 3 aufgeladen werden kann. Die häusliche Ladeeinheit 3 umfasst weiterhin eingangsseitig einen Stromeingangsanschluss 21, über welchen die häusliche Ladeeinheit 3 mit Strom bzw. Spannung versorgt wird, die durch eine Stromleitung 22 bereitgestellt wird. In dem gezeigten Ausführungsbeispiel fließt durch die Stromleitung 22 ein Strom, der durch einen Stromanbieter bereitgestellt wird, der Strom zentral erzeugt und durch die Stromleitung 22 leitet. Alternativ kann der Strom auch durch eine dazu eingerichtete Stromerzeugungsanlage 23 (z.B. eine Photovoltaikanlage) des Hauses 2 erzeugt und durch die Stromleitung 22 geleitet werden. Über die Stromleitung 22 kann beispielsweise eine Spannung an dem Stromeingangsanschluss 21 angelegt werden, die 230V oder 400V beträgt, was einer üblichen häuslich verfügbaren Spannung entspricht.The
Über eine Mensch-Maschine-Schnittstelle 24 kann ein Nutzer 25 Vorgaben bezüglich des Ladens der Batterie 7 eingeben. Die Mensch-Maschine-Schnittstelle 24 ist mit dem MPC System 4 kommunikativ verbunden. Bei der Mensch-Maschine-Schnittstelle 24 kann es sich, wie dies durch
Der Nutzer 25 gibt in einem ersten Verfahrensschritt 100 über die Mensch-Maschine-Schnittstelle 24 einen Zielladezustand SOCtarget und einen Ladeendzeitpunkt ttarget ein. Mit dem Zielladezustand SOCtarget gibt der Nutzer 25 an, wie hoch der Ladezustand nach Abschluss des Ladevorgangs sein soll. Der Ladezustand (im Englischen: State of Charge oder abgekürzt SoC) kann allgemein der momentane Energieinhalt der elektrischen Batterie 7 im Verhältnis zu ihrem maximalen Energieinhalt sein. Der Zielladezustand SOCtarget beschreibt somit einen Energiewert, mit welchem die Batterie nach Abschluss des Ladevorgangs aufgeladen sein soll. In einem zur Illustration gewählten Beispiel gibt der Nutzer 25 ein, dass der Zielladezustand SOCtarget 95% des maximalen Energieinhalts der Batterie 7 betragen soll. Angenommen, der maximale Energieinhalt der Batterie läge bei 50 kWh, dann entspräche der von dem Nutzer 25 eingegebene Zielladezustand SOCtarget von 95% einem Energieinhalt von 47,5 kWh (= 0,95* 50 kWh).In a
Der Ladeendzeitpunkt ttarget beschreibt, wann dieser Zielladezustand SOCtarget erreicht sein soll, indem der Ladeendzeitpunkt ttarget einen spätesten Zeitpunkt festlegt, zu dem die Batterie 7 bis zu dem Zielladezustand SOCtarget aufgeladen sein soll. Der Ladeendzeitpunkt ttarget kann beispielsweise in Form eines Datums samt Uhrzeit angegeben werden. In einem zur Illustration gewählten Beispiel gibt der Nutzer 25 ein, dass der Zielladezustand SOCtarget der Batterie 7 an dem folgenden Morgen erreicht sein soll, z.B. am 19. Januar 2022 um 06:00 Uhr.The charging end time t target describes when this target state of charge SOC target should be reached, in that the charging end time t target determines a latest time at which the
In einem zweiten Verfahrensschritt 200 werden ein aktueller Ladezustand SOCcurrent und eine aktuelle Uhrzeit tcurrent ermittelt. Für den aktuellen Ladezustand SOCcurrent kann sich dabei z.B. ein Wert von 40% ergeben. Angenommen, der maximale Energieinhalt der Batterie läge wieder bei 50 kWh, dann entspräche der ermittelte aktuelle Ladezustand von 40% einem Energieinhalt von 20 kWh (= 0,40* 50 kWh). Die aktuelle Uhrzeit tcurrent kann wieder beispielsweise in Form eines Datums samt Uhrzeit angegeben werden. Beispielhaft kann ermittelt werden, dass die aktuelle Uhrzeit 20:00 Uhr am 18. Januar 2022 ist. Das Ermitteln des aktueller Ladezustands SOCcurrentund der aktuellen Uhrzeit tcurrent kann beispielsweise durch die Erfassungseinheit 13 des Kraftfahrzeugs 1 erfolgen. Der zweite Verfahrensschritt 200 kann nach dem ersten Verfahrensschritt 100 oder aber zu Beginn auch insbesondere zeitgleich oder parallel zu dem ersten Verfahrensschritt 100 ablaufen (wie durch
In einem dritten Verfahrensschritt 300 führt die Prozessoreinheit 10 den Nebendingungs-Algorithmus 27 aus. Der Zielladezustand SOCtarget und der aktuelle Ladezustand SOCcurrent dienen dabei als Eingabewerte, um als Ausgabewert eine erste Ladezustand-Nebenbedingung CSOC1 zu ermitteln. Dabei wird eine Differenz zwischen dem Zielladezustand SOCtarget und dem aktuellen Ladezustand SOCcurrent der Batterie 7 gebildet. Diese Differenz entspricht einem Energiewert, welche der Batterie 7 über die häusliche Ladeeinheit 3 mindestens zugeführt werden muss, um den Energieinhalt der Batterie 7 von ihrem jetzigen Wert SOCcurrent auf den geforderten Wert SOCtarget zu erhöhen. In dem vorstehend beschriebenen Beispiel beträgt die Rechnung CSOC1 = SOCtarget - SOCcurrent = 47,5 kWh - 20 kWh = 27,5 kWh.In a
Weiterhin wird in einem vierten Verfahrensschritt 400 eine zweite Ladezustand-Nebenbedingung CSOC2 vorgegeben, gemäß welcher der aktuelle Ladezustand SOCcur- rent den maximalen Energieinhalt der Batterie SOCmax (=100%; in dem gewählten Ausführungsbeispiel entspricht dies 50 kWh) nicht überschreiten darf. Diese zweite Ladezustand-Nebenbedingung CSOC2 kann insbesondere einmalig vorgegeben und fortlaufend bei jeder Ausführung des MPC-Algorithmus` 15 neu berechnet bzw. geprüft werden. In einer Formel ausgedrückt, bedeutet die zweite Ladezustand-Nebenbedingung CSOC2: SOCcurrent ≤ SOCmax = 100% = 50 kWh. In dem gewählten Beispiel ist diese Nebenbedingung erfüllt (SOCcurrent = 20 kwH < 50 kWh bzw. 40% < 100 %).Furthermore, in a
Analog für die Ladezeit führt die Prozessoreinheit 10 in einem fünften Verfahrensschritt 500 ebenfalls den Nebendingungs-Algorithmus` 27 aus. Der Ladeendzeitpunkt ttargetund die aktuelle Uhrzeit tcurrent dienen dabei als Eingabe-Werte, um als Ausgabewert eine Ladezeit-Nebenbedingung Cduration zu ermitteln. Dabei wird eine Differenz zwischen dem Ladeendzeitpunkt ttargetund der aktuellen Uhrzeit tcurrent gebildet. Diese Differenz entspricht einer Dauer bzw. einem maximal geduldeten Zeitraum, innerhalb welchem die Batterie 7 über die häusliche Ladeeinheit 3 derart aufgeladen werden soll, sodass der Energieinhalt der Batterie 7 von ihrem jetzigen Wert SOCcurrent auf den geforderten Wert SOCtarget erhöht ist. In dem vorstehend beschriebenen Beispiel beträgt die Rechnung Cduration = ttarget- tcurrent = (19. Januar 2022, 06:00) - (18. Januar 2022, 20:00) = 10 h. Mit anderen Worten beschreibt die erste Ladezustand-Nebenbedingung CSOC1 den Energiegehalt, welcher der Batterie 7 mindestens zugeführt werden muss. Dieser Energiegehalt bzw. Energieinhalt entspricht einem Nettoenergiewert Echarge,min. Die Ladezeit-Nebenbedingung Cduration beschreibt die Zeit, die dafür maximal verwendet werden darf. Der fünfte Verfahrensschritt 400 kann dabei insbesondere zeitgleich oder parallel zu dem dritten Verfahrensschritt 300 ablaufen. Weiterhin kann auch durch ein einmaliges Ausführen des Nebendingungs-Algorithmus` 27 sowohl die erste Ladezustand-Nebenbedingung CSOC1 als auch die erste Ladezeit-Nebenbedingung Cduration ermittelt werden.Analogously to the loading time, the
Aus den oben beschriebenen Nebenbedingungen CSOC1, CSOC2 und Cduration lässt sich ableiten, dass für eine Summe von N-1 zeitlichen, gleich langen Ladeabschnitten 28 eines zeitlich vorausliegenden Prädiktionshorizonts zwischen N Diskretisierungspunkten 29 (veranschaulicht in
- CSOC3:
- CSOC4:
- C SOC3 :
- C SOC4 :
Die dritte Ladezustand-Nebenbedingung CSOC3 unterbindet (wie die zweite Ladezustand-Nebenbedingung CSOC2), dass ein Ladestand von über 100% erreicht wird. Die dritte Ladezustand-Nebenbedingung CSOC3 kann zusätzlich oder alternativ zu der zweiten Ladezustand-Nebenbedingung CSOC2 vorgegeben werden. Durch die dritte Ladezustand-Nebenbedingung CSOC3 wird der MPC-Algorithmus 15 dahingehend eingeschränkt, die Batterie 7 nicht zu „überladen“. Die vierte Ladezustand-Nebenbedingung CSOC4 beschreibt, dass innerhalb des Ladehorizonts 30 mit der Dauer ttarget-tcurrent mindestens der vorstehend beschriebene Nettoenergiewert ECharge,min in die Batterie 7 geladen wird.The third state of charge secondary condition C SOC3 prevents (like the second state of charge secondary condition C SOC2 ) a charge level of over 100% from being reached. The third state of charge secondary condition C SOC3 can be specified in addition to or as an alternative to the second state of charge secondary condition C SOC2 . The third state-of-charge condition C SOC3 restricts the
Der Nutzer 25 des Fahrzeugs 1 kann einen minimalen SOC vorgeben, insbesondere den Zielladezustand SOCtarget, den er bei der nächsten Abfahrt vorfinden möchte („Wunsch bezüglich Abfahrtszustand“). Dieser minimal erwartete SOCtarget korrespondiert mit der minimal zuzuführenden Energie Echarge,min. Die Dauer zwischen dem Start der Ladung und der nächsten Abfahrt entspricht ttarget- tcurrent. Die vierte Ladezustand-Nebenbedingung CSOC4 besagt also, dass der MPC-Algorithmus 15 den Ladevorgang so planen muss, dass innerhalb von ttarget- tcurrent mindestens die Energiemenge Echarge,min geladen wird, sodass der oben genannte Wunsch des Nutzers erfüllt wird.The
Die dritte Ladezustand-Nebenbedingung CSOC3 und die vierte Ladezustand-Nebenbedingung CSOC4 werden bei jeder Ausführung des MPC-Algorithmus 15 berücksichtigt. Das bedeutet auch, dass sie jeweils neu durch den Nebenbedingungs-Algorithmus 27 berechnet werden müssen. So kann es sein, dass der aktuelle Ladezustand SOC-current in einer vorherigen Planung bei 50% lag, in einer aktuellen aber nunmehr bei 51% liegt. Demnach müssen die Formeln durch den Nebenbedingungs-Algorithmus 27 neu gelöst werden und die numerischen Ergebnisse als Beschränkung für den MPC-Algorithmus 15 vorliegen.The third state of charge constraint C SOC3 and the fourth state of charge constraint C SOC4 are taken into account each time the
Nachdem die Ladezustand-Nebenbedingungen CSOC1, CSOC2, CSOC3 und CSOC4 sowie die Ladezeit-Nebenbedingung Cduration festgelegt worden sind, führt die Prozessoreinheit 10 in einem sechsten Verfahrensschritt 600 den MPC-Algorithmus 15 aus. Dabei werden die Ladezustand-Nebenbedingungen CSOC1, CSOC2, CSOC3 und CSOC4 und die Ladezeit-Nebenbedingung Cduration als Beschränkungen des Lösungsraums prädizierter Ladevorgänge genutzt. Der MPC-Algorithmus 15 folgt dabei einem Gradientenbasierten Optimierungsprinzip und plant in der vorliegenden Anwendung eine Ladekurve der Batterie 7. Physikalisch bedeutet dies, dass der MPC-Algorithmus 15 einen Ladestrom ILoad der Batterie 7 vorgibt. Durch die häuslich verfügbare Spannung ULoad (i.d.R. 230V oder 400V, s.o.) ergibt sich aus dem Produkt von Ladestrom ILoad und Ladespannung ULoaddie Ladeleistung PLoad. Die Ladespannung ULoadliegt dabei an dem Ladekabel 19 an, sodass durch das Ladekabel 19 der Ladestrom ILoad fließt.After the charge state secondary conditions C SOC1 , C SOC2 , C SOC3 and C SOC4 as well as the charging time secondary condition C duration have been determined, the
Indem die Prozessoreinheit 10 den MPC-Algorithmus 15 ausführt, werden die Ladeströme ILoad ermittelt bzw. prädiziert. Mittels der prädizierten Ladeströme ILoad soll die Batterie 7 innerhalb eines zeitlich vorausliegenden Prädiktionshorizonts 30 zu N diskreten Zeitpunkten geladen werden. Der Prädiktionshorizont 30 setzt sich aus den einzelnen Ladeabschnitten 28 zusammen. Der Prädiktionshorizont 30 erstreckt sich bei jedem Aufruf des MPC-Algorithmus 15 jeweils zeitlich zwischen dem Ladeendzeitunkt ttarget und der jeweils aktuellen Uhrzeit tcurrent. Mit fortschreitender Zeit verkleinert sich der Prädiktionshorizont 30 somit stetig, womit auch die Frequenz der Diskretisierungspunkte 29 steigt und die zeitliche Länge der Ladeabschnitte 28 sinkt.By the
Das Ermitteln bzw. Prädizieren der Ladeströme ILoad erfolgt in Abhängigkeit von den durch Ausführen des Nebendingungs-Algorithmus` 14 ermittelten Nebenbedingungen CSOC1, CSOC3 und CSOC4 und Cduration, der vorgegebenen zweiten Ladezustand-Bedingung CSOC2, sowie unter Minimierung der Kostenfunktion 17 des MPC-Algorithmus' 15. Die geplante Ladekurve entspricht der Ladeleistung an den N verschiedenen Diskretisierungspunkten 29 über dem Prädiktionshorizont 30, bei dem es sich in dem vorliegenden Beispiel um einen Ladehorizont handelt. Der Ladehorizont 30 ist in dem gewählten Beispiel als der Zeitraum der Ladung definiert, d.h. er entspricht der Ladezeit-Nebenbedingung Cduration = ttarget- tcurrent. Die Diskretisierung des Ladehorizonts 30 erfolgt dabei in N-1 gleichverteilten Zeitabschnitten 28. Bei gleichbleibendem N werden diese Zeitabschnitte 28 mit fortlaufender bzw. fortschreitender Ladedauer also kleiner und das Optimierungsergebnis entsprechend genauer.The charging currents I Load are determined or predicted depending on the secondary conditions C SOC1 , C SOC3 and C SOC4 and C duration determined by executing the
Um eine Optimierung der Ladekurve durchführen zu können, enthält der MPC-Algorithmus 15 ein Optimierungsziel in Form der Kostenfunktion 17, die eine stetig differenzierbare Minimierungsfunktion ist. Grundsätzlich gilt hierfür das Ziel der Kostenminimierung. Da die Kosten sich in diesem Fall auf die anfallenden Stromkosten des Haushalts und des Ladevorgangs beziehen, gilt für die zu minimierende Kostenfunktion 17 bzw. fmin Folgendes:
Die Größe Ihouse,demand,i beschreibt hierbei den mittleren Strombedarf des Hauses 2, der zum Zeitpunkt i für die Dauer eines folgenden Diskretisierungsabschnitts anfällt. Die Größe Isupply,i beschreibt den mittleren Strom, der von einem oben genannten Stromlieferanten im gleichen Zeitraum geliefert werden kann. Beide dieser Größen sind das Ergebnis eines Prädiktionsmodells, das sich üben den Ladehorizont ttarget- tcurrent erstreckt.The size I house,demand,i describes the average electricity requirement of
Letztlich gilt folgende Constraint bzw. Nebenbedingung für die drei Stromstärken: ILoad,i + Ihouse,demand,i - Isupply ≤ x. Der Wert x beschreibt dabei einen Stromgrenzwert, der die maximal technisch einstellbare Stromstärke eines Stromanschlusses des Hauses 2 darstellt. Diese Stromstärken-Nebenbedingung kann als weitere Nebenbedingung bei der Ermittlung der Ladekurve berücksichtigt werden.Ultimately, the following constraint or additional condition applies to the three current levels: I Load,i + I house,demand,i - I supply ≤ x. The value x describes a current limit value, which represents the maximum technically adjustable current strength of a power connection in the
Mit Hilfe der oben beschriebenen Kostenfunktion 17, kann der MPC-Solver nun jegliche mögliche Ladekurven hinsichtlich deren Kostenoptimalität abtesten. Der Optimierungsraum wird mathematisch durch die beschriebenen Constraints bzw. Nebenbedingungen beschnitten, wodurch sichergestellt wird, dass die gefundene optimale Ladekurve sowohl physikalisch korrekt als auch logisch umsetzbar ist. Die vorstehend beschriebenen Verfahrensschritte (ohne das Eingeben der Daten mittels der Mensch-Maschine-Schnittstelle 24) werden dabei fortlaufend und zyklisch wiederholt.With the help of the
BezugszeichenReference symbols
- CSOC1CSOC1
- erste Ladezustand-Nebenbedingungfirst state of charge secondary condition
- CSOC2CSOC2
- zweite Ladezustand-Nebenbedingungsecond state of charge secondary condition
- CdurationCduration
- Ladezeit-NebenbedingungLoading time constraint
- ILoadILoad
- Ladestromcharging current
- SOCcurrentSOCcurrent
- aktueller Ladezustandcurrent charging status
- SOCtargetSOCtarget
- ZielladezustandTarget state of charge
- SOCmaxSOC max
- maximaler Ladezustandmaximum charge level
- tcurrenttcurrent
- aktueller Zeitpunktcurrent time
- ttargetttarget
- LadeendzeitpunktLoading end time
- ULoadULoad
- Ladespannung charging voltage
- 11
- Fahrzeugvehicle
- 22
- HausHouse
- 33
- häusliche Ladeeinheitdomestic charging unit
- 44
- System zur modelbasierten prädiktiven RegelungSystem for model-based predictive control
- 55
- AntriebsstrangDrivetrain
- 66
- elektrische Maschineelectric machine
- 77
- Batteriebattery
- 88th
- Getriebetransmission
- 99
- VerbrennungskraftmotorInternal combustion engine
- 1010
- ProzessoreinheitProcessor unit
- 1111
- SpeichereinheitStorage unit
- 1212
- Kommunikations-SchnittstelleCommunication interface
- 1313
- ErfassungseinheitAcquisition unit
- 1414
- ComputerprogrammproduktComputer program product
- 1515
- MPC-AlgorithmusMPC algorithm
- 1616
- Lademodellcharging model
- 1717
- KostenfunktionCost function
- 1818
- SteuerungseinheitControl unit
- 1919
- elektrisches Ladekabelelectric charging cable
- 2020
- elektrischer Ladeanschlusselectrical charging port
- 2121
- StromeingangsanschlussPower input connection
- 2222
- Stromleitungpower line
- 2323
- StromerzeugungsanlageElectricity generating plant
- 2424
- Mensch-Maschine-SchnittstelleHuman-machine interface
- 2525
- NutzerUser
- 2727
- Nebenbedingungs-AlgorithmusConstraint Algorithm
- 2828
- Ladeabschnitteloading sections
- 2929
- DiskretisierungspunktDiscretization point
- 3030
- Prädiktionshorizont Prediction horizon
- 100100
- erster Verfahrensschrittfirst step of the process
- 200200
- zweiter Verfahrensschrittsecond procedural step
- 300300
- dritter Verfahrensschrittthird step of the process
- 400400
- vierter Verfahrensschrittfourth step of the process
- 500500
- fünfter Verfahrensschrittfifth procedural step
- 600600
- sechster Verfahrensschrittsixth procedural step
Claims (13)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022202373.0A DE102022202373A1 (en) | 2022-03-10 | 2022-03-10 | Model-based predictive control of a battery charging process |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022202373.0A DE102022202373A1 (en) | 2022-03-10 | 2022-03-10 | Model-based predictive control of a battery charging process |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022202373A1 true DE102022202373A1 (en) | 2023-09-14 |
Family
ID=87759888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022202373.0A Pending DE102022202373A1 (en) | 2022-03-10 | 2022-03-10 | Model-based predictive control of a battery charging process |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102022202373A1 (en) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019126806A1 (en) | 2017-12-22 | 2019-06-27 | The Regents Of The University Of California | Design and control of electric vehicle charging infrastructure |
US20190217739A1 (en) | 2018-01-12 | 2019-07-18 | Johnson Controls Technology Company | Building energy optimization system with battery powered vehicle cost optimization |
WO2019153305A1 (en) | 2018-02-11 | 2019-08-15 | Abb Schweiz Ag | Charging station and method and device for controlling charging station |
CN111884214A (en) | 2020-07-28 | 2020-11-03 | 国网浙江省电力有限公司 | Hierarchical optimization scheduling method and device suitable for park energy router cluster |
DE102019219233A1 (en) | 2019-12-10 | 2021-06-10 | Zf Friedrichshafen Ag | MPC-based trajectory determination for a first vehicle using trajectory information about a second vehicle |
-
2022
- 2022-03-10 DE DE102022202373.0A patent/DE102022202373A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019126806A1 (en) | 2017-12-22 | 2019-06-27 | The Regents Of The University Of California | Design and control of electric vehicle charging infrastructure |
US20190217739A1 (en) | 2018-01-12 | 2019-07-18 | Johnson Controls Technology Company | Building energy optimization system with battery powered vehicle cost optimization |
WO2019153305A1 (en) | 2018-02-11 | 2019-08-15 | Abb Schweiz Ag | Charging station and method and device for controlling charging station |
DE102019219233A1 (en) | 2019-12-10 | 2021-06-10 | Zf Friedrichshafen Ag | MPC-based trajectory determination for a first vehicle using trajectory information about a second vehicle |
CN111884214A (en) | 2020-07-28 | 2020-11-03 | 国网浙江省电力有限公司 | Hierarchical optimization scheduling method and device suitable for park energy router cluster |
Non-Patent Citations (1)
Title |
---|
C. Diaz, A. Mazza, F. Ruiz, D. Patino and G. Chicco, "Understanding Model Predictive Control for Electric Vehicle Charging Dispatch," 2018 53rd International Universities Power Engineering Conference (UPEC), 2018, pp. 1-6 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102020103102A1 (en) | SYSTEM AND PROCEDURE FOR CHARGING A FLEET OF BATTERY ELECTRIC VEHICLES | |
DE102006026404A1 (en) | Energy coordinator for an electrical network | |
DE102008047380B4 (en) | Method for the management of torque inputs in an electromechanical transmission | |
DE102014222059A1 (en) | OPTIMUM ELECTRIC AND HYBRID ELECTRIC VEHICLE CONTROL WITH ROUTINE FORECASTING IN THE SPACE DOMAIN | |
DE102015203280A1 (en) | Hybrid powertrain mode determination based on spatial link segmentation | |
DE102008017556A1 (en) | A charge / discharge control device for a hybrid vehicle and a control program device therefor | |
DE102019206186A1 (en) | Electric vehicle reservation charging system and method | |
DE102014222007A1 (en) | PHEV power management control with trip-oriented energy consumption planning | |
DE102012000442A1 (en) | Method and device for managing electrical power in a vehicle | |
DE112010001966T5 (en) | Method and system for generating revenue using an energy system | |
DE102005058676A1 (en) | Device and method for power control for an electrical system of a vehicle | |
EP2884620B1 (en) | Method for the charging of batteries and converter for charging | |
WO2019243276A1 (en) | Method for ascertaining an advisory speed for an electrically driven vehicle | |
DE102018103196A1 (en) | CONTROLLING A REDUNDANT PERFORMANCE ARCHITECTURE FOR A VEHICLE | |
DE102015100283A1 (en) | Interference injection for the identification of battery parameters | |
DE102013014667A1 (en) | Method for the application of the control of the drive of a hybrid vehicle | |
DE102015224089A1 (en) | System and method for controlling torque distribution of a hybrid electric vehicle | |
DE102015115097A1 (en) | Prediction of the distance to recharge for vehicles | |
DE102018127472A1 (en) | Method for preparing to charge a battery | |
DE102022202373A1 (en) | Model-based predictive control of a battery charging process | |
DE102013213253A1 (en) | Method and system for minimizing power losses in an energy storage device | |
DE102017123033A1 (en) | SYSTEM AND METHOD FOR CONTROLLING ELECTRIC VEHICLES | |
DE102017212659A1 (en) | Method for operating an electrical overall on-board network, control unit and motor 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 | |
DE102020215635A1 (en) | METHOD AND DEVICE FOR CONTROLLING CHARGING OF A VEHICLE BATTERY |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication |