DE102023122897A1 - Method for predicting the power requirements of auxiliary units of a vehicle - Google Patents
Method for predicting the power requirements of auxiliary units of a vehicle Download PDFInfo
- Publication number
- DE102023122897A1 DE102023122897A1 DE102023122897.8A DE102023122897A DE102023122897A1 DE 102023122897 A1 DE102023122897 A1 DE 102023122897A1 DE 102023122897 A DE102023122897 A DE 102023122897A DE 102023122897 A1 DE102023122897 A1 DE 102023122897A1
- Authority
- DE
- Germany
- Prior art keywords
- vehicle
- classification parameter
- auxiliary units
- power requirement
- data
- 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 30
- 230000007613 environmental effect Effects 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 238000010438 heat treatment Methods 0.000 claims description 5
- 238000004378 air conditioning Methods 0.000 claims description 4
- 238000009423 ventilation Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- 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
- B60L1/00—Supplying electric power to auxiliary equipment of vehicles
- B60L1/003—Supplying electric power to auxiliary equipment of vehicles to auxiliary motors, e.g. for pumps, compressors
-
- 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
- B60L1/00—Supplying electric power to auxiliary equipment of vehicles
- B60L1/02—Supplying electric power to auxiliary equipment of vehicles to electric heating circuits
- B60L1/04—Supplying electric power to auxiliary equipment of vehicles to electric heating circuits fed by the power supply line
-
- 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
- B60L2240/10—Vehicle control parameters
- B60L2240/34—Cabin temperature
-
- 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
- B60L2240/60—Navigation input
- B60L2240/66—Ambient conditions
- B60L2240/662—Temperature
-
- 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
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
-
- 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
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/54—Energy consumption estimation
Abstract
Die Erfindung betrifft ein Verfahren zur Vorhersage eines Leistungsbedarfs (PN,1) von Nebenaggregaten eines Fahrzeugs, ein zum Ausführen des Verfahrens eingerichtetes Steuergerät sowie ein Computerprogrammprodukt. Das Verfahren umfasst die Schritte:- Erfassen von Fahrzeugbetriebsdaten (B) und Umgebungsdaten (U);- Bereitstellen einer Mehrzahl von Vorhersagemodellen für den Leistungsbedarf (PN,1) der Nebenaggregate, wobei die Vorhersagemodelle über Wertebereiche (KM,1) eines ersten Klassifizierungsparameters klassifiziert sind, wobei ein aktueller Wert (KA,1) des ersten Klassifizierungsparameters Bestandteil der erfassten Fahrzeugbetriebsdaten (B) oder Umgebungsdaten (U) ist und wobei die Fahrzeugbetriebsdaten (B), die Umgebungsdaten (U) sowie eine vorhergesagte Geschwindigkeit (v̂) als Eingangsdaten der Vorhersagemodelle dienen;- Auswählen des Vorhersagemodells, dessen Wertebereich (KM,1) des ersten Klassifizierungsparameters den aktuellen Wert (KA,1) des ersten Klassifizierungsparameters beinhaltet;- Vorhersagen des Leistungsbedarfs (PN,1) der Nebenaggregate für eine vorausliegende Fahrstrecke oder für einen zukünftigen Zeitraum mittels des ausgewählten Vorhersagemodells.The invention relates to a method for predicting a power requirement (PN,1) of auxiliary units of a vehicle, a control device set up to carry out the method and a computer program product. The method includes the steps: - Acquiring vehicle operating data (B) and environmental data (U); - Providing a plurality of prediction models for the power requirement (PN,1) of the auxiliary units, the prediction models being classified via value ranges (KM,1) of a first classification parameter are, wherein a current value (KA,1) of the first classification parameter is part of the recorded vehicle operating data (B) or environmental data (U) and wherein the vehicle operating data (B), the environmental data (U) and a predicted speed (v̂) as input data of the Prediction models serve; - Selecting the prediction model whose value range (KM,1) of the first classification parameter includes the current value (KA,1) of the first classification parameter; - Predicting the power requirement (PN,1) of the auxiliary units for a previous route or for a future one Period using the selected forecast model.
Description
Die Erfindung betrifft ein Verfahren zur Vorhersage eines Leistungsbedarfs von Nebenaggregaten eines Fahrzeugs, ein zum Ausführen des Verfahrens eingerichtetes Steuergerät sowie ein Computerprogrammprodukt.The invention relates to a method for predicting a power requirement of auxiliary units of a vehicle, a control device set up to carry out the method and a computer program product.
Aus der
Das erfindungsgemäße Verfahren zur Vorhersage eines Leistungsbedarfs (PN,1) eines oder mehrerer Nebenaggregate eines Fahrzeugs umfasst die Schritte:
- - Erfassen von Fahrzeugbetriebsdaten (B) und Umgebungsdaten (U);
- - Bereitstellen einer Mehrzahl von Vorhersagemodellen für den Leistungsbedarf (PN,1) der Nebenaggregate, wobei die Vorhersagemodelle über Wertebereiche (KM,1) eines ersten Klassifizierungsparameters klassifiziert sind, wobei ein aktueller Wert (KA,1) des ersten Klassifizierungsparameters Bestandteil der erfassten Fahrzeugbetriebsdaten (B) oder Umgebungsdaten (U) ist und wobei die Fahrzeugbetriebsdaten (B), die Umgebungsdaten (U) sowie eine vorhergesagte Geschwindigkeit (v̂) als Eingangsdaten der Vorhersagemodelle dienen;
- - Auswählen des Vorhersagemodells, dessen Wertebereich (KM,1) des ersten Klassifizierungsparameters den aktuellen Wert (KA,1) des ersten Klassifizierungsparameters beinhaltet;
- - Vorhersagen des Leistungsbedarfs (PN,1) der Nebenaggregate für eine vorausliegende Fahrstrecke oder für einen zukünftigen Zeitraum mittels des ausgewählten Vorhersagemodells.
- - Acquiring vehicle operating data (B) and environmental data (U);
- - Providing a plurality of prediction models for the power requirement (P N,1 ) of the auxiliary units, the prediction models being classified over value ranges (K M,1 ) of a first classification parameter, a current value (K A,1 ) of the first classification parameter being part of the captured vehicle operating data (B) or environmental data (U) and wherein the vehicle operating data (B), the environmental data (U) and a predicted speed (v̂) serve as input data of the prediction models;
- - Selecting the prediction model whose value range (K M,1 ) of the first classification parameter includes the current value (K A,1 ) of the first classification parameter;
- - Predictions of the power requirement (P N,1 ) of the auxiliary units for a route ahead or for a future period using the selected prediction model.
Durch die Vorhersage des Leistungsbedarfs der Nebenaggregate des Fahrzeugs ermöglicht das erfindungsgemäße Verfahren eine präzisere Vorhersage des gesamten Leistungsbedarfs des Fahrzeugs, eine verbesserte Reichenweitenbestimmung sowie präzisere Resultate für andere langfristige Vorhersagefunktionen, wie bspw. die Planung von Maßnahmen des Wärmemanagements.By predicting the power requirement of the vehicle's auxiliary units, the method according to the invention enables a more precise prediction of the vehicle's total power requirement, an improved range determination and more precise results for other long-term prediction functions, such as the planning of thermal management measures.
Die Verwendung mehrerer Vorhersagemodelle ermöglicht eine bessere Berücksichtigung saisonaler Effekte. Da die Vorhersage des Leistungsbedarfs in Abhängigkeit von den Randbedingungen über verschiedene Modelle erfolgt, wird vorteilhafterweise eine Überanpassung der Modelle verhindert. Zu einer solchen Überanpassung könnte es insbesondere kommen, wenn ein einziges Vorhersagemodell über einen längeren Zeitraum mit ähnlichen Randbedingungen trainiert wird. Treten schließlich doch veränderte Randbedingungen auf, ist ein überangepasstes Vorhersagemodell nicht in der Lage, eine ausreichend genaue Vorhersage zu liefern.Using multiple forecast models allows for better consideration of seasonal effects. Since the power requirement is predicted using different models depending on the boundary conditions, overfitting of the models is advantageously prevented. Such overfitting could occur in particular if a single prediction model is trained over a longer period of time with similar boundary conditions. If changed boundary conditions eventually occur, an overfitted prediction model is unable to provide a sufficiently accurate prediction.
Vorzugsweise handelt es sich bei den Vorhersagemodellen um Regressionsmodelle, für die in einem Trainingsmodus folgende Schritte durchgeführt werden:
- - Bestimmen des tatsächlichen Leistungsbedarfs (PN,0) von Nebenaggregaten des Fahrzeugs;
- - Erfassen von Fahrzeugbetriebsdaten (B) und Umgebungsdaten (U), umfassend einen tatsächlichen Wert (KA,2) eines zweiten Klassifizierungsparameters;
- - Auswählen des Vorhersagemodells, dessen Wertebereich (KM,2) des zweiten Klassifizierungsparameters mit dem tatsächlichen Wert (KA,2) des zweiten Klassifizierungsparameters übereinstimmt, als zu trainierendes Vorhersagemodell;
- - Trainieren des ausgewählten Vorhersagemodells mittels des tatsächlichen Leistungsbedarfs (PN,0), der Fahrzeugbetriebsdaten (B), der Umgebungsdaten (U) und der tatsächlichen Fahrzeuggeschwindigkeit (v).
- - Determining the actual power requirement (P N,0 ) of the vehicle’s accessories;
- - collecting vehicle operating data (B) and environmental data (U), comprising an actual value (K A,2 ) of a second classification parameter;
- - selecting the prediction model whose value range (K M,2 ) of the second classification parameter corresponds to the actual value (K A,2 ) of the second classification parameter as the prediction model to be trained;
- - Training the selected prediction model using the actual power demand (P N,0 ), the vehicle operating data (B), the environmental data (U) and the actual vehicle speed (v).
Die Schritte des Auswählens des zu trainierenden Vorhersagemodells über den zweiten Klassifizierungsparameter und des Trainierens des ausgewählten Vorhersagemodells mittels der genannten Größen (tatsächlicher Leistungsbedarf, Fahrzeugbetriebsdaten, Umgebungsdaten und aktuelle Fahrzeuggeschwindigkeit) ermöglichen, dass nur das für die jeweiligen Randbedingungen vorgesehene Vorhersagemodell trainiert wird und das Vorhersagemodell auf realen Daten beruht.The steps of selecting the prediction model to be trained via the second classification parameter and training the selected prediction model using the variables mentioned (actual power requirement, vehicle operating data, environmental data and current vehicle speed) enable only the prediction model intended for the respective boundary conditions to be trained and the prediction model based on real data.
Ein Einsatz des Trainingsmodus kann beispielsweise am Ende jeder Fahrt, in festgelegten zeitlichen Abständen, nach Zurücklegen einer bestimmten Strecke oder in Abhängigkeit von anderen Parametern erfolgen. Ein häufiges und regelmäßiges Trainieren steigert generell die Genauigkeit der Vorhersagemodelle.The training mode can be used, for example, at the end of each trip, at fixed intervals, after covering a certain distance or depending on other parameters. Frequent and regular training generally increases the accuracy of the prediction models.
Vorzugsweise werden die zeitlichen Verläufe des tatsächlichen Leistungsbedarfs (PN,0), der erfassten Fahrzeugbetriebsdaten (B), der Umgebungsdaten (U) und der tatsächlichen Fahrzeuggeschwindigkeit (v) während des Betriebs des Fahrzeugs ermittelt und zwischengespeichert und bei einem Einsatz des Trainingsmodus zum Trainieren der Vorhersagemodelle verwendet. Entsprechend steht eine große Datenmenge zum Trainieren der Modelle zur Verfügung und es können, bei sich verändernden Bedingungen, auch mehrere Vorhersagemodelle während eines einzigen Einsatzes des Trainingsmodus trainiert werden.Preferably, the time profiles of the actual power requirement (P N,0 ), the recorded vehicle operating data (B), the environmental data (U) and the actual vehicle speed (v) are determined and temporarily stored during operation of the vehicle and for training when the training mode is used the prediction models used. Accordingly, a large amount of data is available for training the models and, if conditions change, several prediction models can be trained during a single use of the training mode.
Grundsätzlich kann jedes mathematische oder statistische Modell, mit dessen Hilfe aus Eingangsvariablen (hier: Fahrzeugbetriebsdaten und Umgebungsdaten) auf Zielvariablen (hier: Leistungsbedarf von Nebenaggregaten) geschlossen werden kann, als Regressionsmodell eingesetzt werden. Dazu zählen bspw. Entscheidungsbaummodelle, Gauß-Prozess-Regressionsmodelle, künstliche neuronale Netze und multivariate polynomiale Regressionsmodelle.In principle, any mathematical or statistical model that can be used to draw conclusions from input variables (here: vehicle operating data and environmental data) to target variables (here: power requirements of auxiliary units) can be used as a regression model. These include, for example, decision tree models, Gaussian process regression models, artificial neural networks and multivariate polynomial regression models.
In einer bevorzugten Ausführung des Verfahrens wird im Rahmen des Trainierens der Vorhersagemodelle der tatsächliche Leistungsbedarf (PN,0) der Nebenaggregate aus der Differenz einer Leistung (PB) einer Batterie des Fahrzeugs und eines Leistungsbedarfs (PD) eines Antriebsstrangs des Fahrzeugs bestimmt. Dies ermöglicht eine einfache, aber zuverlässige Berechnung des tatsächlichen Leistungsbedarfs der Nebenaggregate. In alternativen Ausführungen sind die einzelnen Nebenaggregate dazu eingerichtet, ihren tatsächlichen Leistungsbedarf zu ermitteln und direkt an eine Recheneinheit zu übermitteln, bspw. über ein CAN-System.In a preferred embodiment of the method, as part of training the prediction models, the actual power requirement (P N,0 ) of the auxiliary units is determined from the difference between a power (P B ) of a battery of the vehicle and a power requirement (P D ) of a drive train of the vehicle. This enables a simple but reliable calculation of the actual power requirements of the auxiliary units. In alternative versions, the individual auxiliary units are set up to determine their actual power requirements and transmit them directly to a computing unit, for example via a CAN system.
Die Nebenaggregate umfassen vorzugsweise eines oder mehrere der folgenden Systeme: ein Heizungs-, Lüftungs- und Klimatisierungssystem (HVAC-System), eine Fahrzeugbeleuchtung, eine Einrichtung zur Lenkkraftunterstützung, eine Vakuumpumpe, ein Scheibenwischermotor, eine Sensorik, ein Bordcomputer, ein Multimediasystem.The auxiliary units preferably include one or more of the following systems: a heating, ventilation and air conditioning system (HVAC system), vehicle lighting, a power steering device, a vacuum pump, a windshield wiper motor, a sensor system, an on-board computer, a multimedia system.
Die Fahrzeugbetriebsdaten (B) umfassen bevorzugt einen oder mehrere der folgenden Parameter: verstrichene Zeit seit Beginn der aktuellen Fahrt, Fahrzeuggeschwindigkeit, Fahrereinstellungen der Nebenaggregate, Anzahl der Insassen, Innenraumtemperatur.The vehicle operating data (B) preferably includes one or more of the following parameters: elapsed time since the start of the current journey, vehicle speed, driver settings of the auxiliary units, number of occupants, interior temperature.
Die Fahrereinstellungen der Nebenaggregate können beispielhaft eine Zielinnenraumtemperatur des HVAC-Systems, Einstellungen einer Sitzheizung oder Sitzkühlung, Einstellungen der Betriebsart des HVAC-Systems oder Einstellungen einer Scheibenheizung umfassen.The driver settings of the auxiliary units can include, for example, a target interior temperature of the HVAC system, settings for seat heating or seat cooling, settings for the operating mode of the HVAC system or settings for a window heater.
Zu den Einstellungen der Betriebsart des HVAC-Systems zählen beispielhaft die Wahl eines Umluftbetriebes oder eines Außenluftbetriebes, sowie der Zustand (eingeschalteter oder ausgeschalteter Zustand, Intensitätsstufe) einzelner Lüfter.The settings for the operating mode of the HVAC system include, for example, the choice of recirculation mode or outside air mode, as well as the status (switched on or switched off, intensity level) of individual fans.
Die Umgebungsdaten (U) umfassen vorzugsweise einen oder mehrere der folgenden Parameter: Umgebungstemperatur, Luftfeuchtigkeit, Bestrahlungsstärke, Sichtverhältnisse, Niederschlagsintensität.The environmental data (U) preferably includes one or more of the following parameters: ambient temperature, air humidity, irradiance, visibility, precipitation intensity.
In bevorzugten Ausführungen des Verfahrens ist der erste Klassifizierungsparameter gleich dem zweiten Klassifizierungsparameter, in besonders bevorzugten Ausführungen handelt es sich bei dem ersten und zweiten Klassifizierungsparameter um die Umgebungstemperatur TEnv. Die Umgebungstemperatur TEnv ist einer der größten Einflussfaktoren auf den Leistungsbedarf der Nebenaggregate und daher als Klassifizierungsparameter besonders geeignet.In preferred embodiments of the method, the first classification parameter is equal to the second classification parameter; in particularly preferred embodiments, the first and second classification parameters are the ambient temperature T Env . The ambient temperature T Env is one of the largest influencing factors on the power requirement of the auxiliary units and is therefore particularly suitable as a classification parameter.
Alternativ werden für den ersten und zweiten Klassifizierungsparameter unterschiedliche Größen verwendet. Generell kommt eine Vielzahl von Parametern der Umgebungsdaten oder Fahrzeugbetriebsdaten für den ersten und zweiten Klassifizierungsparameter in Frage. Weiterhin ist es möglich, dass der erste oder zweite Klassifizierungsparameter mehrere physikalische Größen umfassen, bspw. die Umgebungstemperatur TEnv und die relative Luftfeuchtigkeit φ. Möglich ist es auch, dass der erste und zweite Klassifizierungsparameter aus einer Kombination mehrerer physikalischer Größen resultieren, bspw. aus dem Produkt der Umgebungstemperatur TEnv und einer weiteren Größe der Umgebungsdaten.Alternatively, different sizes are used for the first and second classification parameters. In general, a large number of parameters of the environmental data or vehicle operating data come into question for the first and second classification parameters. Furthermore, it is possible for the first or second classification parameters to include several physical variables, for example the ambient temperature T Env and the relative air humidity φ. It is also possible for the first and second classification parameters to result from a combination of several physical quantities, for example from the product of the ambient temperature T Env and another quantity of the ambient data.
Ein erfindungsgemäßes Steuergerät ist zum Ausführen des erfindungsgemäßen Verfahrens eingerichtet.A control device according to the invention is set up to carry out the method according to the invention.
Ein erfindungsgemäßes Computerprogrammprodukt umfasst Befehle, die bei der Ausführung des Programms durch ein Steuergerät dieses veranlassen, das erfindungsgemäße Verfahren auszuführen.A computer program product according to the invention comprises commands which, when the program is executed by a control device, cause it to carry out the method according to the invention.
Bevorzugte Ausführungsbeispiele werden anhand der folgenden Figuren näher erläutert. Dabei zeigt
-
1 schematisch ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens und -
2 schematisch das Prinzip des Trainingsmodus.
-
1 schematically an exemplary embodiment of the method according to the invention and -
2 schematically the principle of the training mode.
Das Verfahren umfasst den Schritt des Erfassens von Fahrzeugbetriebsdaten (B) 20 und Umgebungsdaten (U) 10. In dieser Ausführungsform umfassen die Umgebungsdaten (U) 10 beispielhaft eine Umgebungstemperatur TEnv, eine Bestrahlungsstärke der Sonne qSun und eine relative Luftfeuchtigkeit φrel. Die Fahrzeugbetriebsdaten (B) 20 umfassen beispielhaft eine Zielinnenraumtemperatur TTgt und ein Parameter bSH zur Beschreibung der Einstellung einer Sitzheizung.The method includes the step of acquiring vehicle operating data (B) 20 and environmental data (U) 10. In this embodiment, the environmental data (U) 10 includes, for example, an ambient temperature T Env , a solar irradiance q Sun and a relative air humidity φ rel . The vehicle operating data (B) 20 includes, for example, a target interior temperature T Tgt and a parameter b SH for describing the setting of a seat heating.
Eine Mehrzahl von Vorhersagemodellen 50 für den Leistungsbedarf (PN,1) der Nebenaggregate wird bereitgestellt. Im Ausführungsbeispiel sind dies vier Vorhersagemodelle 50 (Ma, Mb, Mc, Md). Die Vorhersagemodelle 50 sind über Wertebereiche (KM,1) eines ersten Klassifizierungsparameters klassifiziert, wobei ein aktueller Wert (KA,1) des ersten Klassifizierungsparameters Bestandteil der erfassten Fahrzeugbetriebsdaten (B) 20 oder Umgebungsdaten (U) 10 ist und wobei die Fahrzeugbetriebsdaten (B) 20, die Umgebungsdaten (U) 10 sowie eine vorhergesagte Geschwindigkeit (v̂) als Eingangsdaten der Vorhersagemodelle 50 dienen. Im Ausführungsbeispiel handelt es sich bei dem ersten Klassifizierungsparameter um die Umgebungstemperatur TEnv. Die Wertebereiche (KM,1) des ersten Klassifizierungsparameters betragen:
Die Vorhersage der Fahrzeuggeschwindigkeit v̂ in Schritt 30 erfolgt beispielhaft auf Basis einer in einem Navigationssystem des Fahrzeugs eingestellten Strecke sowie auf Basis von Informationen zu Geschwindigkeitsbegrenzungen, Verkehrszeichen, Lichtsignalanlagen, Verkehrsaufkommen, Umgebungsbedingungen, Geschwindigkeit anderer Fahrzeuge, Streckentopologie und Fahrverhalten des Fahrzeugführers.The prediction of the vehicle speed v̂ in
In einem Schritt 40 erfolgt ein Auswählen des Vorhersagemodells 51, dessen Wertebereich (KM,1) des ersten Klassifizierungsparameters den aktuellen Wert (KA,1) des ersten Klassifizierungsparameters beinhaltet. Bezogen auf das Ausführungsbeispiel wird also die aktuelle Umgebungstemperatur TEnv, die beispielhaft 17°C beträgt, mit den Wertebereichen der vier Vorhersagemodelle 50 verglichen und das passende Modell 51 ausgewählt, in diesem Fall Modell Mc.In a
Als weiterer Schritt im Verfahren erfolgt ein Vorhersagen des Leistungsbedarfs (PN,1) der Nebenaggregate für eine vorausliegende Fahrstrecke oder für einen zukünftigen Zeitraum mittels des ausgewählten Vorhersagemodells 51.As a further step in the method, the power requirement (P N,1 ) of the auxiliary units is predicted for a route ahead or for a future period using the selected
Das Verfahren kann kontinuierlich oder in diskreten Zeitabständen erfolgen, um ein akkurates Vorhersagen des Leistungsbedarfs (PN,1) der Nebenaggregate zu ermöglichen.The process can be carried out continuously or at discrete time intervals in order to enable accurate prediction of the power requirements (P N,1 ) of the auxiliary units.
Der Einsatz des Trainingsmodus erfolgt im Ausführungsbeispiel am Ende jeder Fahrt oder einmal pro Stunde, abhängig davon, welche Bedingung zuerst eintritt.In the exemplary embodiment, the training mode is used at the end of each trip or once per hour, depending on which condition occurs first.
Im Trainingsmodus erfolgt in einem Schritt das Bestimmen des tatsächlichen Leistungsbedarfs (PN,0) von Nebenaggregaten des Fahrzeugs. Im Ausführungsbeispiel wird der tatsächliche Leistungsbedarf (PN,0) der Nebenaggregate aus der Differenz einer Leistung (PB) 80 einer Batterie des Fahrzeugs und eines Leistungsbedarfs (PD) 90 eines Antriebsstrangs des Fahrzeugs bestimmt.In training mode, the actual power requirement (P N,0 ) of the vehicle's auxiliary units is determined in one step. In the exemplary embodiment, the actual power requirement (P N,0 ) of the auxiliary units is determined from the difference between a power (P B ) 80 of a battery of the vehicle and a power requirement (P D ) 90 of a drive train of the vehicle.
Auch im Trainingsmodus werden die Fahrzeugbetriebsdaten (B) 20 und die Umgebungsdaten (U) 10 erfasst. Diese umfassen einen tatsächlichen Wert (KA,2) eines zweiten Klassifizierungsparameters. Im Ausführungsbeispiel handelt es sich beim zweiten Klassifizierungsparameter um die Umgebungstemperatur TEnv. Entsprechend ist der zweite Klassifizierungsparameter im Ausführungsbeispiel gleich dem ersten Klassifizierungsparameter. Die Wertebereiche (KM,2) des zweiten Klassifizierungsparameters betragen, analog zum ersten Klassifizierungsparameter:
In alternativen Ausführungen können sich die Wertebereiche (KM,2) des zweiten Klassifizierungsparameters von den Wertebereichen (KM,1) des ersten Klassifizierungsparameters unterscheiden, auch wenn für den ersten und zweiten Klassifizierungsparameter die gleiche physikalische Größe verwendet wird.In alternative embodiments, the value ranges (K M,2 ) of the second classification parameter can differ from the value ranges (K M,1 ) of the first classification parameter, even if the same physical quantity is used for the first and second classification parameters.
In weiteren alternativen Ausführungen des Verfahrens werden für den ersten und zweiten Klassifizierungsparameter unterschiedliche Größen herangezogen, bspw. die Umgebungstemperatur TEnv als erster Klassifizierungsparameter und die relative Luftfeuchtigkeit φrel als zweiter Klassifizierungsparameter.In further alternative embodiments of the method, different variables are used for the first and second classification parameters, for example the ambient temperature T Env as the first classification parameter and the relative air humidity φ rel as the second classification parameter.
In einem weiteren Schritt des Trainingsmodus erfolgt ein Auswählen des Vorhersagemodells 51 aus der Mehrzahl von Vorhersagemodellen 50, dessen Wertebereich (KM,2) des zweiten Klassifizierungsparameters mit dem tatsächlichen Wert (KA,2) des zweiten Klassifizierungsparameters übereinstimmt, als zu trainierendes Vorhersagemodell 51.In a further step of the training mode, the
Mittels des tatsächlichen Leistungsbedarfs (PN,0), der Fahrzeugbetriebsdaten (B) 20, der Umgebungsdaten (U) 10 und der tatsächlichen Fahrzeuggeschwindigkeit (v) 60 erfolgt das Trainieren des ausgewählten Vorhersagemodells 51.The selected
Dafür werden im Ausführungsbeispiel die zeitlichen Verläufe des tatsächlichen Leistungsbedarfs (PN,0), der Fahrzeugbetriebsdaten (B) 20, der Umgebungsdaten (U) 10 und der tatsächlichen Fahrzeuggeschwindigkeit (v) 60 während des Betriebs des Fahrzeugs ermittelt und zwischengespeichert. Das Trainieren erfolgt beispielhaft, indem die zeitlichen Verläufe in diskrete Zeitpunkte überführt werden und diese dem - für den jeweiligen Zeitpunkt passenden - Vorhersagemodell als Eingangsdaten zugeführt werden. Darauf basierend wird das Vorhersagemodell, in welchem der Leistungsbedarf die abhängige Variable darstellt und die übrigen Größen die unabhängigen Variablen darstellen, erstellt (bei einem ersten Trainieren der Vorhersagemodelle) bzw. optimiert.For this purpose, in the exemplary embodiment, the time profiles of the actual power requirement (P N,0 ), the vehicle operating data (B) 20, the environmental data (U) 10 and the actual vehicle speed (v) 60 are determined and temporarily stored during operation of the vehicle. The training is carried out, for example, by converting the time progressions into discrete points in time and feeding them as input data to the prediction model - suitable for the respective point in time. Based on this, the prediction model, in which the power requirement represents the dependent variable and the other variables represent the independent variables, is created (when the prediction models are first trained) or optimized.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
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.This list of documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- EP 2600106 A1 [0002]EP 2600106 A1 [0002]
Claims (10)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022124335.4A DE102022124335A1 (en) | 2022-09-22 | 2022-09-22 | Method for predicting the power requirement of ancillary units of a vehicle |
DE102022124335.4 | 2022-09-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102023122897A1 true DE102023122897A1 (en) | 2024-03-28 |
Family
ID=85570650
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022124335.4A Withdrawn DE102022124335A1 (en) | 2022-09-22 | 2022-09-22 | Method for predicting the power requirement of ancillary units of a vehicle |
DE102023122897.8A Pending DE102023122897A1 (en) | 2022-09-22 | 2023-08-25 | Method for predicting the power requirements of auxiliary units of a vehicle |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022124335.4A Withdrawn DE102022124335A1 (en) | 2022-09-22 | 2022-09-22 | Method for predicting the power requirement of ancillary units of a vehicle |
Country Status (1)
Country | Link |
---|---|
DE (2) | DE102022124335A1 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116653600A (en) * | 2023-05-16 | 2023-08-29 | 名商科技有限公司 | Vehicle-mounted power supply management method and system for precisely controlling power |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2600106A1 (en) | 2010-07-30 | 2013-06-05 | Nissan Motor Co., Ltd | Device for calculating power consumption of vehicle, information providing device, and information providing method |
-
2022
- 2022-09-22 DE DE102022124335.4A patent/DE102022124335A1/en not_active Withdrawn
-
2023
- 2023-08-25 DE DE102023122897.8A patent/DE102023122897A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2600106A1 (en) | 2010-07-30 | 2013-06-05 | Nissan Motor Co., Ltd | Device for calculating power consumption of vehicle, information providing device, and information providing method |
Also Published As
Publication number | Publication date |
---|---|
DE102022124335A1 (en) | 2023-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3333036B1 (en) | Method for determining a driving state of a hybrid vehicle for segments of a route ahead and hybrid vehicle | |
EP2731822B1 (en) | Method for determining the remaining range of a motor vehicle, and motor vehicle | |
WO2019243276A1 (en) | Method for ascertaining an advisory speed for an electrically driven vehicle | |
DE102023122897A1 (en) | Method for predicting the power requirements of auxiliary units of a vehicle | |
DE102019002790A1 (en) | Method for predicting a traffic situation for a vehicle | |
EP3114001B1 (en) | Method and device for predicting a range change as a result of switching a vehicle function of a vehicle on or off | |
DE102018211575A1 (en) | Method for operating an electrical vehicle electrical system of a motor vehicle and motor vehicle | |
DE102019109561A1 (en) | Method for route planning in a navigation system of a vehicle, navigation system for a vehicle and vehicle with the same | |
DE102012023575B3 (en) | Method for driver-specific adaptation of synthetically modulated velocity profile along traveled route of vehicle, involves adjusting average velocity or acceleration of vehicle included in maneuver class matrix for maneuver class | |
DE102020119861A1 (en) | Method and assistance device for the iteratively optimized operation of a motor vehicle and motor vehicle | |
DE102015226229A1 (en) | Method and device for range calculation for a vehicle | |
DE102020001182A1 (en) | Range forecast | |
DE102017009461A1 (en) | Energy demand determination device for carrying out a deployment planning process for determining the expected energy requirement of a commercial vehicle driven by an electric motor | |
DE112017002942T5 (en) | Method and system for evaluating the operating performance of driver assistance systems associated with a vehicle | |
DE102019002739A1 (en) | Method and device for the consumption-optimized operation of a vehicle and vehicle | |
EP3716196A1 (en) | Method and system for identifying driving behaviour | |
DE102015223557A1 (en) | Method and device for predicting a washing water consumption of a windscreen washer system of a vehicle | |
WO2020216481A1 (en) | Method for providing a driving route for a motor vehicle having at least one driver assistance system, and motor vehicle | |
EP3789983A1 (en) | Centralized control of a traffic flow | |
EP4126621A1 (en) | Method and device for increasing the share of automated driving for a vehicle which drives with at least partial automation | |
DE102021207781A1 (en) | Method, control device and system for adapting an assisted or automated driving function of a vehicle | |
EP4042107A1 (en) | Method for predicting a velocity profile of a vehicle | |
DE102021001629A1 (en) | Method for controlling the longitudinal speed of a vehicle in a traffic environment | |
DE102021204967A1 (en) | Method for heating a charging unit for electrically charging a drive battery of a vehicle, computer program product and storage medium | |
DE102018202498A1 (en) | Method and control device for operating a drive train |