Entwicklung von neuartigen Online-Verfahren zur optimalen Steuerung hybrider Antriebssysteme
Zusammenfassung der Projektergebnisse
Im Rahmen des OASys Projekts wurden verschiedene Kontrollstrategien für ein paralleles Hybridfahrzeug implementiert. Diese optimieren den Kraftstoffverbrauch, sollen aber auch den Batterieladezustand innerhalb gewisser Grenzen halten und Fahrbarkeit gewährleisten. Diese Strategien gehören zu den Klassen der nicht-prädiktiven bzw. der prädiktiven Kontrollstrategien. In die erste Kategorie fällt die Äquivalenzfaktorstrategie (ECMS). Unsere Implementierung nutzt verschiedene Adaptionsgesetze. Zusätzlich erlaubt unsere Implementierung die Verwendung eines zeitabhängigen Referenzwerts des Batterieladezustand. Dabei wurden die zeitabhängigen Referenzwerte mit Hilfe von flachheitsbasierter Optimierung zur Laufzeit berechnet und der Äquivalenzfaktorstrategie zur Verfügung gestellt, so dass eine Effizienzsteigerung des Antriebsstrangs erzielt werden konnte. Ferner wurde zur Laufzeitoptimierung die Kontrolle durch ein im Vorfeld mit Datenpunkten der Äquivalenzfaktorstrategie trainiertes neuronales Netz berechnet. Wir haben mit Hilfe von dynamischer Programmierung (DP) zum einen die den Kraftstoffverbrauch minimierende Lösung bestimmt; zum anderen haben wir DP als prädiktive Kontrollstrategie eingesetzt. Dabei haben wir zunächst die optimale Lösung nur für einen Pradiktionshorizont von 20 Sekunden berechnet. Die Kostenfunktion berücksichtigt dabei den Kraftstoffverbrauch sowie eine Funktion, welche die Abweichung des Batterieladezustands am Ende des Prädiktionshorizonts von seinem Referenzwert bewertet. Da die globale Optimierung der DP eine hohe Laufzeit erfordert, wurde von uns eine weitere prädiktive Kontrollstrategie implementiert, die auf genetischen Algorithmen (GA) basiert. Dadurch ist eine Diskretisierung des Zustandsraums wie bei DP nicht mehr notwendig. Jedoch als Konsequenz berechnet diese Strategie im Allgemeinen keine optimale Lösung. Wir haben daher unsere GA-basierte Kontrollstrategie eingeführt, die in der Kostenfunktion die Bewertung des Kraftstoffverbrauchs, des Batterieladezustands und der Fahrbarkeit einer Kontrolle zu unterschiedlichen Anteilen gewichtet. Die auf genetischen Algorithmen basierte Kontrollstrategie wurde durch eine rasterbasierter Offline-Optimierung approximiert. Dadurch konnte die Laufzeit erheblich reduziert werden. Des Weiteren wurden prädiktive Betriebsstrategien auf Basis der modellbasierten prüdiktive Regelung (MPR) untersucht, die über einen Prädiktionshorizont von 20 Sekunden optimieren. Im Unterschied zu DP kann aufgrund der Linearisierung des Systemmodells zu jedem Zeitpunkt ein quadratisches Programm (QP) gelöst werden, dessen Lösung sehr effizient ermittelt werden kann. Im Allgemeinen lasst sich keine Aussage darüber treffen, welche der oben genannten Online-Kontrollstrategien die verbrauchsminimale Lösung für eine bis auf den Prädiktionshorizont im Vorfeld unbekannte Fahrstrecke berechnet. Online-Lernalgorithmen sind in der Lage, sich bei einer vorgegebenen Menge von Experten (Kontrollstrategien) der kostenminimalen (verbrauchsminimalen) Lösung (Kontrolle) anzunähern. Wir haben die implementierten Online-Lernalgorithmen mit verschiedenen Expertenmengen untereinander und mit den verwendeten Experten verglichen. Jeder der betrachteten Experten konnte auf den in der Evaluierung verwendeten Fahrzyklen den Verbrauch im Vergleich zum Fahren mit reinem Verbrennungmotor deutlich (bis zu 1.2%) reduzieren, wobei prädiktive Kontrollstrategien im Allgemeinen bessere Ergebnisse lieferten. Weiterhin konnten die besten online Lernalgorithmen auf einer Menge von ECMS-, DP- und GA-basierten Experten eine Reduktion des Kraftstoffverbrauchs von bis zu 2% im Vergleich zum besten Experten erzielen.
Projektbezogene Publikationen (Auswahl)
- Algorithms for Online Buffering Problems and Applications to the Power Control of a Hybrid Electric Vehicle, RWTH Aachen University, Diss., 2013
Winkler, Melanie
- Multi-time Scale Model Predictive Control Framework for Energy Management of Hybrid Electric Vehicles. In: Proc. of the 53rd IEEE Conference on Decision and Control (CDC), IEEE, 2014, S. 2523–2528
Joševski, Martina ; Abel, Dirk
(Siehe online unter https://dx.doi.org/10.1109/CDC.2014.7039774) - Online Parameter Tuning Methods for Adaptive ECMS Control Strategies in Hybrid Electric Vehicles. In: Proc. of the FISITA 2014 World Automotive Congress (FISITA), FISITA, 2014
Winkler, Melanie ; Geulen, Sascha ; Joševska, Martina ; Tegethoff, Michael; Abel, Dirk; Vöcking, Berthold
- Energy Management of Parallel Hybrid Electric Vehicles Based on Stochastic Model Predictive Control. In: Proc. of the 19th World Congress of the International Federation of Automatic Control (IFAC) Bd. 19, IFAC Papers Online, 2014
Joševski, Martina ; Abel, Dirk
(Siehe online unter https://doi.org/10.3182/20140824-6-ZA-1003.01329) - Learning-based Control Strategies for Hybrid Electric Vehicles. In: Proc. of the 2015 IEEE Conference on Control Applications (CCA), IEEE, 2015, S. 1722–1728
Geulen, Sascha ; Joševski, Martina ; Nellen, Johanna ; Fuchs, Janosch ; Netz, Lukas ; Wolters, Benedikt ; Abel, Dirk ; Abráham, Erika ; Unger, Walter
(Siehe online unter https://dx.doi.org/10.1109/CCA.2015.7320858) - Online Lernen als Kontrollstrategie in Hybridfahrzeugen. In: Tagungsbericht der siebten VDI/VDE Fachtagung AUTOREG: Auf dem Weg zum automatisierten Fahren Bd. 2233, VDI Verlag, 2015 (VDI-Berichte), S. 101–112
Geulen, Sascha ; Joševski, Martina ; Nellen, Johanna ; Fuchs, Janosch ; Netz, Lukas ; Wolters, Benedikt ; Abrahám, Erika ; Unger, Walter ; Abel, Dirk
- A Genetic Algorithm based Control Strategy for the Energy Management Problem in PHEVs. In: Proc. of the 1st Global Conference on Artificial Intelligence (GCAI) Bd. 36, EasyChair, 2015 (EPiC Series in Computer Science), S. 196–214
Nellen, Johanna ; Wolters, Benedikt ; Netz, Lukas ; Geulen, Sascha ; Abrahám, Erika
(Siehe online unter https://dx.doi.org/10.29007/md3x)
