WO2021239402A1 - Computerimplementiertes verfahren zum optimieren eines ladungszustandsverlaufs eines hybrid-elektro-fahrzeuges und steuergerät, computerprogramm, computerlesbarer datenträger und datenträgersignal zum regeln/und oder steuern eines hybrid-elektro-fahrzeuges - Google Patents

Computerimplementiertes verfahren zum optimieren eines ladungszustandsverlaufs eines hybrid-elektro-fahrzeuges und steuergerät, computerprogramm, computerlesbarer datenträger und datenträgersignal zum regeln/und oder steuern eines hybrid-elektro-fahrzeuges Download PDF

Info

Publication number
WO2021239402A1
WO2021239402A1 PCT/EP2021/061653 EP2021061653W WO2021239402A1 WO 2021239402 A1 WO2021239402 A1 WO 2021239402A1 EP 2021061653 W EP2021061653 W EP 2021061653W WO 2021239402 A1 WO2021239402 A1 WO 2021239402A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
electric vehicle
charge
hybrid electric
hybrid
Prior art date
Application number
PCT/EP2021/061653
Other languages
English (en)
French (fr)
Inventor
Heidi Rathgeb
Jens Kastens
Werner Wolfgang
Mario Baydar
Johannes Kemler
Xianghui Shen
Sven Kadgiehn
Alexander Graf
Bernd Ummer
Nicolas Blum
Fabian Hainzl
Original Assignee
Zf Friedrichshafen Ag
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zf Friedrichshafen Ag filed Critical Zf Friedrichshafen Ag
Publication of WO2021239402A1 publication Critical patent/WO2021239402A1/de

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
    • B60W20/15—Control strategies specially adapted for achieving a particular effect
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
    • B60W20/11—Controlling the power contribution of each of the prime movers to meet required power demand using model predictive control [MPC] strategies, i.e. control methods based on models predicting performance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
    • B60W20/12—Controlling the power contribution of each of the prime movers to meet required power demand using control strategies taking into account route information
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0013—Optimal controllers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved roads
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/15—Road slope, i.e. the inclination of a road segment in the longitudinal direction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/20—Road profile, i.e. the change in elevation or curvature of a plurality of continuous road segments
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2710/00—Output or target parameters relating to a particular sub-units
    • B60W2710/24—Energy storage means
    • B60W2710/242—Energy storage means for electrical energy
    • B60W2710/244—Charge state

Definitions

  • the invention relates to a computer-implemented method for optimizing a charge state curve of a hybrid electric vehicle and a control device, a computer program, a computer-readable data carrier and a data carrier signal for regulating / or controlling a hybrid electric vehicle.
  • EP 2 692 604 A1 discloses a method for controlling the state of charge of an energy storage device of a hybrid vehicle, which provides for the state of charge to be adapted to the energy demand of the hybrid vehicle expected in the future, with a probable distance traveled using the position and direction of travel of the Hybrid vehicle is determined by means of a position determination unit.
  • the invention is based on this prior art.
  • the invention is based on the task of determining the charge state curve in an improved manner in order to enable optimal operation of the hybrid-electric vehicle in terms of power consumption, fuel consumption and / or energy efficiency.
  • One aspect of the invention relates to a computer-implemented method for optimizing a charge state curve of a hybrid electric vehicle.
  • the process comprises the following steps:
  • the route history is determined or provided from at least first and second data, the first data including driver data from ferry companies and the second data including vehicle data,
  • the control unit includes a first interface.
  • a charge state profile optimized in accordance with the method according to the invention is obtained via the first interface.
  • the control device also includes a control unit.
  • the control unit determines regulation and / or control signals for a hybrid regulation in order to drive an energy storage device and / or a drive train of the hybrid electric vehicle according to the charge state curve.
  • the control device includes a second interface that provides the regulation and / or control signals of the hybrid regulation.
  • Another aspect of the invention relates to a computer program for regulating / or controlling a hybrid electric vehicle.
  • the computer program includes Commands.
  • the commands cause a computer to carry out the steps of the method according to the invention and to provide the optimized course of the state of charge to a control device according to the invention when the program is running on the computer.
  • Another aspect of the invention relates to a computer-readable data carrier for regulating / or controlling a hybrid-electric vehicle.
  • the computer program according to the invention is stored on the data carrier.
  • Another aspect of the invention relates to a data carrier signal for regulating and or controlling a hybrid electric vehicle.
  • the data carrier signal transmits an output of the computer program according to the invention.
  • Computer-implemented means that the steps of the method are carried out by a data processing device, for example a computer, a computing system, a computer network, for example a cloud system, or parts thereof.
  • a data processing device for example a computer, a computing system, a computer network, for example a cloud system, or parts thereof.
  • a hybrid electric vehicle includes an internal combustion engine and an electric motor as drive units.
  • the internal combustion engine is supplied with chemical energy in the form of gasoline, diesel, LPG or hydrogen from a fuel tank.
  • the electric motor is supplied with electrical energy from a rechargeable energy store.
  • the energy store is, for example, a battery, an accumulator, a capacitor block or a fuel cell.
  • a battery life is processed as an additional optimization variable by the first optimization algorithm. Excess energy from the internal combustion engine is converted into electrical energy using a generator, with which the energy storage device of the hybrid electric vehicle can be charged.
  • the hybrid electric vehicle is a plug-in hybrid electric vehicle, also called a plug-in hybrid electric vehicle, abbreviated to PHEV.
  • the energy storage of a PHEV can also be charged via a power grid, for example charging stations for electric vehicles.
  • Another aspect relates to an optimization according to the invention of the charge state curve and / or a use of the invention in a battery-electric vehicle, also called a battery-electric vehicle, abbreviated to BEV.
  • a battery-electric vehicle only uses energy stored in rechargeable batteries and no other drives such as an internal combustion engine as a drive source.
  • the torque of the electric motor is controlled via a trajectory based on the optimization according to the invention.
  • both the electric motor and the internal combustion engine act directly on the drive train.
  • This has the advantage that when there is a high drive power requirement, for example when accelerating or when driving uphill, the electric motor and the internal combustion engine drive the hybrid electric vehicle together.
  • the hybrid electric vehicle is driven solely by the internal combustion engine, with the electric drive motor, for example, being mechanically decoupled from the drive train.
  • the electric motor acts as a generator driven by the drive train, which converts kinetic energy into electrical energy with which the energy storage device is charged.
  • the electric motor will drive the hybrid electric vehicle alone, with the internal combustion engine being switched off and, for example, mechanically decoupled from the drive train.
  • a hybrid control for example in the form of a control device.
  • the hybrid control is also called the Hybrid Power Coordinator.
  • the control device regulates and / or controls the hybrid control. For example, torques of the internal combustion engine are regulated in order to direct torque to the drive train or to charge the energy storage device of the electric motor.
  • the invention makes it possible to use route histories to use route histories to use state-of-charge, abbreviated SoC, to be called, learned and predetermined, and to optimize a charge state profile for a current route with regard to charge consumption, fuel consumption and / or energy storage, advantageously without a deterministic one Route information in advance, for example via the navigation system.
  • the hybrid control regulates and / or controls the drive units according to the optimized state of charge progression.
  • the classic commuter between local and city usually does not use a navigation system because the route is already known.
  • a conventional hybrid control would try to consume the energy content of a battery store, for example, as quickly as possible.
  • the conventional strategy would use the battery content for cross-country travel so that no electrical energy is available later in the city.
  • the solution according to the invention has already learned from previous journeys which distance the commuter is likely to cover on working days or some other time input.
  • the invention thus reduces CO2 emissions by 10 to 20%.
  • the total route consumption is then optimized, which is not possible with short-distance / short-term optimization alone. According to the invention, no deterministic information about the route is necessary, since the vehicle behavior was learned from the previous behavior.
  • Driver data from ferry companies that is from past, historical ferry companies, include routes traveled by the driver together with a time input and acceleration behavior, braking behavior and / or gear selection by the driver on these routes.
  • the second data include speed data, motor data, gear data, position data, energy storage data and power requirements.
  • the first and second data are determined as a method step, for example run in or simulated, for example in software, hardware or vehicle-in-the-loop, or are provided.
  • the first and the second and third data and the energy consumption are measured and stored during the entire running time of the hybrid electric vehicle.
  • the invention thus makes it possible to trace consumption data.
  • Route histories are determined from the first and second data, which include, for example, which routes a first driver drives at which times on which day of the week. According to the invention, it is learned from these route histories how likely it is that the first driver will drive a current route as a function of a time input.
  • the current route is the route that the driver intends to drive at this time.
  • Time entries include times, days of the week or anniversaries as dates.
  • time entries include country-specific holidays in order to optimize the state of charge also as a function of a traffic volume learned and expected on holidays.
  • driver identification and time inputs are obtained.
  • Driver identification also called Driver ID
  • Driver ID uniquely identifies the respective driver.
  • driver profiles are in Learned in relation to route histories. For example, the invention thus makes it possible to optimize a first and a second charge state curve for a first driver and at least one second driver.
  • the first driver commutes between town and country for a first time entry.
  • the second driver drives to a second time entry Autobahn.
  • the differently optimized first and second charge state curves result for these different routes.
  • the driver identification includes driver-specific settings of the hybrid electric vehicle, for example seat settings.
  • the future routes are the possible routes that a certain driver could drive depending on the time entered.
  • the first optimization algorithm is a stochastic optimizer.
  • the first optimization algorithm is a SoC optimizer.
  • the first optimization algorithm periodically or cyclically carries out a long-term optimization of the charge state curve, for example for more than 30 seconds in each case for the current route. This has the advantage that a change in the route currently being driven is also taken into account.
  • Instructions include sections of software code, machine code, or binary code.
  • the method according to the invention is carried out by a computing system.
  • the computing system is, for example, a cloud platform, for example a cloud platform for a fleet operator of hybrid electric vehicles.
  • the computing system comprises, for example, at least one multi-core processor comprising a plurality of central processors in order to provide computing resources, and at least one graphics processor comprising a microarchitecture for parallel processing of sequences.
  • a multi-core processor multiple cores are arranged on a single chip. More core processors achieve higher computing power and are more cost-effective to implement in one chip compared to multi-processor systems in which each individual core is arranged in a processor socket and the individual processor sockets are arranged on a motherboard.
  • Central processors are so-called central processing units, abbreviated CPU.
  • the central processors have a 64-bit architecture, for example.
  • the graphics processor called graphic processing unit, abbreviated to GPU, preferably comprises at least one process unit for performing tensor and / or matrix multiplications. Tensor and / or matrix multiplications are the central arithmetic operations for deep learning, a form of artificial intelligence.
  • the computing system also includes a programming interface for using the graphics processor as a coprocessor of the central processors.
  • the programming interface is, for example, a CUDA API.
  • the computing system comprises at least one memory and a bus system for exchanging data with the processors and peripheral devices.
  • the memory is a double data rate synchronous dynamic RAM, DDR SDRAM for short, memory.
  • the control unit in English electronic control unit, abbreviated to ECU, prepares input signals, processes them by means of an electronic circuit and provides logic and / or power levels as regulating and / or control signals.
  • the control device according to the invention is scalable for assisted driving up to fully automated / autonomous / driverless driving.
  • the control unit includes, for example, a programmable electronic circuit.
  • the control unit or the control device is designed as a system-on-chip.
  • the computer program is loaded, for example, into a memory of the control device according to the invention or is already loaded into this memory.
  • the computer program is loaded into the memory, for example, by the computer-readable data carrier or the data carrier signal.
  • the invention is thus also implemented as an aftermarket solution.
  • the computer-readable data carrier is, for example, a solid-state drive or cloud storage.
  • the data carrier signal transmits the optimized charge state curve to a control device according to the invention, for example wirelessly using radio technology, for example using LTE or 5G standard.
  • a second distribution of torque and / or power requirements for route sections is determined from a hybrid control history.
  • the hybrid control history is determined from at least the first and second data or is provided based on them.
  • the second distribution is entered into the first optimization algorithm along with the future routes. Additionally or alternatively, a second optimization algorithm optimizes the torque and / or power requirement for the current route as a function of the probability of one of the future routes.
  • the second optimization algorithm is a torque distribution optimizer.
  • the second optimization algorithm periodically or cyclically carries out a short-term optimization of the torque distribution, for example for less than 30 seconds in each case for the current route.
  • a torque requirement of the hybrid electric vehicle and / or a user of the hybrid electric vehicle is responded to at relatively short intervals.
  • the torque requirement is a control parameter for the course of the state of charge.
  • the route history, the future routes and / or hybrid control history are determined from third data or are provided based on the third data.
  • the third data include route parameters, traffic data, infrastructure data, weather data and / or event data.
  • Route parameters include uphill, downhill gradients, EV charging station locations, and speed limits.
  • an energy storage device of a plug-in hybrid electric vehicle can be charged at these charging stations.
  • the positions of charging stations are included in the optimization of the charge state curve for plug-in hybrid electric vehicles.
  • Traffic data include traffic flows, construction sites, road closures and / or no-entry restrictions.
  • Infrastructure data include switching times of lighting systems, e.g. traffic lights, and geofencing areas, e.g. eco-zones in cities.
  • Weather data are data on the current and future weather, e.g. rain forecasts.
  • Event data includes trade shows, for example.
  • a high volume of traffic is to be expected, especially on routes that encompass the catchment area of a trade fair.
  • a Optimization of the state of charge progression on certain route sections, traffic volume, e.g. traffic jams, and weather adapted and thus further improved. For example, a stop-and-go operation is adapted to the current or likely current traffic situation.
  • geofencing areas on routes in which electrical operation of the hybrid-electric vehicle is to be activated or automatically activated are taken into account when optimizing the charge state curve and / or the torque and / or power requirement.
  • Geofencing areas are, for example, eco-zones, for example in cities. This then takes into account in the forecast of the charge state curve that the hybrid-electric vehicle drives electrically in cities, for example.
  • the first probability distribution and / or the second distribution are determined statistically or learned by machine.
  • the determination or the learning takes place by means of Gaussian mixed distribution models, Gaussian processes, support vector machine algorithms, random forest tree algorithms or gradient-based learning of artificial neural networks.
  • Machine learning is a technology that teaches computers and other data processing devices to perform tasks by learning from data, rather than being programmed to perform the tasks.
  • Gaussian mixed distribution models and Gaussian processes are traceable and thus allow relatively better error tracing if necessary.
  • a support vector machine is a classifier that divides a number of objects into classes, for example combustion and electrical operation, in such a way that the widest possible area around class boundaries remains free of objects.
  • Random Forest is a classifier comprising uncorrelated decision trees that grow after a certain randomization during a learning process. For a classification, each tree in this forest can make a decision and the class with the most votes decides the final classification. With a total number of, for example, two features, for example route sections with combustion operation and route sections with electrical operation, two decision trees are used, for example, for each of which one of these features is selected. Decision trees are also used, for each of which two of these characteristics are selected, for example combustion operation and electrical operation. The number k of features and the number of decision trees are parameters for the random forest classifier. Advantages of the random forest are, among other things, that it is trained relatively quickly due to the short training and / or construction times of a single decision tree and that evaluations can be parallelized on the basis of several trees.
  • Gradient based learning of artificial neural networks is a form of supervised learning. Pairs of data include first data that are to be evaluated and second data that already include the actual result of the evaluation, fed forward through the artificial neural network and in backward feeds via gradient formation between the actual and target output of neuron weights adjusted so that an overall cost function of the artificial neural network is minimized. Data pairs for training a prediction of probable routes include, for example, route data comprising position data and time data as first data in order to learn which route is driven at which time input.
  • the first optimization algorithm comprises recurrent artificial neural networks or convolutional networks.
  • the recurrent artificial neural network includes long-term short memory, LSTM for short, units. In this way, temporal relationships in the route history and / or the hybrid control history are advantageously learned.
  • the first and / or the second optimization algorithm comprise commands for solving Bellman equations and / or the state of charge curve and / or the torque and / or for optimizing the state of charge curve and / or the torque and / or power requirement
  • Performance requirements are optimized through increased learning or an evolutionary algorithm.
  • reinforced learning also known as reinforcement learning, a machine learns from interactions with an environment. The machine carries out an action and observes the reaction of the environment to this action. If an intended success occurs, the machine is rewarded, otherwise it is punished.
  • a SoC policy and / or a strategy for the torque and / or power requirement is learned by means of increased learning in such a way that the expected gain, that is to say the overall efficiency of the hybrid electric vehicle, is maximized.
  • a policy maps states to actions.
  • the SoC policy for example, maps the remaining battery life to torque control.
  • a value function for a state and a policy describes the profit that can be achieved from this state. The Bellman equations apply to the value function.
  • An evolutionary algorithm processes the route histories, hybrid control histories and / or charge status curves according to the following steps:
  • Each generation solution candidate is assigned a value of a fitness function according to its quality.
  • the fitness function is the objective function of the evolutionary algorithm.
  • the fitness function according to the invention is, for example, the overall efficiency.
  • the enhanced learning is carried out by means of the evolutionary algorithm.
  • the current route is visualized together with the optimized charge state curve and / or the torque and / or power requirement.
  • a map is issued showing the predicted history of the SoC for the 30 seconds ahead.
  • the map is presented to a user, for example by an infotainment system of the hybrid electric vehicle, or it is presented in a cloud application.
  • the map is updated periodically, for example every 30 seconds, along with the predicted SoC history.
  • the map and the SoC history are determined and updated in a cloud platform.
  • route sections and / or routes that save fuel and / or charge consumption are taken into account through the long-term optimization of the first optimization algorithm and / or the short-term optimization of the second optimization algorithm. This optimizes the course of the state of charge in situations that can potentially save fuel and / or charge consumption. For example, when optimizing the SoC curve and / or the torque distribution, a margin, that is to say a tolerance band, limitation, margin or margins, is determined in which fuel and / or charge consumption could potentially be saved.
  • the first optimization algorithm is executed on a cloud platform and / or the second optimization algorithm is executed on a control device of the hybrid electric vehicle.
  • control unit executes a second optimization algorithm according to the invention.
  • SoC optimizer is operated in the cloud and the torque distribution optimizer is operated on the control device according to the invention.
  • the first interface of the control device is designed to receive environment data that are taken into account in the optimization, in particular in the optimization of the torque and / or power requirement by the second optimization algorithm.
  • the control device includes a further input interface in order to receive the environment data.
  • Environment data are obtained, for example, from environment detection sensors of the hybrid electric vehicle and also include traffic data.
  • the hybrid electric vehicle is advantageously designed for SAE J3016 Level 2 to 5 operation, that is to say it includes sensors for detecting the surroundings, for example sensors based on radar, camera and / or lidar technology, for perceiving the surroundings.
  • the environment data collected with these environment detection sensors are used to optimize the charge state curve and / or the torque and / or power requirement.
  • control device receives information about the entry and / or exit of the hybrid electric vehicle into and / or from a geofencing area via the first interface. While driving through the furnace area, the control device controls an electric motor of the hybrid electric vehicle.
  • 1 shows an exemplary embodiment of a method according to the invention
  • 2 shows an exemplary embodiment of an optimized charge state curve according to the invention
  • FIG. 3a shows an exemplary embodiment of a visualization of a charge state curve
  • FIG. 3b an embodiment of a geofencing area
  • FIG. 6 shows a further exemplary embodiment of a method according to the invention.
  • Fig. 1 shows an example of the sequence of a computer-implemented th method according to the invention.
  • a route history is determined from driver data DID and vehicle data VD from continuous operation of a hybrid electric vehicle HEV.
  • a probability distribution PR of routes is determined from this route history in a method step V1.
  • a time input TS is received, for example a date and a time.
  • probabilities of future routes are determined in a method step V3.
  • the future routes are processed by a first optimization algorithm Opt1 and a state of charge curve SoC is optimized with regard to charge consumption, fuel consumption and / or energy storage for a current route.
  • FIG. 2 shows an optimized state of charge curve SoC determined according to the invention for a specific route.
  • the optimization goal is not to waste any energy and to secure the energy storage.
  • Tolerance bands in order to be able to react accordingly in energy-saving situations within the tolerance band.
  • the commuter route consists of the first 75% of cross-country journeys and the last 25% of stop-and-go operations in a city. According to the invention, this route and the required energy was learned.
  • the first optimization algorithm Opt1 suggests not investing the energy content for the comparatively efficient cross-country journey, but for the inefficient stop-and-go journey in the city.
  • the control unit ECU controls according to this Ladungsstaandsver run SoC.
  • FIG. 3a shows the charge state curve SoC, which has been optimized according to the invention, visually in a map.
  • the card shows a SoC policy that has been predetermined for more than 30 seconds and is updated every 30 seconds.
  • the card is based on driver data DID, vehicle data VD, traffic forecasts TP and / or data from a fleet operation of hybrid electric vehicles HEV and includes fencing areas GF.
  • FIG. 4 shows the expected profile of the torque and / or power requirement TPD, determined according to the invention, on route sections. Darker hatching means a higher torque and / or power requirement TPD.
  • the hybrid electric vehicle HEV shown in FIG. 5 is a plug-in hybrid electric vehicle, the energy storage of which can be charged via a power network at charging stations.
  • the first optimization algorithm Opt1 is processed in a cloud platform and the optimized state of charge curve SoC is made available to a control unit ECU of the hybrid electric vehicle HEV via radio technology.
  • the control unit ECU comprises a first interface Int1, via which data from the cloud platform is made available to a control unit Cont of the control unit ECU.
  • the control unit Cont executes a second optimization algorithm Opt2, which optimizes the torque and power requirements TPD.
  • the control unit Cont determines regulation and / or control signals for a hybrid control to the To operate energy storage and / or a drive train of the hybrid electric vehicle HEV according to the optimized state of charge curve SoC.
  • the regulation and / or control signals are provided to the hybrid regulation via a second interface Int2 of the control unit ECU.
  • the route predictor routes are predefined. This section comprises the method steps V1 and V1a.
  • the traffic predictor the traffic predictions TP are determined.
  • the torque and / or power predictor the torque and power requirements TPD are determined.
  • the SoC strategy optimizer an optimized state of charge policy is determined.
  • the fourth section comprises the method steps V2, V3 and V4. Outputs of the individual sections are inputs for the following sections.
  • each section corresponds to a separate software code section.
  • Each of these software code sections comprising a respective input-output structure is an independent software module.
  • Inputs for the first section include driver data DID, vehicle data VD and time inputs TS.
  • the driver data DID include a driver identification in order to be able to distinguish between several drivers.
  • a route history is created based on this data.
  • the probability distribution PR of routes is determined as a function of the route history. On the basis of the time input TS and the probability distribution PR, the current, that is to say the expected, route is determined as an output together with corresponding route parameters RP, for example positions of charging stations on the route.
  • Inputs for the second section include vehicle data VD, weather data WD, route parameters RP, time inputs TS and external data ED.
  • the external data include, for example, map data from map providers to show traffic flows.
  • the inputs include, for example, lists of road sections to be determined in advance.
  • the output of the second section is the traffic forecast TP includes accelerations and speeds of traffic per route section depending on the route to be expected.
  • the traffic forecast TP advantageously adapts stop-and-go operation of the hybrid electric vehicle HEV to a likely current traffic situation.
  • Inputs for the third section include driver data DID, vehicle data VD, weather data WD, route parameters RP, time inputs TS and the traffic forecast TP.
  • Outputs of the third section include the torque and / or power requirement TPD per route section as a function of the traffic forecast TP.
  • the torque and / or power requirement TPD is briefly optimized and includes a gear selection.
  • Inputs for the fourth section include the probability distribution PR of routes together with the route parameters RP, the traffic forecast TP, the torque and / or power requirement TPD and possibly conditions or restrictions on the state of charge curve SoC.
  • the aim of the first optimization algorithm is to find a state of charge curve SoC that does not waste any energy as much as possible and conserves the energy store.

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

Computerimplementiertes Verfahren zum Optimieren eines Ladungszustandsverlaufs eines Hybrid-Elektro-Fahrzeuges und Steuergerät, Computerprogrammprodukt, computerlesbarer Datenträger und Datenträgersignal zum Regeln/und oder Steuern eines Hybrid-Elektro-Fahrzeuges Computerimplementiertes Verfahren zum Optimieren eines Ladungszustandsverlaufs (SoC) eines Hybrid-Elektro-Fahrzeuges (HEV) umfassend die Schritte: Bestimmen einer ersten Wahrscheinlichkeitsverteilung von Routen aus einer Routenhistorie (V1), wobei die Routenhistorie aus zumindest ersten und zweiten Daten bestimmt wird oder bereitgestellt ist (V1a), wobei die ersten Daten Fahrerdaten aus Fahrbetrieben und die zweiten Daten Fahrzeugdaten umfassen, Erhalten einer Zeiteingabe (TS) (V2), Bestimmen von Wahrscheinlichkeiten von zukünftigen Routen aus der ersten Wahrscheinlichkeitsverteilung von Routen für die Zeiteingabe (TS) (V3) und Prozessieren der zukünftigen Routen durch einen ersten Optimierungsalgorithmus (Opt1), der Befehle umfasst, die bewirken, dass in Abhängigkeit der Wahrscheinlichkeiten der zukünftigen Routen ein Ladungszustandsverlauf hin-sichtlich Ladungsverbrauch, Kraftstoffverbrauch und/oder Energiespeicher für eine aktuelle Route optimiert wird, wenn der erste Optimierungsalgorithmus (Opt1) prozessiert wird (V4).

Description

Computerimplementiertes Verfahren zum Optimieren eines Ladunqszustands- verlaufs eines Hybrid-Elektro-Fahrzeuges und Steuergerät, Computerproqramm, computerlesbarer Datenträger und Datenträqersiqnal zum Reqeln/und oder Steuern eines Hybrid-Elektro-Fahrzeuges
Die Erfindung bezieht sich auf ein computerimplementiertes Verfahren zum Optimie ren eines Ladungszustandsverlaufs eines Hybrid-Elektro-Fahrzeuges und ein Steuer gerät, ein Computerprogramm, einen computerlesbaren Datenträger und ein Daten trägersignal zum Regeln/und oder Steuern eines Hybrid-Elektro-Fahrzeuges.
Die im Stand der Technik bekannten Verfahren zur Bestimmung eines Ladungszu standsverlaufs benötigen deterministische Vorabinformationen zu Routen, um einen Ladungsverbrauch vorherzubestimmen.
Beispielsweise ist in EP 2 692 604 A1 ein Verfahren zum Steuern des Ladezustands eines Energiespeichers eines Hybridfahrzeugs offenbart, das vorsieht, den Ladezu stand an den für die Zukunft erwarteten Energiebedarf des Hybridfahrzeugs anzu passen, wobei eine voraussichtliche Fahrtstrecke unter Verwendung der Position und der Fahrtrichtung des Hybridfahrzeugs mittels einer Positionsbestimmungseinheit er mittelt wird.
Von diesem Stand der Technik geht die Erfindung aus. Der Erfindung hat die Auf gabe zugrunde gelegen, den Ladungszustandsverlauf verbessert zu bestimmen, um einen hinsichtlich Leistungsverbrauch, Kraftstoffverbrauch und/oder Energieeffizienz optimalen Betrieb des Hybrid-Elektro-Fahrzeuges zu ermöglichen.
Das Verfahren gemäß Anspruch 1 , das Steuergerät gemäß Anspruch 10, das Com puterprogramm gemäß Anspruch 13, der computerlesbare Datenträger gemäß An spruch 14 und das Datenträgersignal gemäß Anspruch 15 lösen jeweils diese Auf gabe. Ein Aspekt der Erfindung betrifft ein computerimplementiertes Verfahren zum Opti mieren eines Ladungszustandsverlaufs eines Hybrid-Elektro-Fahrzeuges. Das Ver fahren umfasst die Schritte:
• Bestimmen einer ersten Wahrscheinlichkeitsverteilung von Routen aus einer Routenhistorie, die Routenhistorie aus zumindest ersten und zweiten Daten bestimmt wird oder bereitgestellt ist, wobei die ersten Daten Fahrerdaten aus Fährbetrieben und die zweiten Daten Fahrzeugdaten umfassen,
• Erhalten einer Zeiteingabe,
• Bestimmen von Wahrscheinlichkeiten von zukünftigen Routen aus der ersten Wahrscheinlichkeitsverteilung von Routen für die Zeiteingabe und
• Prozessieren der zukünftigen Routen durch einen ersten Optimierungsalgo rithmus, der Befehle umfasst, die bewirken, dass in Abhängigkeit der Wahr scheinlichkeiten der zukünftigen Routen ein Ladungszustandsverlauf hinsicht lich Ladungsverbrauch, Kraftstoffverbrauch und/oder Energiespeicher für eine aktuelle Route optimiert wird, wenn der erste Optimierungsalgorithmus prozes siert wird.
Ein weiterer Aspekt der Erfindung betrifft ein Steuergerät zum Regeln/und oder Steu ern eines Hybrid-Elektro-Fahrzeuges. Das Steuergerät umfasst eine erste Schnitt stelle. Über die erste Schnittstelle wird ein gemäß des erfindungsgemäßen Verfah rens optimierter Ladungszustandsverlauf erhalten. Ferner umfasst das Steuergerät eine Kontrolleinheit. Die Kontrolleinheit bestimmt Regelungs- und/oder Steuerungs signale für eine Hybridregelung, um einen Energiespeicher und/oder einen Antriebs strang des Hybrid-Elektro-Fahrzeuges gemäß des Ladungszustandsverlaufs zu be treiben. Außerdem umfasst das Steuergerät eine zweite Schnittstelle, die die Rege lungs- und/oder Steuerungssignale der Hybridregelung bereitstellt.
Ein weiterer Aspekt der Erfindung betrifft ein Computerprogramm zum Regeln/und oder Steuern eines Hybrid-Elektro-Fahrzeuges. Das Computerprogramm umfasst Befehle. Die Befehle bewirken, dass ein Computer die Schritte des erfindungsgemä ßen Verfahrens ausführt und den optimierten Ladungszustandsverlauf einem erfin dungsgemäßen Steuergerät bereitstellt, wenn das Programm auf dem Computer läuft.
Ein weiterer Aspekt der Erfindung betrifft einen computerlesbaren Datenträger zum Regeln/und oder Steuern eines Hybrid-Elektro-Fahrzeuges. Auf dem Datenträger ist das erfindungsgemäße Computerprogramm gespeichert.
Ein weiterer Aspekt der Erfindung betrifft ein Datenträgersignal zum Regeln/und oder Steuern eines Hybrid-Elektro-Fahrzeuges. Das Datenträgersignal überträgt eine Aus gabe des erfindungsgemäßen Computerprogramms.
Vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Unteransprüchen, der Zeichnung und der Beschreibung bevorzugter Ausführungsbeispiele.
Computerimplementiert bedeutet, dass die Schritte des Verfahrens von einer Daten verarbeitungsvorrichtung, beispielsweise einem Computer, einem Rechensystem, ei nem Rechnernetzwerk, beispielsweise einem Cloud-System, oder Teilen davon, aus geführt werden.
Ein Hybrid-Elektro-Fahrzeug umfasst einen Verbrennungsmotor und einen Elektro motor als Antriebsaggregate. Der Verbrennungsmotor wird aus einem Kraftstofftank mit chemischer Energie in Form von Benzin, Diesel, LPG, oder Wasserstoff versorgt. Der Elektromotor wird aus einem wiederaufladbaren Energiespeicher mit elektrischer Energie versorgt. Der Energiespeicher ist beispielsweise eine Batterie, ein Akkumula tor, ein Kondensatorenblock oder eine Brennstoffzelle.
Nach einem Aspekt der Erfindung wird für den Fall, dass der Energiespeicher eine wiederaufladbare Batterie oder ein sonstiger Akkumulator ist, eine Akkulebensdauer als zusätzliche Optimierungsgröße durch den ersten Optimierungsalgorithmus pro zessiert. Überschüssige Energie des Verbrennungsmotors wird unter Verwendung eines Ge nerators in elektrische Energie umgewandelt werden, mit welcher der Energiespei cher des Hybridelektrofahrzeugs aufgeladen werden kann.
Nach einem Aspekt der Erfindung ist das Hybrid-Elektro-Fahrzeug ein Plugin-Hybrid- Elektro-Fahrzeug, auch Plugin-Hybrid-Electric-Vehicle, abgekürzt PHEV, genannt. Der Energiespeicher eines PHEV kann zusätzlich über ein Stromnetz, beispielsweise Ladestationen für Elektrofahrzeuge, aufgeladen werden.
Ein weiterer Aspekt betrifft eine erfindungsgemäße Optimierung des Ladungszu standsverlaufs und/oder eine Verwendung der Erfindung bei einem batterieelektri schem Fahrzeug, auch Battery-Electric-Vehicle, abgekürzt BEV, genannt. Ein batte rieelektrisches Fahrzeug nutzt ausschließlich Energie gespeichert in wiederaufladba ren Batterien und keine weiteren Antriebe wie einen Verbrennungsmotor als An triebsquelle. Bei einem batterieelektrischem Fahrzeug wird das Drehmoment des Elektromotors über einer Trajektorie anhand der erfindungsgemäßen Optimierung gesteuert werden.
Nach einem weiteren Aspekt der Erfindung wirkt sowohl der Elektromotor als auch der Verbrennungsmotor direkt auf den Antriebsstrang. Dies hat den Vorteil, dass bei einem hohen Antriebsleistungsbedarf, beispielsweise beim Beschleunigen oder bei einer Bergauffahrt, der Elektromotor und der Verbrennungsmotor das Hybrid-Elektro- Fahrzeug gemeinsam antreiben. Beim Langstreckenbetrieb, beispielsweise bei einer Autobahnfahrt, wird das Hybrid-Elektro-Fahrzeug vom Verbrennungsmotor allein an getrieben, wobei beispielsweise der Elektroantriebsmotor vom Antriebsstrang mecha nisch entkoppelt wird. Besteht ein ausreichend niedriger Antriebsleistungsbedarf, bei spielsweise bei geringer Geschwindigkeit, fungiert der Elektromotor als vom Antriebs strang angetriebener Generator, der Bewegungsenergie in elektrische Energie um wandelt, mit welcher der Energiespeicher aufgeladen wird. Bei besonders niedrigem Antriebsleistungsbedarf, beispielsweise beim Ausparken oder im Schubbetrieb oder im Stop-and-Go-Betrieb, wird der Elektromotor das Hybrid-Elektro-Fahrzeug allein antreiben, wobei der Verbrennungsmotor abgeschaltet und beispielsweise vom An triebsstrang mechanisch entkoppelt wird. Diese verschiedenen Betriebsarten des Hybrid-Elektro-Fahrzeuges werden von einer Hybridregelung, beispielsweise in Form eines Steuergeräts, geregelt. Die Hybridre gelung wird auch Hybrid Power Coordinator genannt. Das erfindungsgemäße Steuer gerät regelt und/oder steuert die Hybridregelung. Beispielsweise werden Drehmo mente des Verbrennungsmotors geregelt, um Drehmoment auf den Antriebsstrang zu leiten oder um den Energiespeicher des Elektromotors aufzuladen.
In Abhängigkeit der verschiedenen Antriebsleistungsbedarfe stellt sich ein jeweiliger Ladungszustand des Energiespeichers ein. Die Erfindung ermöglicht es, dass aus Routenhistorien Ladungszustandsverläufe, auch state-of-charge, abgekürzt SoC, ge nannt, gelernt und vorherbestimmt werden und für eine aktuelle Route ein Ladungs zustandsverlauf hinsichtlich Ladungsverbrauch, Kraftstoffverbrauch und/oder Ener giespeicher optimiert wird, vorteilhafterweise ohne deterministische Routen-Vorabin- formationen, beispielsweise über das Navigationssystem. Die Hybridregelung regelt und/oder steuert die Antriebsaggregate gemäß des optimierten Ladungszustandsver laufs.
Beispielsweise benutzt der klassische Pendler zwischen vor Ort und Stadt in der Re gel kein Navigationssystem, da die Route bereits bekannt ist. Eine konventionelle Hybridregelung würde versuchen, den Energiegehalt beispielsweise eines Batterie speichers schnellst möglich zu verbrauchen. Unter der Annahme, dass die Pendel strecke die ersten 75% aus Überlandfahrt, beispielsweise Landstraße oder Auto bahn, und die letzten 25% aus Stop-and-Go-Betrieb in einer Stadt bestehen, so würde die konventionelle Strategie den Batteriegehalt für die Überlandfahrt benutzen, so dass später in der Stadt keine elektrische Energie zur Verfügung steht. Die erfin dungsgemäße Lösung hat dagegen bereits auch vergangenen Fahrten gelernt, wel che Strecke der Pendler an Arbeitstagen oder einer sonstigen Zeiteingabe wahr scheinlich zurücklegen wird. Daraus würde sich beispielsweise ergeben, dass der erste Optimierungsalgorithmus vorschlagen wird, den Energiegehalt nicht für die ver gleichsweise effiziente Überlandfahrt zu investieren, sondern für die ineffiziente Stop- and-Go Fahrt in der Stadt. Damit wird mit der Erfindung eine CO2 Emission um 10 bis 20 % reduziert. Erfindungsgemäß wird dann der gesamte Streckenverbrauch optimiert, was alleine mit einer Kurzstrecken/-zeit-Optimierung nicht möglich ist. Er findungsgemäß sind keine deterministischen Informationen zu der Route notwendig, da das Fahrzeugverhalten durch das vorherige Verhalten gelernt wurde.
Fahrerdaten aus Fährbetrieben, das heißt aus zurückliegenden, historischen Fährbe trieben, umfassen gefahrene Routen des Fahrers zusammen mit einer Zeiteingabe und Beschleunigungsverhalten, Bremsverhalten und/oder Gangwahl des Fahrers auf diesen Routen. Die zweiten Daten umfassen Geschwindigkeitsdaten, Motordaten, Getriebedaten, Positionsdaten, Energiespeicherdaten und Leistungsbedarf. Erfin dungsgemäß werden die ersten und zweiten Daten als Verfahrensschritt bestimmt, beispielsweise eingefahren oder simuliert, beispielsweise in Software-, hardware- oder vehicle-in-the-loop, oder sind bereitgestellt.
Nach einem Aspekt werden die ersten und die zweiten und dritte Daten und der Energieverbrauch während der gesamten Laufzeit des Hybrid-Elektro-Fahrzeuges gemessen und gespeichert. Damit ermöglicht es die Erfindung, Verbrauchsdaten zu rückzuverfolgen.
Aus den ersten und zweiten Daten werden Routenhistorien bestimmt, die beispiels weise umfassen, welche Routen ein erster Fahrer zu welchen Uhrzeiten an welchen Wochentag fährt. Aus diesen Routenhistorien wird erfindungsgemäß gelernt, wie wahrscheinlich es ist, dass der erste Fahrer eine aktuelle Route fährt in Abhängigkeit einer Zeiteingabe. Die aktuelle Route ist die Route, die der Fahrer zu dieser Zeitein gabe beabsichtigen wird zu fahren.
Zeiteingaben umfassen Uhrzeiten, Wochentage oder Jahrestage als Datum. Nach ei nem Aspekt der Erfindung umfassen Zeiteingaben länderspezifische Feiertage, um den Ladungszustand auch in Abhängigkeit eines an Feiertagen gelernten und zu er wartenden Verkehrsaufkommens zu optimieren.
Nach einem weiteren Aspekt der Erfindung werden Fahreridentifikation und Zeitein gaben erhalten. Fahreridentifikation, auch Driver ID genannt, kennzeichnet den je weiligen Fahrer eindeutig. Damit werden erfindungsgemäß Fahrerprofile im Zusammenhang mit Routenhistorien gelernt. Beispielsweise ermöglicht es damit die Erfindung, für einen ersten Fahrer und zumindest einen zweiten Fahrer einen ersten und zweiten Ladungszustandsverlauf zu optimieren. Beispielweise pendelt der erste Fahrer zu einer ersten Zeiteingabe zwischen Stadt und Land. Der zweite Fahrer fährt zu einer zweiten Zeiteingabe Autobahn. Für diese unterschiedlichen Routen ergeben sich die unterschiedlich optimierten ersten und zweiten Ladungszustandsverläufe.
Dies ist insbesondere für Flottenfahrzeuge von Vorteil, aber auch im Sinne von Mobi- lity-as-a-Service, in dem das Hybrid-Elektro-Fahrzeug als, beispielsweise buchbare, Dienstleistung, verschiedenen Fahrern angeboten wird. Nach einem Aspekt der Er findung umfasst die Fahreridentifikation Fahrer spezifische Einstellungen des Hybrid- Elektro-Fahrzeuges, beispielsweise Sitzeinstellungen.
Die zukünftigen Routen sind die möglichen Routen, die ein bestimmter Fahrer in Ab hängigkeit der Zeiteingabe fahren könnte.
Der erste Optimierungsalgorithmus ist nach einem Aspekt der Erfindung ein stochas tischer Optimierer. Der erste Optimierungsalgorithmus ist ein SoC-Optimizer.
Nach einem Aspekt der Erfindung führt der erste Optimierungsalgorithmus periodisch oder zyklisch eine Langzeit-Optimierung des Ladungszustandsverlauf durch, bei spielsweise für jeweils mehr als 30 Sekunden für die aktuelle Route. Dies hat den Vorteil, dass auch eine Änderung der aktuell gefahrenen Route berücksichtigt wird.
Befehle umfassen Softwarecodeabschnitte, Maschinencode oder Binärcode.
Mit anderen Worten werden historische Fahrzeug- und Fahrerdaten verwendet, um ein stochastisches Modell zu trainieren, um so Wahrscheinlichkeiten für potenzielle, zu künftige Routen zu erhalten. Auch werden beispielsweise das Fahrer- und Verkehrs verhalten mitgelernt. Anschließend wird über eine stochastische Optimierung der Er wartungswert für eine Kenngröße wie der Gesamteffizienz, Gesamtenergieverbrauch oder nur Benzinverbrauch minimiert. Ergebnis der Optimierung ist dabei die erwartete Ideal-Trajektorie für den SoC-Verlauf als auch ein variables Toleranzband um diese Trajektorie, in dem eine unterliegende Hybridregelung, in der Regel Drehmomentver teilung, den Energiespeicher betreiben soll.
Das erfindungsgemäße Verfahren wird nach einem Aspekt der Erfindung von einem Rechensystem ausgeführt. Das Rechensystem ist beispielsweise eine Cloud-Platt- form, beispielsweise eine Cloud-Plattform einen Flottenbetreibers der Hybrid-Elektro- Fahrzeuge. Das Rechensystem umfasst gemäß einer Ausführungsform beispiels weise wenigstens einen Mehrkernprozessor umfassend mehrere Zentralprozessoren, um Rechenressourcen bereitzustellen, und wenigstens einen Grafikprozessor umfas send eine Mikroarchitektur für paralleles Prozessieren von Abläufen. Bei einem Mehrkernprozessor sind mehrere Kerne auf einem einzigen Chip angeordnet. Mehr kernprozessoren erreichen eine höhere Rechenleistung und sind kostengünstiger in einem Chip zu implementieren im Vergleich zu Mehrprozessorsystemen, bei denen jeder einzelne Kern in einem Prozessorsockel angeordnet ist und die einzelnen Pro zessorsockel auf einer Hauptplatine angeordnet sind. Zentralprozessoren sind soge nannte central Processing units, abgekürzt CPU. Die Zentralprozessoren haben bei spielsweise eine 64-bit Architektur. Der Grafikprozessor, im Englischen graphic Pro cessing unit, abgekürzt GPU, genannt, umfasst vorzugsweise wenigstens eine Pro zesseinheit zum Ausführen von Tensor -und/oder Matrixmultiplikationen. Tensor- und/oder Matrixmultiplikationen sind die zentralen Rechenoperationen für das Deep Learning, einer Form von künstlicher Intelligenz. Das Rechensystem umfasst auch eine Programmierschnittstelle zur Verwendung des Grafikprozessors als Koprozes sor der Zentralprozessoren. Die Programmierschnittstelle ist beispielsweise eine CUDA-API. Ferner umfasst das Rechensystem wenigstens einen Speicher und ein Bussystem für einen Datenaustausch mit den Prozessoren und Peripheriegeräten. Beispielsweise ist der Speicher ein double data rate synchronous dynamic RAM, ab gekürzt DDR SDRAM, Speicher.
Das Steuergerät, im Englischen electronic control unit, abgekürzt ECU, genannt, be reitet Eingangssignale auf, verarbeitet diese mittels einer elektronischen Schaltung und stellt Logik- und/oder Leistungspegel als Regel- und/oder Steuersignale bereit. Das erfindungsgemäße Steuergerät ist skalierbar für assistiertes Fahren bis hin zu vollautomatisiertes/autonomes/fahrerloses Fahren. Die Kontrolleinheit umfasst beispielsweise eine programmierbare elektronische Schaltung. Nach einem Aspekt der Erfindung ist die Kontrolleinheit oder das Steuer gerät als ein System-on-Chip ausgeführt.
Das Computerprogramm wird beispielsweise in einen Speicher des erfindungsgemä ßen Steuergeräts geladen oder ist in diesem Speicher bereits geladen. Das Compu terprogramm wird beispielsweise durch den computerlesbaren Datenträger oder das Datenträgersignal in den Speicher geladen. Damit wird die Erfindung auch als eine Aftermarket-Lösung realisiert.
Der computerlesbare Datenträger ist beispielsweise ein solid-state-drive oder ein Cloud-Speicher.
Das Datenträgersignal überträgt den optimierten Ladungszustandsverlauf an ein erfin dungsgemäßes Steuergerät, beispielsweise drahtlos mittels Funktechnologie, bei spielsweise mittels LTE oder 5G Standard.
Durch die erfindungsgemäße Optimierung des Ladungszustandsverlaufs wird Reku- perationsenergie eingespart.
Gemäß einer Ausgestaltung des Verfahrens wird eine zweite Verteilung an Drehmo ment- und/oder Leistungsbedarf für Routenabschnitte aus einer Hybridregelungshis torie bestimmt. Die Hybridregelungshistorie wird aus zumindest den ersten und zwei ten Daten bestimmt oder ist basierend auf diesen bereitgestellt. Die zweite Verteilung wird in den ersten Optimierungsalgorithmus zusammen mit den zukünftigen Routen eingegeben. Zusätzlich oder alternativ optimiert ein zweiter Optimierungsalgorithmus in Abhängigkeit der Wahrscheinlichkeit einer der zukünftigen Routen den Drehmo ment- und/oder Leistungsbedarf für die aktuelle Route.
Damit wird vorteilhafterweise die Drehmomentverteilung für die aktuelle Route opti miert. Insbesondere wird aus der Hybridregelungshistorie gelernt, zu welchen Zeiten auf einer Route die Hybridregelung den Energiespeicher betreiben soll. Der zweite Optimierungsalgorithmus ist ein Torque-Distribution-Optimizer.
Nach einem Aspekt der Erfindung führt der zweite Optimierungsalgorithmus perio disch oder zyklisch eine Kurzzeit-Optimierung der Drehmomentverteilung durch, bei spielsweise für jeweils weniger als 30 Sekunden für die aktuelle Route. Damit wird auf einen Drehmomentbedarf des Hybrid-Elektro-Fahrzeuges und/oder eines Nutzers des Hybrid-Elektro-Fahrzeuges in relativ kurzen Abständen reagiert. Der Drehmo mentbedarf ist ein Kontrollparameter für den Ladungszustandsverlauf.
In einer weiteren Ausgestaltung werden die Routenhistorie, die zukünftige Routen und/oder Hybridregelungshistorie aus dritten Daten bestimmt oder sind basierend auf den dritten Daten bereitgestellt. Die dritten Daten umfassen Routenparameter, Ver kehrsdaten, Infrastrukturdaten, Wetterdaten und/oder Veranstaltungsdaten. Routen parameter umfassen Steigung, Gefälle, Positionen von Ladungsstationen für Elektro fahrzeuge und Geschwindigkeitsbegrenzungen. Bei der Bestimmung von Wahr scheinlichkeiten von zukünftigen Routen für die Zeiteingabe werden dann auch zu künftig wahrscheinliche Routenparameter, Verkehrsabläufe, Wetter und/oder Veran staltungen bestimmt, nach einem Aspekt der Erfindung zyklisch pro Routenabschnitt, und durch den ersten Optimierungsalgorithmus prozessiert.
Befinden sich Ladungsstationen auf einer Route, kann ein Energiespeicher eines Plugin-Hybrid-Elektro-Fahrzeuges an diesen Ladungsstationen geladen werden.
Nach einem Aspekt der Erfindung gehen die Positionen von Ladungsstationen in die Optimierung des Ladungszustandsverlaufs für Plugin-Hybrid-Elektro-Fahrzeuge ein.
Verkehrsdaten umfassen Verkehrsflüsse, Baustellen, Straßensperrungen und/oder Durchfahrtsverbote. Infrastrukturdaten umfassen Schaltzeiten von Lichtanlagen, bei spielsweise Ampeln, und Geofencing-Bereiche, beispielsweise Eco-Zonen in Städ ten. Wetterdaten sind Daten zum aktuellen du zukünftigen Wetter, beispielsweise Re genprognosen. Veranstaltungsdaten umfassen beispielsweise Messen. Bei Messen ist insbesondere auf Routen, die das Einzugsgebiet einer Messe umfassen, mit ei nem hohen Verkehrsaufkommen zu rechnen. Mittels der dritten Daten wird eine Optimierung des Ladungszustandsverlauf auf bestimmte Streckenabschnitte, Ver kehrsaufkommen, beispielsweise Staus, und Wetter angepasst und damit weiter ver bessert. Beispielsweise wird ein Stop-und-Go-Betrieb auf die aktuelle oder wahr scheinlich aktuelle Verkehrssituation angepasst.
In einer weiteren Ausgestaltung werden bei der Optimierung des Ladungszustands verlaufs und/oder des Drehmoment- und/oder Leistungsbedarfs Geofencing-Bereiche auf Routen, in denen ein elektrischer Betrieb des Hybrid-Elektro-Fahrzeuges zu akti vieren ist oder automatisiert aktiviert wird, berücksichtigt. Geofencing-Bereiche sind beispielsweise Eco-Zonen, beispielsweise in Städten. Damit ist dann in der Vorher sage des Ladungszustandsverlaufs berücksichtigt, dass das Hybrid-Elektro-Fahrzeug beispielsweise in Städten elektrisch fährt.
In einer weiteren Ausgestaltung werden die erste Wahrscheinlichkeitsverteilung und/oder die zweite Verteilung statistisch bestimmt oder maschinell gelernt. Das Be stimmen oder das Lernen erfolgt mittels Gauß Mischverteilungsmodellen, Gauß-Pro- zessen, Support-Vector-Machine Algorithmen, Random-Forest-Tree Algorithmen o- der Gradienten basierten Lernen künstlicher neuronaler Netzwerke. Maschinelles Lernen ist eine Technologie, die Computern und anderen Datenverarbeitungsvorrich tungen die Ausführung von Aufgaben durch Lernen aus Daten lehrt, anstatt für die Aufgaben programmiert zu werden.
Gauß Mischverteilungsmodelle und Gauß-Prozesse sind rückverfolg bar und erlauben damit gegebenenfalls eine relativ bessere Fehlerrückverfolgung.
Eine Support-Vector-Machine ist ein Klassifikator, die eine Menge von Objekten der art in Klassen, beispielsweise Verbrennerbetrieb und Elektrobetrieb, unterteilt, dass um Klassengrenzen herum ein möglichst breiter Bereich frei von Objekten bleibt.
Random Forest ist ein Klassifikator umfassend unkorrelierte Entscheidungsbäume, die nach einer bestimmten Randomisierung während eines Lernprozesses wachsen. Für eine Klassifikation darf jeder Baum in diesem Wald eine Entscheidung treffen und die Klasse mit den meisten Stimmen entscheidet die endgültige Klassifikation. Bei einer Gesamtanzahl von beispielsweise zwei Merkmalen, beispielsweise Routen abschnitte mit Verbrennerbetrieb und Routenabschnitte mit Elektrobetrieb, werden beispielsweise zwei Entscheidungsbäume verwendet, für die jeweils eines dieser Merkmale gewählt wird. Zusätzlich werden Entscheidungsbäume verwendet, für die jeweils zwei dieser Merkmale gewählt werden, beispielsweise Verbrennerbetrieb und Elektrobetrieb. Die Anzahl k von Merkmalen und die Anzahl der Entscheidungs bäume sind Parameter für den Random Forest Klassifikator. Vorteile des Random Forest sind unter anderem, dass er relativ schnell trainiert wird aufgrund kurzen Trai nings- und/oder Aufbauzeiten eines einzelnen Entscheidungsbaums und dass Evalu ierungen aufgrund mehrerer Bäume parallelisierbar sind.
Gradienten basiertes Lernen künstlicher neuronaler Netzwerke ist eine Form des überwachten Lernens. Dabei werden Datenpaare umfassen erste Daten, die auszu werten sind, und zweite Daten, die bereits das Ist-Ergebnis der Auswertung umfas sen, durch das künstliche neuronale Netzwerk vorwärtsgespeist und in Rück wärtsspeisungen über Gradientenbildung zwischen Ist- und Soll-Ausgabe von Neuro nen Gewichte angepasst, damit eine Gesamtkostenfunktion des künstlichen neuro nalen Netzwerks minimiert wird. Datenpaare zum Trainieren einer Vorhersage von wahrscheinlichen Routen umfassen als erste Daten beispielsweise Routendaten um fassend Positionsdaten und Zeitdaten, um zu lernen, zu welcher Zeiteingabe welche Route gefahren wird. Beispielsweise umfasst der erste Optimierungsalgorithmus re kurrente künstliche neuronale Netzwerke oder konvolutionale Netzwerke. Nach ei nem Aspekt der Erfindung umfasst das rekurrente künstliche neuronale Netzwerk Long-Term-Short-Memory, abgekürzt LSTM, Einheiten. Damit werden vorteilhafter weise zeitliche Zusammenhänge in der Routenhistorie und/oder der Hybridrege lungshistorie gelernt.
In einer weiteren Ausgestaltung umfassen für das Optimieren des Ladungszustands verlauf und/oder des Drehmoment- und/oder Leistungsbedarfs der erste und/oder der zweite Optimierungsalgorithmus Befehle zum Lösen von Bellman-Gleichungen und/oder der Ladungszustandsverlauf und/oder der Drehmoment- und/oder Leis tungsbedarf werden durch verstärktes Lernen oder einen evolutionären Algorithmus optimiert. Bei verstärktem Lernen, auch reinforcement learning genannt, lernt eine Maschine aus Interaktionen mit einer Umgebung. Dabei führt die Maschine eine Aktion aus und beobachtet eine Reaktion der Umgebung auf diese Aktion. Tritt ein beabsichtigter Er folg ein, wird die Maschine belohnt, andernfalls bestraft. Erfindungsgemäß wird mit tels verstärkten Lernens eine SoC-Policy und/oder eine Strategie für den Drehmo ment- und/oder Leistungsbedarf derart gelernt, dass der erwartete Gewinn, das heißt die Gesamteffizienz des Hybrid-Elektro-Fahrzeuges, maximiert wird. Eine Policy bil det Zustände auf Aktionen ab. Die SoC-Policy bildet beispielsweise Batterierestlauf zeit auf Drehmomentregelung ab. Eine Wertefunktion für einen Zustand und eine Po licy beschreibt den Gewinn, der von diesem Zustand aus erreicht wird. Für die Werte funktion gelten die Bellman-Gleichungen.
Ein evolutionäres Algorithmus prozessiert die Routenhistorien, Hybridregelungshisto rien und/oder Ladungszustandsverläufe nach folgenden Schritten:
• Initialisierung: Die erste Generation von Lösungskandidaten, das heißt La dungszustandsverläufen, von zukünftigen Routen und/oder Drehmomentver teilungen wird erzeugt.
• Evaluation: Jedem Lösungskandidaten der Generation wird entsprechend sei ner Güte ein Wert einer Fitnessfunktion zugewiesen. Die Fitnessfunktion ist die Zielfunktion des evolutionären Algorithmus. Die erfindungsgemäße Fit nessfunktion ist beispielsweise die Gesamteffizienz.
• Durchlaufe die folgenden Schritte, bis ein Abbruchkriterium erfüllt ist: o Selektion: Auswahl von Individuen für die Rekombination o Rekombination: Kombination der ausgewählten Individuen o Mutation: Zufällige Veränderung der Nachfahren o Evaluation: Jedem Lösungskandidaten der Generation wird entspre chend seiner Güte ein Wert der Fitnessfunktion zugewiesen o Selektion: Bestimmung einer neuen Generation. Nach einem Aspekt der Erfindung wird das verstärkte Lernen mittels des evolutionä ren Algorithmus ausgeführt.
In einer weiteren Ausgestaltung wird die aktuelle Route zusammen mit dem optimier ten Ladungszustandsverlauf und/oder dem Drehmoment- und/oder Leistungsbedarf dem visualisiert.
Beispielsweise wird eine Karte ausgegeben, die den vorhergesagten SoC-Verlauf für die vorausliegenden 30 Sekunden darstellt. Die Karte wird beispielsweise durch ein Infotainment-System des Hybrid-Elektro-Fahrzeuges einem Nutzer dargestellt oder in einer Cloud-Anwendung dargestellt.
Nach einem Aspekt der Erfindung wird die Karte zusammen mit dem vorhergesagten SoC-Verlauf periodisch, beispielsweise alle 30 Sekunden, aktualisiert. Nach einem weiteren Aspekt der Erfindung wird die Karte und der SoC-Verlauf in einer Cloud- Plattform bestimmt und aktualisiert.
In einer weiteren Ausgestaltung werden durch die Langzeit-Optimierung des ersten Optimierungsalgorithmus und/oder die Kurzzeit-Optimierung des zweiten Optimie rungsalgorithmus Routenabschnitte und/oder Routen berücksichtigt werden, die Kraftstoff- und/oder Ladungsverbrauch einsparen. Damit wird der Ladungszustands verlauf in Situationen optimiert, die potentiell Kraftstoff und/oder Ladungsverbrauch wahrscheinlich einsparen können. Beispielsweise wird bei der Optimierung des SoC- Verlaufs und/oder der Torque Distribution jeweils ein Margin, das heißt ein Toleranz band, Begrenzung, Spielraum oder Seitenränder bestimmt, in dem Kraftstoff und/o der Ladungsverbrauch potentiell eingespart werden könnten.
In einer weiteren Ausgestaltung werden der erste Optimierungsalgorithmus auf einer Cloud-Plattform und/oder der zweite Optimierungsalgorithmus auf einem Steuergerät des Hybrid-Elektro-Fahrzeuges ausgeführt.
Über die Cloud-Plattform wird Speicherplatz, Rechenleistung und/oder Computerpro gramme als Dienstleistung bereitgestellt. Das Ergebnis des erfindungsgemäßen Computerprogramms, nämlich der optimierte Ladungszustandsverlauf, werden erfin dungsgemäßen Steuergeräten Hybrid-Elektro-Fahrzeugen zur Verfügung gestellt, ohne dass diese Computerprogramme auf den Steuergeräten installiert sein müssen.
Gemäß einer Ausgestaltung des Steuergeräts führt die Kontrolleinheit einen zweiten erfindungsgemäßen Optimierungsalgorithmus aus. In einer Ausgestaltung der Erfin dung wird damit der SoC Optimizer in der Cloud betrieben und derTorque Distribu tion Optimizer auf dem erfindungsgemäßen Steuergerät.
In einer weiteren Ausgestaltung ist die erste Schnittstelle des Steuergeräts ausge führt, Umfelddaten zu erhalten, die bei der Optimierung berücksichtigt werden, insbe sondere bei der Optimierung des Drehmoment- und/oder Leistungsbedarfs durch den zweiten Optimierungsalgorithmus. Alternativ umfasst das Steuergerät eine weitere Eingangsschnittstelle, um die Umfelddaten zu erhalten. Umfelddaten werden bei spielsweise von Umfelderfassungssensoren des Hybrid-Elektro-Fahrzeuges erhalten und umfassen auch Verkehrsdaten. Vorteilhafterweise ist das Hybrid-Elektro-Fahr- zeug für einen SAE J3016 Level 2 bis 5 Betrieb ausgeführt, das heißt es umfasst Umfelderfassungssensoren, beispielsweise Sensoren basierend auf Radar-, Kamera- und/oder Lidartechnologie, zur Perzeption des Umfeldes. Erfindungsgemäß werden die mit diesen Umfelderfassungssensoren gesammelten Umfelddaten zur Optimie rung des Ladungszustandsverlaufs und/oder des Drehmoment- und/oder Leistungs bedarfs verwendet.
In einer weiteren Ausgestaltung erhält das Steuergerät über die erste Schnittstelle eine Information übereinen Eintritt und/oder Austritt des Hybrid-Elektro-Fahrzeuges in und/oder aus einem Geofencing-Bereich. Während eines Durchfahrens des Ge- ofencing-Bereichs steuert das Steuergerät einen Elektromotor des Hybrid-Elektro- Fahrzeuges an.
Die Erfindung wird in den folgenden Ausführungsbeispielen verdeutlicht. Es zeigen: Fig. 1 ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens, Fig. 2 ein Ausführungsbeispiel eines erfindungsgemäß optimierten Ladungszu standsverlaufs,
Fig. 3a ein Ausführungsbeispiel einer Visualisierung eines Ladungszustandsverlaufs, fig. 3b ein Ausführungsbeispiel eines Geofencing -Bereichs,
Fig. 4 ein Ausführungsbeispiel einer Visualisierung eines Drehmomentbedarfs,
Fig. 5 ein Ausführungsbeispiel einer Cloud-Anwendung und
Fig. 6 ein weiteres Ausführungsbeispiel eines erfindungsgemäßen Verfahrens.
In den Figuren bezeichnen gleiche Bezugszeichen gleiche oder funktionsähnliche Bezugsteile. Übersichtshalber werden in den einzelnen Figuren nur die jeweils rele vanten Bezugsteile hervorgehoben.
Fig. 1 zeigt beispielhaft den Ablauf eines erfindungsgemäßen computerimplementier ten Verfahrens. In einem Verfahrensschritt V1a wird eine Routenhistorie aus Fahrer daten DID und Fahrzeugdaten VD bestimmt aus einem Dauerlaufbetrieb eines Hyb- rid-Elektro-Fahrzeuges HEV. Aus dieser Routenhistorie wird in einem Verfahrens schritt V1 eine Wahrscheinlichkeitsverteilung PR von Routen bestimmt. In einem Ver fahrensschritt V2 wird eine Zeiteingabe TS erhalten, beispielsweise ein Datum und eine Uhrzeit. Für diese Zeiteingabe TS werden in einem Verfahrensschritt V3 Wahr scheinlichkeiten von zukünftigen Routen bestimmt. In einem Verfahrensschritt V4 werden die zukünftigen Routen durch einen ersten Optimierungsalgorithmus Opt1 prozessiert und dabei ein Ladungszustandsverlauf SoC hinsichtlich Ladungsver brauch, Kraftstoffverbrauch und/oder Energiespeicher für eine aktuelle Route opti miert.
Fig. 2 zeigt einen erfindungsgemäß bestimmten optimierten Ladungszustandsverlauf SoC für eine spezifische Route. Das Optimierungsziel lautet keine Energie zu ver schwenden und den Energiespeicher zu sichern. Dargestellt sind auch Toleranzbänder, um in Energie sparenden Situationen innerhalb des Toleranzbandes entsprechend reagieren zu können. Ausgegangen wird beispielsweise von einer Pendlerstrecke, die die ersten 75% aus Überlandfahrt und die letzten 25% aus Stop- and-Go-Betrieb in einer Stadt besteht. Erfindungsgemäß wurde dieser Streckenver lauf und der benötigte Energiebedarf gelernt. Der erste Optimierungsalgorithmus Opt1 schlägt vor, den Energiegehalt nicht für die vergleichsweise effiziente Überland fahrt zu investieren, sondern für die ineffiziente Stop-and-Go Fahrt in der Stadt. An einem Arbeitstag, an dem ein Pendler diese Strecke als aktuelle Route fährt, steuert das erfindungsgemäße Steuergerät ECU entsprechend dieses Ladungszustandsver laufs SoC.
Fig. 3a zeigt den erfindungsgemäß optimierten Ladungszustandsverlauf SoC visuell in einer Karte. Die Karte zeigt eine für jeweils mehr als 30 Sekunden vorherbe stimmte SoC-Policy und wird alle 30 Sekunden aktualisiert. Die Karte wird auf Fahr erdaten DID, Fahrzeugdaten VD, Verkehrsvoraussagen TP und/oder Daten aus ei nem Flottenbetrieb von Hybrid-Elektro-Fahrzeugen HEV aufgebaut und umfasst Ge- fencing-Bereiche GF. Ein Geofencing-Bereich GF, in dem das Hybrid-Elektro-Fahr- zeug HEV elektrisch zu betreiben ist, ist in Fig. 3b gezeigt.
Fig. 4 zeigt den erfindungsgemäß bestimmten erwarteten Verlauf des Drehmoment- und/oder Leistungsbedarf TPD auf Routenabschnitten. Eine dunklere Schraffierung bedeutet dabei einen höheren Drehmoment- und/oder Leistungsbedarf TPD.
Das in Fig. 5 gezeigte Hybrid-Elektro-Fahrzeug HEV ist ein Plugin-Hybrid-Elektro- fahrzeug, dessen Energiespeicher über ein Stromnetz an Ladestationen aufgeladen werden kann. Der erste Optimierungsalgorithmus Opt1 wird in einer Cloud-Plattform prozessiert und der optimierte Ladungszustandsverlauf SoC über Funktechnologie einem Steuergerät ECU des Hybrid -Elektro-Fahrzeuges HEV bereitgestellt. Das Steuergerät ECU umfasst eine erste Schnittstelle Int1 , über die Daten aus der Cloud- Plattform einer Kontrolleinheit Cont des Steuergeräts ECU bereitgestellt werden. Die Kontrolleinheit Cont führt einen zweiten Optimierungsalgorithmus Opt2 aus, der den Drehmoment- und Leistungsbedarf TPD optimiert. Die Kontrolleinheit Cont bestimmt Regelungs- und/oder Steuerungssignale für eine Hybridregelung, um den Energiespeicher und/oder einen Antriebsstrang des Hybrid-Elektro-Fahrzeuges HEV gemäß des optimierten Ladungszustandsverlaufs SoC zu betreiben. Die Regelungs und/oder Steuerungssignale werden der Hybridregelung über eine zweite Schnitt stelle Int2 des Steuergeräts ECU bereitgestellt.
Fig. 6 zeigt eine weitere erfindungsgemäße Ausführungsform des vorgeschlagenen Verfahrens. In einem ersten Abschnitt des Verfahrens, dem Routen-Vorherbestim- mer, werden Routen vorherbestimmt. Dieser Abschnitt umfasst die Verfahrens schritte V1 und V1a. In einem zweiten Abschnitt, dem Verkehr-Vorherbestimmer, werden die Verkehrsvoraussagen TP bestimmt. In einem dritten Abschnitt, dem Drehmoment- und/oder Leistungs-Vorherbestimmer, werden die Drehmoment- und Leistungsbedarfe TPD bestimmt. In einem vierten Abschnitt, dem SoC-Strategie-Op- timierer, wird eine optimierte Ladungszustandsverlauf-Policy bestimmt. Der vierte Ab schnitt umfasst die Verfahrensschritte V2, V3 und V4. Ausgaben der einzelnen Ab schnitte sind Eingaben für die jeweils folgenden Abschnitte. Nach einem Aspekt der Erfindung entspricht jedem Abschnitt ein eigener Softwarecodeabschnitt. Jeder die ser Softwarecodeabschnitte umfassend eine jeweilige Input-Output-Struktur ist ein eigenständiges Softwaremodul.
Eingaben für den ersten Abschnitt umfassen Fahrerdaten DID, Fahrzeugdaten VD und Zeiteingaben TS. Die Fahrerdaten DID umfassen eine Fahreridentifikation, um zwischen mehreren Fahrern unterscheiden zu können. In Abhängigkeit dieser Daten wird eine Routenhistorie erstellt. In Abhängigkeit der Routenhistorie wird die Wahr scheinlichkeitsverteilung PR von Routen bestimmt. Ausgehend von der Zeiteingabe TS und der Wahrscheinlichkeitsverteilung PR wird die aktuelle, das heißt die erwar tete, Route als Ausgabe bestimmt zusammen mit entsprechenden Routenparame tern RP, beispielsweise Positionen von Ladestationen auf der Route.
Eingaben für den zweiten Abschnitt umfassen Fahrzeugdaten VD, Wetterdaten WD, Routenparameter RP, Zeiteingaben TS und externe Daten ED. Die externen Daten umfassen beispielsweise Kartendaten von Kartenanbietern, um Verkehrsflüsse anzu zeigen. Die Eingaben umfassen beispielsweise Listen von vorherzubestimmenden Straßenabschnitten. Ausgabe des zweiten Abschnittes ist die Verkehrsvoraussage TP umfassend Beschleunigungen und Geschwindigkeiten des Verkehrs pro Routen abschnitt in Abhängigkeit der zu erwarteten Route. Durch die Verkehrsvoraussage TP wird ein Stop-und-Go-Betrieb des Hybrid-Elektro-Fahrzeuges HEV vorteilhafter weise auf eine wahrscheinlich aktuelle Verkehrssituation angepasst.
Eingaben für den dritten Abschnitt umfassen Fahrerdaten DID, Fahrzeugdaten VD, Wetterdaten WD, Routenparameter RP, Zeiteingaben TS und die Verkehrsvoraus sage TP. Ausgaben des dritten Abschnittes umfassen den Drehmoment- und/oder Leistungsbedarf TPD pro Routenabschnitt in Abhängigkeit der Verkehrsvoraussage TP. Der Drehmoment- und/oder Leistungsbedarf TPD wird kurzzeitig optimiert und umfasst eine Gangwahl.
Eingaben für den vierten Abschnitt umfassen die Wahrscheinlichkeitsverteilung PR von Routen zusammen mit den Routenparametern RP, die Verkehrsvoraussage TP, den Drehmoment- und/oder Leistungsbedarf TPD und gegebenenfalls Bedingungen oder Einschränkungen an den Ladungszustandsverlauf SoC. Ziel des ersten Opti mierungsalgorithmus ist es, einen Ladungszustandsverlauf SoC zu finden, der mög lichst keine Energie verschwendet und den Energiespeicher schont.
Bezuqszeichen
SoC Ladungszustandsverlauf
HEV Hybrid-Elektro-Fahrzeug
PR Wahrscheinlichkeitsverteilung von Routen
DID Fahrerdaten
VD Fahrzeugdaten
TS Zeiteingabe
WD Wetterdaten
ED externe Daten
Opt1 erster Optimierungsalgorithmus
Opt2 zweiter Optimierungsalgorithmus
TP Verkehrsvoraussage
RP Routenparameter
TPD Drehmoment- und/oder Leistungsbedarf
GF Geofencing-Bereich
ECU Steuergerät
Int1 erste Schnittstelle
Int2 zweite Schnittstelle
Cont Kontrolleinheit
V1 -V4 Verfahrensschritte

Claims

Patentansprüche
1. Computerimplementiertes Verfahren zum Optimieren eines Ladungszustandsver laufs (SoC) eines Hybrid-Elektro-Fahrzeuges (HEV) umfassend die Schritte:
• Bestimmen einer ersten Wahrscheinlichkeitsverteilung (PR) von Routen aus einer Routenhistorie (V1 ), wobei die Routenhistorie aus zumindest ersten und zweiten Daten bestimmt wird oder bereitgestellt ist (V1a), wobei die ersten Da ten Fahrerdaten (DID) aus Fährbetrieben und die zweiten Daten Fahrzeugda ten (VD) umfassen,
• Erhalten einer Zeiteingabe (TS) (V2),
• Bestimmen von Wahrscheinlichkeiten von zukünftigen Routen aus der ersten Wahrscheinlichkeitsverteilung von Routen für die Zeiteingabe (TS) (V3) und
• Prozessieren der zukünftigen Routen durch einen ersten Optimierungsalgo rithmus (Opt1 ), der Befehle umfasst, die bewirken, dass in Abhängigkeit der Wahrscheinlichkeiten der zukünftigen Routen ein Ladungszustandsverlauf hin sichtlich Ladungsverbrauch, Kraftstoffverbrauch und/oder Energiespeicher für eine aktuelle Route optimiert wird, wenn der erste Optimierungsalgorithmus (Opt1 ) prozessiert wird (V4).
2. Verfahren nach Anspruch 1 , wobei eine zweite Verteilung an Drehmoment- und/o der Leistungsbedarf (TPD) für Routenabschnitte aus einer Hybridregelungshistorie, die aus zumindest den ersten und zweiten Daten bestimmt wird oder bereitgestellt ist, bestimmt wird und in den ersten Optimierungsalgorithmus (Opt1 ) zusammen mit den zukünftigen Routen eingegeben wird und/oder ein zweiter Optimierungsalgorith mus (Opt2) in Abhängigkeit der Wahrscheinlichkeit einer der zukünftigen Routen den Drehmoment- und/oder Leistungsbedarf (TPD) für die aktuelle Route optimiert.
3. Verfahren nach Anspruch 1 oder 2, wobei die Routenhistorie, die zukünftigen Rou ten und/oder Hybridregelungshistorie aus dritten Daten bestimmt werden oder bereit gestellt sind, wobei die dritten Daten Routenparameter (RP), Verkehrsdaten, Infra strukturdaten, Wetterdaten und/oder Veranstaltungsdaten umfassen.
4. Verfahren nach einem der Ansprüche 1 bis 3, wobei bei der Optimierung des La dungszustandsverlaufs (SoC) und/oder des Drehmoment- und/oder Leistungsbedarfs (TPD) Geofencing-Bereiche (GF) auf Routen, in denen ein elektrischer Betrieb des Hybrid-Elektro-Fahrzeuges (HEV) zu aktivieren ist oder automatisiert aktiviert wird, berücksichtigt werden.
5. Verfahren nach einem der Ansprüche 1 bis 4, wobei die erste Wahrscheinlichkeits verteilung und/oder die zweite Verteilung statistisch bestimmt oder maschinell gelernt werden mittels Gauß Mischverteilungsmodellen, Gauß-Prozessen, Support-Vector- Machine Algorithmen, Random-Forest-Tree Algorithmen oder Gradienten basierten Lernen künstlicher neuronaler Netzwerke.
6. Verfahren nach einem der Ansprüche 1 bis 5, wobei für das Optimieren des La dungszustandsverlauf (SoC) und/oder des Drehmoment- und/oder Leistungsbedarfs (TPD) der erste und/oder der zweite Optimierungsalgorithmus (Opt1 , Opt2) Befehle zum Lösen von Bellman-Gleichungen umfassen und/oder der Ladungszustandsver lauf (SoC) und/oder der Drehmoment- und/oder Leistungsbedarf (TPD) durch ver stärktes Lernen oder einen evolutionären Algorithmus optimiert werden.
7. Verfahren nach einem der Ansprüche 1 bis 6, wobei durch eine Langzeit-Optimie rung und/oder eine Kurzzeit-Optimierung Routenabschnitte und/oder Routen berück sichtigt werden, die Kraftstoff- und/oder Ladungsverbrauch einsparen.
8. Verfahren nach einem der Ansprüche 1 bis 7, wobei der erste Optimierungsalgo rithmus (Opt1 ) auf einer Cloud-Plattform und/oder der zweite Optimierungsalgorith mus (Opt1 ) auf einem Steuergerät (ECU) des Hybrid-Elektro-Fahrzeuges (HEV) aus geführt werden.
9. Verwendung des Verfahrens nach einem der Ansprüche 1 bis 8 für eine Optimie rung eines Ladungszustandsverlaufs bei einem batterieelektrischem Fahrzeug.
10. Steuergerät (ECU) zum Regeln/und oder Steuern eines Hybrid-Elektro-Fahrzeu ges (HEV) umfassend • eine erste Schnittstelle (Int1), um einen nach einem der Verfahren der Ansprü che 1 bis 9 optimierten Ladungszustandsverlauf (SoC) zu erhalten,
• eine Kontrolleinheit (Cont), die Regelungs- und/oder Steuerungssignale für eine Hybridregelung bestimmt, um einen Energiespeicher und/odereinen An triebsstrang des Hybrid-Elektro-Fahrzeuges (HEV) gemäß des Ladungszu standsverlaufs (SoC) zu betreiben, und
• eine zweite Schnittstelle (Int2), die die Regelungs- und/oder Steuerungssig nale der Hybridregelung bereitstellt.
11. Steuergerät (ECU) nach Anspruch 10, wobei die Kontrolleinheit (Cont) einen zweiten Optimierungsalgorithmus (Opt2) nach Anspruch 2, 5, oder 6 ausführt.
12. Steuergerät (ECU) nach Anspruch 10 oder 11, wobei das Steuergerät (ECU) über die erste Schnittstelle (Int1 ) eine Information über einen Eintritt und/oder Austritt des Hybrid-Elektro-Fahrzeuges (HEV) in und/oder aus einem Geofencing-Bereich (GF) erhält und während eines Durchfahrens des Geofencing-Bereichs (GF) einen Elektromotor des Hybrid-Elektro-Fahrzeuges (HEV) ansteuert.
13. Computerprogramm zum Regeln/und oder Steuern eines Hybrid-Elektro-Fahr zeuges (HEV), umfassend Befehle, die bewirken, dass ein Computer die Schritte ei nes der Verfahren nach einem der Ansprüche 1 bis 9 ausführt und einen optimierten Ladungszustandsverlauf (SoC) einem Steuergerät (ECU) nach einem der Ansprüche 10 bis 12 bereitstellt, wenn das Programm auf dem Computer läuft, und/oder.
14. Computerlesbarer Datenträger zum Regeln/und oder Steuern eines Hybrid- Elektro-Fahrzeuges (HEV), auf dem das Computerprogramm nach Anspruch 13 ge speichert ist.
15. Datenträgersignal zum Regeln/und oder Steuern eines Hybrid-Elektro-Fahrzeu ges (HEV), das eine Ausgabe des Computerprogramms nach Anspruch 13 überträgt.
PCT/EP2021/061653 2020-05-25 2021-05-04 Computerimplementiertes verfahren zum optimieren eines ladungszustandsverlaufs eines hybrid-elektro-fahrzeuges und steuergerät, computerprogramm, computerlesbarer datenträger und datenträgersignal zum regeln/und oder steuern eines hybrid-elektro-fahrzeuges WO2021239402A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020206496.2 2020-05-25
DE102020206496.2A DE102020206496A1 (de) 2020-05-25 2020-05-25 Computerimplementiertes Verfahren zum Optimieren eines Ladungszustandsverlaufs eines Hybrid-Elektro-Fahrzeuges und Steuergerät, Computerprogramm, computerlesbarer Datenträger und Datenträgersignal zum Regeln/und oder Steuern eines Hybrid-Elektro-Fahrzeuges

Publications (1)

Publication Number Publication Date
WO2021239402A1 true WO2021239402A1 (de) 2021-12-02

Family

ID=76076299

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/061653 WO2021239402A1 (de) 2020-05-25 2021-05-04 Computerimplementiertes verfahren zum optimieren eines ladungszustandsverlaufs eines hybrid-elektro-fahrzeuges und steuergerät, computerprogramm, computerlesbarer datenträger und datenträgersignal zum regeln/und oder steuern eines hybrid-elektro-fahrzeuges

Country Status (2)

Country Link
DE (1) DE102020206496A1 (de)
WO (1) WO2021239402A1 (de)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3988361A1 (de) * 2020-10-19 2022-04-27 Technische Universität Darmstadt Verfahren zum betreiben eines fahrzeugs mit einem hybridantriebsstrangsystem
CN115230485A (zh) * 2022-07-22 2022-10-25 大连理工大学 基于短期功率平滑预测的燃料电池公交车能量管理方法
CN115588242A (zh) * 2022-12-09 2023-01-10 中安芯界控股集团有限公司 一种基于物联网的储能电池测试系统及方法
WO2024174719A1 (zh) * 2023-02-21 2024-08-29 合众新能源汽车股份有限公司 增程车辆的功率分配方法、装置及相关设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT525983B1 (de) * 2022-05-31 2023-10-15 Avl List Gmbh Vorrichtung und Verfahren zur Steuerung eines Antriebsstrangs eines Hybridfahrzeugs

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110087390A1 (en) * 2009-09-15 2011-04-14 Kpit Cummins Infosystems Ltd. Motor assistance for a hybrid vehicle based on predicted driving range
US20130073113A1 (en) * 2011-09-16 2013-03-21 Ford Global Technologies, Llc Vehicle and method for estimating a range for the vehicle
EP2692604A1 (de) 2012-08-02 2014-02-05 Technisat Digital Gmbh Verfahren zum Steuern des Ladezustands eines Energiespeichers eines Hybridfahrzeugs
US20190232943A1 (en) * 2018-02-01 2019-08-01 Honda Motor Co., Ltd. Vehicle control system, vehicle control method, and storage medium

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110087390A1 (en) * 2009-09-15 2011-04-14 Kpit Cummins Infosystems Ltd. Motor assistance for a hybrid vehicle based on predicted driving range
US20130073113A1 (en) * 2011-09-16 2013-03-21 Ford Global Technologies, Llc Vehicle and method for estimating a range for the vehicle
EP2692604A1 (de) 2012-08-02 2014-02-05 Technisat Digital Gmbh Verfahren zum Steuern des Ladezustands eines Energiespeichers eines Hybridfahrzeugs
US20190232943A1 (en) * 2018-02-01 2019-08-01 Honda Motor Co., Ltd. Vehicle control system, vehicle control method, and storage medium

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3988361A1 (de) * 2020-10-19 2022-04-27 Technische Universität Darmstadt Verfahren zum betreiben eines fahrzeugs mit einem hybridantriebsstrangsystem
US11608047B2 (en) 2020-10-19 2023-03-21 Technische Universität Darmstadt Method for operating a vehicle with a hybrid drive train
CN115230485A (zh) * 2022-07-22 2022-10-25 大连理工大学 基于短期功率平滑预测的燃料电池公交车能量管理方法
CN115588242A (zh) * 2022-12-09 2023-01-10 中安芯界控股集团有限公司 一种基于物联网的储能电池测试系统及方法
WO2024174719A1 (zh) * 2023-02-21 2024-08-29 合众新能源汽车股份有限公司 增程车辆的功率分配方法、装置及相关设备

Also Published As

Publication number Publication date
DE102020206496A1 (de) 2021-11-25

Similar Documents

Publication Publication Date Title
DE102019115030B4 (de) Verfahren zum Steuern des Betriebs eines Kraftfahrzeugs
WO2021239402A1 (de) Computerimplementiertes verfahren zum optimieren eines ladungszustandsverlaufs eines hybrid-elektro-fahrzeuges und steuergerät, computerprogramm, computerlesbarer datenträger und datenträgersignal zum regeln/und oder steuern eines hybrid-elektro-fahrzeuges
EP3676707B1 (de) Verfahren zur nutzung einer rechnereinheit sowie fahrzeug
DE102011018182B4 (de) Selbstlernendes durch eine Satellitennavigation unterstütztes Hybridfahrzeug-Steuersystem
DE112019003755T5 (de) Lernen von Fahrerverhalten und Fahrcoaching-Strategie mittels künstlicher Intelligenz
DE102019114590A1 (de) Kraftfahrzeuge mit elektroantrieb, systeme und steuerlogik für vorausschauende ladeplanung und antriebsstrangsteuerung
EP2918439B1 (de) Verfahren zum Betreiben eines Fahrzeugs und Fahrerassistenzsystem
DE112014004812T5 (de) Fahrunterstützungsvorrichtung, Fahrunterstützungsverfahren und Fahrunterstützungssystem
DE102012216115A1 (de) Ein Fahrzeug und Verfahren zum Schätzen einer Reichweite für das Fahrzeug
DE102020126883A1 (de) Schätzung, klassifizierung und anpassung von treibermodellen für die reichweitenvorhersage
DE102014222007A1 (de) PHEV-Energieverwaltungssteuerung mit einer fahrtorientierten Energieverbrauchsvorplanung
DE102012209732A1 (de) Ein Verfahren zum Priorisieren eines Nur-Elektrofahrzeugs (EV - Electric-Only Vehicle) Modus für ein Fahrzeug
WO2013034729A1 (de) Verfahren zum steuern von energieverteilungsprozessen in einem fahrzeug
DE102015103267A1 (de) Fahrtpartitionierung auf Basis von Energieverbrauchsfahrmustern
EP3002148B1 (de) Betreiben einer antriebseinrichtung eines fahrzeugs unter verwendung einer steuerungseinrichtung
DE102020119861A1 (de) Verfahren und Assistenzeinrichtung zum iterativ optimierten Betreiben eines Kraftfahrzeugs und Kraftfahrzeug
DE102021111275A1 (de) Ladesysteme und -verfahren für elektrische fahrzeuge
DE102022106658A1 (de) Antriebssteuervorrichtung, antriebssteuerverfahren und nicht-transitorisches speichermedium
DE102020202803A1 (de) Modellbasierte prädiktive Regelung eines Fahrzeugs unter Berücksichtigung eines Ankunftszeit-Faktors
WO2021089150A1 (de) Autonome fahrfunktion eines kraftfahrzeugs unter berücksichtigung von im umfeld des ego-fahrzeugs befindlichen fahrzeugen
EP3495193A1 (de) Verfahren zum betreiben eines kraftfahrzeugs
DE102022132389A1 (de) Systeme und verfahren zum steuern des leistungsflusses zwischen elektrifizierten fahrzeugen und ladeanhängern während energieübertragungen während der fahrt
DE102018220572A1 (de) Prädiktive energieoptimierung einer gesamten fahrt
WO2015110274A1 (de) Verfahren zum steuern einer geschwindigkeit eines elektrisch angetriebenen fahrzeuges
WO2022090040A1 (de) Verfahren und vorrichtung zum steuern eines fahrzeugs entlang einer fahrttrajektorie

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21727373

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 21727373

Country of ref document: EP

Kind code of ref document: A1