Martin Hellwig
Erzeugung optimaler Fahrstrategien für Elektrofahrzeuge
Dissertation
Informatik
Erzeugung optimaler
Fahrstrategien für Elektrofahrzeuge
Dissertation
zur Erlangung des akademischen Grades Doktor-Ingenieur (Dr.-Ing.)
der Fakultät für Mathematik und Informatik der FernUniversität in Hagen
vorgelegt von Martin Hellwig
Januar 2021
Prof. Dr.-Ing. Wolf Ritschel (Hochschule Bochum) Datum der Prüfung:
22.03.2021
Zusammenfassung
Elektrofahrzeuge gelten als Baustein einer nachhaltigen Mobilität, da sie einen emis- sionsfreien Betrieb und die Nutzung regenerativer Energiequellen ermöglichen. Die begrenzte Reichweite von Elektrofahrzeugen gilt jedoch als gröÿtes Hindernis bei der Verbreitung der Technologie.
In der vorliegenden Arbeit wird diese Problematik durch die Entwicklung eines Fahrtenmanagement-Systems adressiert. Es ermöglicht die Berechnung einer ezien- ten Fahrweise und eine verlässliche Prognose des Ladezustands am Zielort. Um dies zu erreichen werden drei Kernaufgaben fokussiert.
Zum Ersten werden auf Basis von Kartendaten Informationen über die vorauslie- gende Route gesammelt, um die Planung des Fahrtverlaufs vom Start zum Ziel zu ermöglichen. Durch Analyse zur Verfügung stehender Online-Daten wird die gesamte vorausliegende Fahrt planbar unter Berücksichtigung von Geschwindigkeitsbegrenzun- gen, Streckenverlauf und auftretender Verkehrssituationen. Zum Zweiten werden die erzeugten Daten genutzt, um eine Optimierung des Geschwindigkeitsverlaufs in dy- namischer Programmierung nach dem Optimalitätsprinzip von Bellman umzusetzen.
Da sich Energieezienz und Fahrzeit als Zielgröÿen der Optimierung gegenüberstehen, werden unterschiedlich gewichtete Lösungen erzeugt. Zum Dritten wird die Berechnung des Energiebedarfs durch ein rechenzeitoptimiertes Fahrzeugmodell fokussiert, welches anhand aufgezeichneter Realdaten veriziert wird. In einer Gesamtfahrzeugsimulation wird der realitätsnahe Einsatz des Fahrtenmanagers gezeigt. Dabei ndet eine laufende Korrektur der Fahrstrategie statt, um unvorhergesehene Einüsse auf den Fahrtverlauf zu kompensieren und die Abweichung zu einem prognostizierten Zielwert zu minimie- ren.
Die Neuheit der Arbeit liegt in der Kombination der Routenprädiktion und der Erzeugung pareto-optimaler Geschwindigkeitsverläufe durch die multikriterielle Op- timierung. So wird die Berechnung verschiedener Fahrstrategien und die Umsetzung einer Strategie-Korrektur während der Fahrt ermöglicht. Auf diese Weise ist nicht nur eine Energieersparnis aufgrund der ezienten Fahrweise möglich, sondern auch eine verbesserte Vorhersage der Fahrzeit, respektive des Ladezustands am Zielort.
Abstract
Electric vehicles are regarded as a key technology for sustainable mobility. They oer emission free driving and the possibility to use renewable energy sources. The most relevant obstacle for the market acceptance of electric vehicles is the limited range in comparison to combustion engine vehicles.
In this thesis a driving manager is presented to improve the driving eciency and accuracy in range estimation. The system calculates the optimal course of velocity for the upcoming route in terms of energy consumption and driving time. In order to achieve this, three core topics are addressed.
The knowledge about the upcoming route and driving maneuvers is required to plan the optimal driving strategies. For that reason, route information is acquired using online data via map and routing services. By analyzing these data, the course of the road as well as driving maneuvers can be predicted. Based on this knowledge an optimal velocity is calculated, using dynamic programming following bellman's principle of optimality. Since travel time and low energy demand are concurrent objectives in nding the optimal strategy, dierently weighted pareto-optimal solutions are calculated simultaneously. The precise calculation of energy demand in every driving situation is achieved by the implementation of a vehicle model with optimized computation time. The model is veried through a comparison with recorded vehicle data in real driving cycles. A simulation is performed to validate the concept and to illustrate the functionality of the system. Here, unpredictable inuences on the driving situation or energy demand are simulated. The driving-manager compensates occurring deviations to predicted travel time or energy demand by adapting the optimal driving strategy during the journey. As a result, the deviation of the predicted target value, e.g. the state of charge at the destination, can be minimized.
The novelty of the approach is the combination of route prediction and optimization of velocity with multiple optimization parameters. This enables utilization of varying driving strategies in an assistance system, which is able to adapt to unforeseen events and inuences through a live-correction of the driving strategy. By this, the overall driving eciency can be increased and the prediction of remaining vehicle range at the destination is improved.
Inhaltsverzeichnis
1 Einleitung 1
1.1 Problemstellung . . . 1
1.2 Zielsetzung . . . 3
1.3 Denition des Fahrtenmanagements . . . 4
1.3.1 Anforderungen . . . 5
1.3.2 Systemgrenzen . . . 6
1.4 Gliederung der Arbeit . . . 7
1.4.1 Stand von Wissenschaft und Technik . . . 7
1.4.2 Datenakquise . . . 7
1.4.3 Fahrtoptimierung . . . 8
1.4.4 Fahrzeugmodell . . . 9
1.4.5 Analyse des Fahrtenmanagers . . . 10
1.4.6 Ausblick . . . 11
2 Stand der Wissenschaft und Technik 13 2.1 Assistenzsysteme zur ezienten Fahrweise . . . 13
2.1.1 Daimler ECO Assistent . . . 13
2.1.2 BMW Vorausschauassistent . . . 14
2.1.3 Tesla Autopilot . . . 14
2.2 Wissenschaftliche Einordnung . . . 15
2.3 Vorarbeiten und Veröentlichungen . . . 20
3 Grundlagen 25 3.1 Elektromobilität . . . 25
3.1.1 Elektromobilität und Energiewandel . . . 25
3.1.2 Der elektrische Antriebsstrang . . . 26
3.1.3 Ezienz und Reichweite . . . 32
3.2 Fahrerassistenzsysteme . . . 34
3.2.1 Planung . . . 35
3.2.2 Fahrzeugführung . . . 35
3.2.3 Stabilisierung . . . 35
3.3 Automatisiertes Fahren . . . 36
3.3.1 Zielsetzung . . . 36
3.3.2 Herausforderung . . . 37
3.3.3 Autonomes Fahren als evolutionäre Entwicklung . . . 37
3.4 Regelungstechnik . . . 39
3.4.1 Denition der Regelung . . . 39
3.4.2 PID-Regler . . . 40
3.4.3 Mehrebenensteuerung . . . 41
3.4.4 Längsregelung im Fahrzeug . . . 42
3.5 Optimierung . . . 42
4.1 Geoinformationssysteme . . . 47
4.1.1 Auswahl des Kartenservice . . . 48
4.1.2 Google Maps . . . 48
4.1.3 OpenStreetMaps . . . 49
4.1.4 HERE . . . 49
4.2 Implementierung der Datenakquise . . . 50
4.2.1 Formatierung von Adressdaten . . . 51
4.2.2 Routing . . . 51
4.2.3 Höhenprol . . . 53
4.2.4 Wetterdaten . . . 54
4.3 Erstellung des Lösungsraums . . . 54
4.3.1 Maximal zulässige Geschwindigkeit . . . 55
4.3.2 Kreuzungssituationen . . . 56
4.3.3 Kurvenfahrten . . . 58
4.3.4 Geschwindigkeitsübergänge . . . 61
4.3.5 Untere Grenze des Lösungsraums . . . 61
4.4 Validierung der Methode zur Aufstellung des Lösungsraums . . . 62
4.4.1 Aufnahme von Realfahrten . . . 62
4.4.2 Vergleich des Lösungsraums mit Realfahrten . . . 63
4.4.3 Bewertung der Methode . . . 66
5 Optimierungsalgorithmus 67 5.1 Charakterisierung des Optimierungsproblems . . . 67
5.1.1 Multikriterielle Optimierung . . . 68
5.1.2 Zielgröÿengewichtung . . . 69
5.2 Optimierungsalgorithmus . . . 74
5.2.1 Diskretisierung des Lösungsraums . . . 75
5.2.2 Graphendarstellung des Lösungsraums . . . 76
5.2.3 Komplexität . . . 78
5.3 Kombinatorische Optimierungsverfahren . . . 79
5.3.1 Bellmans Optimalitätsprinzip . . . 79
5.3.2 Lösungsverfahren nach Dijkstra . . . 80
5.3.3 Lösungsverfahren nach Bellman-Ford . . . 83
5.4 Umsetzung in dynamischer Programmierung . . . 85
5.4.1 Ablauf des Algorithmus . . . 85
5.4.2 Kostenfunktion . . . 89
5.4.3 Rechenzeitoptimierung . . . 90
5.5 Datenstruktur . . . 92
5.6 Abbildung der Pareto-Front . . . 94
6 Energiemodell 95
6.1 Feed-Forward-Modell . . . 96
6.2 Fahrzeuglängsdynamik . . . 97
6.2.1 Massenträgheitskraft . . . 98
6.2.2 Luftwiderstand . . . 99
6.2.3 Rollwiderstand . . . 100
6.2.4 Hangabtriebskraft . . . 100
6.3 mechanische Drehmomentübertragung . . . 101
6.4 Elektrische Maschine . . . 102
6.4.1 Maschinenverluste . . . 104
6.4.2 Maschinenmodelle . . . 106
6.4.3 Leistungselektronik . . . 109
6.4.4 Traktionsbatterie . . . 109
6.4.5 Nebenverbraucher . . . 111
6.4.6 Fahrzeit . . . 112
6.5 Anwendung in der Optimierung . . . 113
6.5.1 Sequenzielle Programmierung des Fahrzeugmodells . . . 113
6.5.2 A-Priori-Berechnung . . . 115
6.6 Modellvalidierung . . . 117
6.6.1 Ergebnis der Validierung . . . 119
7 Analyse des Fahrtenmanagements 121 7.1 Optimierungsergebnisse . . . 121
7.1.1 Erzeugte Fahrstrategien . . . 122
7.1.2 Darstellung der Zielgröÿenvektoren . . . 124
7.1.3 Einhaltung der Zielgröÿenvorhersage . . . 127
7.1.4 Laufzeitanalyse . . . 129
7.2 Fahrtenmanagement in der Fahrzeugsimulation . . . 130
7.2.1 Simulationsaufbau . . . 130
7.2.2 Funktionsweise der Live-Korrektur . . . 132
7.2.3 Einhaltung der Ziel-Fahrzeit . . . 132
7.2.4 Einhaltung Ziel-Energiebedarf . . . 134
8 Fazit und Ausblick 137 8.1 Bewertung der Ergebnisse . . . 137
8.2 Aussicht . . . 140
Abkürzungsverzeichnis I
Abbildungsverzeichnis V
Tabellenverzeichnis IX
Literatur IX
1 Einleitung
1.1 Problemstellung
Der Schutz der Umwelt und die Erhöhung der Lebensqualität insbesondere in urbanen Regionen stellen aktuell zwei der groÿen gesellschaftlichen Herausforderungen dar.
Die Vereinten Nationen nennen in der 2015 formulierten Agenda zur nachhaltigen Ent- wicklung u.a. die Kernziele Saubere Energie, Gesundheit und Wohlergehen, nachhaltige Städte und Gemeinden und Maÿnahmen zum Klimaschutz [1]. Die Bundesregierung formuliert im Klimaschutzplan 2050 den Meilenstein, bis zum Jahre 2030 den Ausstoÿ von Treibhausgasen um insgesamt 54%-56% gegenüber 1990 zu reduzieren [2]. Im Verkehrssektor kann ein wesentlicher Beitrag zur Erreichung der Klimaschutzziele erzielt werden, da heute in Deutschland ca. 18% der klimaschädlichen Emissionen auf den Straÿenverkehr entfallen. Der Wandel in der Mobilität hat bereits begonnen, wobei die Elektromobilität heute als ein Baustein der nachhaltigen Mobilität gilt.
Sie bietet die Perspektive, regenerative Energie zu nutzen und die Lebensqualität im urbanen Raum durch Reduzierung der Schadsto- und Geräuschemission zu erhöhen.
Elektrofahrzeuge fahren lokal emissionsfrei und können durch die Nutzung elektrischer Energie einen wesentlichen Beitrag zur Reduzierung der CO2-Emissionen beitragen.
Mit Fortschreiten der Energiewende und steigendem Anteil regenerativer Stromquellen verbessert sich die Umweltbilanz bei der Nutzung von Elektrofahrzeugen stetig.
Die umwelt- und energiepolitischen Ziele sind jedoch nur durch eine hohe Marktdurch- dringung von Elektrofahrzeugen erreichbar. Die gröÿte technische Herausforderung stellt dabei die Speicherung der elektrischen Energie im Fahrzeug dar, denn die Energiedichte von Traktionsbatterien liegt weit unter der konventioneller Kraftstoe.
In Kombination mit der signikant längeren Ladezeit im Vergleich zum herkömmlichen Tankvorgang ergibt sich somit eine beschränkte Reichweite, die das gröÿte Hemmnis bei der Kundenakzeptanz darstellt. So bewerten 68% der Autofahrer die Reichweite von Elektroautos als zu gering [3]. Hieraus resultiert eine gesteigerte Reichweitenangst, also die Angst, vor Erreichen des Ziels oder verfügbarer Ladepunkte mit leerer Batterie stehen zu bleiben. Diese Angst wird insbesondere durch zwei Faktoren getrieben.
Zum Einen durch die absolut erzielbare Reichweite selbst, zum Anderen durch die Verlässlichkeit der durch das Fahrzeug prognostizierten Restreichweite.
Um die Kundenakzeptanz zu erhöhen und damit den Markthochlauf zu stärken, werden Lösungen benötigt, die Reichweite von Elektrofahrzeugen zu erhöhen und die Reichweitenangst zu minimieren. Der naheliegende Ansatz ist der Einsatz gröÿerer Batterien. Dies steigert allerdings die Kosten des Fahrzeugs, da zurzeit 30% bis 40% der gesamten Wertschöpfung des Elektrofahrzeugs auf die Traktionsbatterie entfallen [4]. Eine weitere Möglichkeit kann die Steigerung des Wirkungsgrades der Antriebskomponenten sein, um die verfügbare Energie ezienter zu nutzen. Da die Komponenten Traktionsbatterie, Wechselrichter und elektrische Maschine bereits Gesamtwirkungsgrade zwischen 82% und 90% im realen Fahrzyklus erreichen, ist das Potential für eine signikante Reichweitenerhöhung hier stark begrenzt [5,6].
Die Fahrweise - genauer die Regelung der Längsbewegung - hat ebenfalls einen hohen Einuss auf den Energiebedarf. Durch eine optimierte Fahrweise sind Einsparungen von bis zu 30% möglich [79]. Die Optimierung der Längsbewegung hat zum Vorteil, dass sie auf die im Antriebsstrang eingesetzte Technologie angepasst werden kann und somit für alle Fahrzeuge einsetzbar ist. Zudem erhöht sich das Einsparpotential mit steigender Autonomie des Fahrzeugs, was in Bezug auf den wachsenden Umfang von Fahrassistenzsystemen und autonomem Fahren ein hohes Zukunftspotential ver- spricht.
Neben der Steigerung der Ezienz ist eine verlässliche Reichweitenprognose von ent- scheidender Bedeutung. Klassischerweise wird der durchschnittliche Energiebedarf aus historischen Fahrdaten abgeleitet und dient der Berechnung der Restreichweite unter Berücksichtigung des aktuellen Ladezustands. Da der Energiebedarf eines Elektrofahr- zeugs stark von Fahrstil, Verkehrslage, Streckenprol und Umwelteinüssen abhängt, ergibt sich in der Praxis allerdings eine starke Schwankung in der prognostizierten Reichweite. Dies führt zu Unsicherheit beim Fahrer und eine optimale Nutzung der gesamten zur Verfügung stehenden Energie wird erschwert.
1.2 Zielsetzung
Die Optimierung der Fahrweise und die verlässliche Vorhersage der Restreichweite bieten die beste Möglichkeit, die Ezienz zu steigern und die Reichweitenangst zu mindern. Ziel der Arbeit ist die Entwicklung eines Systems, welches im Folgenden als Fahrtenmanager bezeichnet wird. Er bestimmt stets die geeignete Geschwindigkeit, um eine energieoptimale Längsregelung zu ermöglichen. Auf diese Weise wird das bestehende Potential zur Energieeinsparung durch die Umsetzung einer optimalen Fahrweise ausgenutzt. Da sich kurze Fahrzeit und sparsame Fahrweise in einem Zielkonikt benden ist eine Gewichtung dieser Faktoren bei der Optimierung möglich.
Der Planungshorizont reicht über die Sichtweite des Fahrers und der im Fahrzeug integrierten Sensorik hinaus, sodass eine Optimierung über die gesamte vorausliegende Strecke ermöglicht wird. Die dazu benötigten Streckendaten werden vor der Berech- nung akquiriert. Grundvoraussetzung ist dabei die Verfügbarkeit der Daten für alle planbaren Strecken. Durch die Optimierung über den gesamten Fahrtverlauf wird der Energiebedarf bereits vor Fahrtbeginn berechnet. Es wird untersucht, ob die Vorher- sagequalität durch diese Maÿnahme gegenüber herkömmlichen Reichweitenprognosen verbessert werden kann.
Planung Fahrassistenz
Energie-Prädiktion Fahrzeit-Prädiktion
Start Ziel
Einhaltung der Prädiktion Routenanalyse
Fahrtoptimierung
Fahrstrategie Strategie-Korrektur
Optimale Fahrweise Abbildung 1.1: Systemskizze des Fahrtenmanagers
Der Fahrtenmanager arbeitet auf der Ebene der Fahrtplanung und unterliegt dabei der eigentlichen Regelung der Fahrzeuggeschwindigkeit. Diese ist in der Lage, auf aktuelle Verkehrssituationen in sicherer Weise zu reagieren. Unvorhersehbare Er- eignisse wie andere Verkehrsteilnehmer und Kreuzungssituationen beeinussen die mögliche Geschwindigkeit und sind in ihrer Natur nicht planbar. Diese Einüsse führen zu Abweichungen in der Vorhersage von Energiebedarf und Fahrzeit. Um dem zu
begegnen wird eine Korrektur umgesetzt, welche in der Lage ist, auf Abweichungen von der ursprünglichen Planung zu reagieren. So wird die Vorhersagequalität durch Anpassung der Planungsstrategie verbessert und die Abweichungen zur ursprünglichen Prädiktion minimiert. Der Fahrtenmanager wird im Sinne eines autonom fahrenden Fahrzeugs in der Fahrzeugsimulation umgesetzt und analysiert.
1.3 Denition des Fahrtenmanagements
Um die beschriebenen Ziele zu erreichen, wird zunächst das System des Fahrtenma- nagements deniert. Abbildung 1.2 zeigt den strukturellen Aufbau des Systems und die enthaltenen Komponenten. Auf Ebene der Prädiktion werden vor Fahrtbeginn durch eine Datenakquise alle Routendaten gesammelt. Diese werden automatisiert analysiert und der Lösungsraum erstellt, der als Basis für die Optimierung dient. Die Fahrtoptimierung bildet den Kern des Fahrtenmanagers und ermöglicht die Findung des optimalen Geschwindigkeitsverlaufs.
Fahrtenmanager
Fahrzeug- Modell Daten-
Akquise
Fahrt- Optimierung Ausführungs-Modul
(Korrektur, Sollwertvorgabe)
Fahrzeug
Simulation/
Anwendung
Kosten (E,t) Fahr-
Situation Start/Ziel Lösungs-
Raum
Geschwindigkeits- Verläufe
optimale Geschwindigkeit
Zustand:
Geschwindigkeit Position
Energie
PrädiktionKorrektur
Abbildung 1.2: Struktureller Aufbau des Fahrtenmanagers und Einordnung in die Längsregelung des Fahrzeugs
Um dies zu ermöglichen, werden durch ein Fahrzeugmodell Energie- und Zeitbedarf möglicher Lösungen berechnet. Als Ergebnis stehen so Geschwindigkeitsverläufe mit unterschiedlicher Gewichtung der Zielgröÿen Fahrzeit und Energiebedarf zur Ver- fügung. Auf der Umsetzungsebene wird der eigentlichen Geschwindigkeitsregelung
die optimale Sollgeschwindigkeit vorgegeben. Dabei wird laufend der prädizierte und tatsächliche Fahrtverlauf verglichen und Abweichungen der Zielgröÿen ermittelt. Die Fahrstrategie wird so korrigiert, dass die Abweichungen zu Fahrtende minimal sind.
1.3.1 Anforderungen
Aus der Zielsetzung, einen Fahrtenmanager für die Anwendung im Fahrzeug zu entwickeln, ergeben sich die im Folgenden aufgeführten Systemanforderungen.
Berechnung eines Geschwindigkeitsverlaufs zur Optimierung des Ener- giebedarfs: Aufgabe des Fahrtenmanagers ist es, einen optimalen Geschwin- digkeitsverlauf für eine vorausliegende Strecke zu berechnen. Optimal bedeutet in diesem Sinne, dass es gilt, den Energiebedarf zu minimieren. Dabei sind die Verkehrsregeln und vom Nutzer denierte Grenzen in Geschwindigkeit und Zeitbedarf einzuhalten. Da sich Energiebedarf und Fahrzeit typischerweise gegenüberstehen, ist eine Gewichtung dieser Parameter in der Optimierung vorzusehen.
Übertragbarkeit auf beliebige Fahrzeuge: Die Methodik muss auf verschie- dene Fahrzeuge anwendbar sein. Insbesondere die Berechnung des Energiebedarfs darf nicht auf ein bestimmtes Fahrzeug beschränkt sein. Der Fokus liegt auf der Umsetzung eines Fahrtenmanagers für Elektrofahrzeuge.
Anwendbarkeit auf unbekannte Strecken: Die Optimierung funktioniert für alle vorausliegenden Strecken und umfasst die Planung über den gesamten Streckenverlauf. Dies setzt voraus, dass Streckendaten vor Fahrtbeginn akquiriert werden. Die alleinige Nutzung von bereits aufgezeichneten Daten und Erfah- rungswerten ist nicht ausreichend.
Energie- und Fahrzeitprädiktion: Zu Fahrtbeginn muss eine Vorhersage der benötigten Energie und Fahrtzeit möglich sein, um eine eektive Fahrtplanung zu ermöglichen.
Reaktionsfähigkeit bei Abweichungen: Der Fahrtenmanager soll in der Lage sein, auf unvorhersehbare Ereignisse während der Fahrt zu reagieren. Dabei steht die Einhaltung der Energie- und/oder Fahrzeitprädiktion im Vordergrund.
1.3.2 Systemgrenzen
Gemäÿ Abb. 1.2 erzeugt der Fahrtenmanager eine Fahrstrategie und arbeitet damit auf der Planungsebene. Es ergeben sich Schnittstellen zu Fahrtplanung im Sinne des Routings auf der einen Seite und zur Längsregelung des Fahrzeugs auf der anderen Seite. Die Systemgrenzen sind im Folgenden genau deniert.
Routing: Die Festlegung der Strecke zwischen Start und Zielort wird als Routing beschrieben. In Bezug auf die Zielsetzung den Energiebedarf zu minimieren, ist es sinnvoll, auch die Wahl der Route nach dem Kriterium des Energiebedarfs zu bestimmen [10]. Im Zuge der vorliegenden Arbeit wird jedoch die Optimierung der Route selbst ausgeklammert. Der Fokus wird allein auf die Fahrstrategie innerhalb der festgelegten Route gesetzt. Daher werden zunächst etablierte Routing-Algorithmen und Kriterien verwendet. In einem folgenden Schritt ist die Suche nach einer geeigneteren Alternativroute zwar denkbar, wird hier aber nicht verfolgt.
Datenbasis: Es werden allgemein verfügbare Daten zur Planung und Berech- nung des Energiebedarfs verwendet. Dies schlieÿt verfügbare Strecken- und Verkehrsdaten ein, sowie detaillierte Kenntnisse über den elektrischen Antrieb des Fahrzeugs. Zukünftig geplante Datenüsse, wie Infrastructure2Vehicle (I2V) oder Car2Car (V2V), könnten zwar die Planbarkeit insbesondere im Nahbereich verbessern, werden hier aber nicht betrachtet.
Geschwindigkeitsregelung: Der Fahrtenmanager wird als planendes Fahreras- sistenzsystem verstanden. Das Fahrtenmanagement erzeugt somit den Sollwert der Fahrzeuggeschwindigkeit. Die Umsetzung der Geschwindigkeitsregelung wäh- rend der Fahrt obliegt dem (virtuellen) Fahrer. Die Behandlung unmittelbarer und zum Zeitpunkt der Planung unvorhergesehener Verkehrssituationen ist dominant, sodass der virtuelle Fahrer zugunsten der Sicherheit vom rezessiven Sollwert des Fahrtenmanagers abweicht. Die Behandlung äuÿerer Einüsse, die z.B. durch die Fahrzeugsensorik aufgenommen werden, sind nicht Teil des Fahrtenmanagements.
1.4 Gliederung der Arbeit
1.4.1 Stand von Wissenschaft und Technik
Kapitel 2 gib einen initialen Überblick über den Stand der Wissenschaft und Tech- nik anhand realer Systeme zur Optimierung der Fahrtstrategie in Fahrzeugen und Veröentlichungen zum Thema Energieprädiktion und Geschwindigkeitsoptimierung.
Drei aktuelle Systeme in Fahrzeugen werden vorgestellt. Im Folgenden erfolgt eine wissenschaftliche Einordnung, in der themenverwandte Arbeiten vorgestellt werden und die Abgrenzung zum vorliegenden Fahrtenmanagement erläutert wird.
1.4.2 Datenakquise
In Kapitel 4 wird das Thema der Datenakquise behandelt. Primäres Ziel ist es, das zulässige Geschwindigkeitsband zwischen minimal und maximal zulässiger Ge- schwindigkeit über dem Streckenverlauf zu ermitteln. Da die Daten für unbekannte Strecken gesucht werden, muss auf eine bestehende Datenbasis zugegrien werden.
Hierzu eignen sich Online Karten-Services. Diese stellen Straÿenkarten und Verkehrs- informationen bereit. Eine Gegenüberstellung zur Verfügung stehender Services wird durchgeführt und eine geeignete Lösung ausgewählt. Es wird gezeigt, wie durch eine automatisierte Abfrage der Kartenservices Routeninformationen auf Basis von Start- und Zieladressen gesammelt werden. Durch eine Analyse der Daten wird die Bestimmung des zulässigen Geschwindigkeitsbands über der Strecke ermöglicht. Es wird gezeigt, welche Auswirkungen Straÿenverläufe, Kurvenradien und Kreuzungssi- tuationen auf die Fahrzeuggeschwindigkeit haben und wie diese zu interpretieren sind.
Anhand von aufgezeichneten Realfahrten werden die Ergebnisse der Datenakquise und Analyse bewertet. Durch das dargestellte Verfahren werden Grenzen für die maximal und minimal zulässige Geschwindigkeit über der Fahrstrecke erzeugt. Diese dienen im Folgenden als Beschränkung des Lösungsraums bei der Umsetzung des Optimierungsalgorithmus.
1.4.3 Fahrtoptimierung
Kapitel 5 beschreibt die Auswahl und Anwendung des Optimierungsalgorithmus. Ziel ist es, den energie- und zeitoptimalen Geschwindigkeitsverlauf innerhalb des durch die Datenakquise erzeugten Lösungsraums zu bestimmen. Wie in Abbildung 1.3 dargestellt, kann die Fahrzeuggeschwindigkeit an jeder Position entlang der Route innerhalb der Grenzen des Lösungsraum variiert werden.
V
Start Ziel s
Lösungsraum
E,t Lösung
Abbildung 1.3: Skizze des Optimierungsproblems: Gesucht ist ein optimaler Geschwin- digkeitsverlauf innerhalb des Lösungsraums
Um ein geeignetes Lösungsverfahren festzulegen wird das Optimierungsproblem zu- nächst charakterisiert. Da sich die Zielgröÿen Fahrzeit und Energiebedarf im Ziel- konikt benden, werden mehrere Lösungsansätze zur Gewichtung der Zielgröÿen vorgestellt und ein für diesen Zweck geeignetes Verfahren ausgewählt. Um die An- wendung kombinatorischer Lösungsverfahren zu ermöglichen, wird der Lösungsraum diskretisiert. Es wird gezeigt, wie der ursprüngliche Lösungsraum in einen Lösungs-
V
s
Start Ziel
Lösungsraumgraph
E,t Lösung
Abbildung 1.4: Darstellung eines Fahrtverlaufs als Pfad durch den Lösungsraumgra- phen
raumgraphen gemäÿ Abb. 1.4 umgewandelt wird und welche Eigenschaften der Graph besitzt. Die Wahl der geeigneten Schrittweite bei der Diskretisierung wird hierzu diskutiert. Verschiedene geeignete Verfahren zur Findung eines optimalen Pfades durch Lösungsraumgraphen werden auf diskutiert und die Anwendung des Optimalitätsprin- zip von Bellman in dynamischer Programmierung ausgewählt. Die Implementierung des Optimierungsalgorithmus für den vorliegenden Fall wird dargestellt und die Zielfunktion deniert. Zudem werden die umgesetzten Maÿnahmen zur Reduktion der Rechenzeit vorgestellt. Die Ergebnisse der Optimierung folgen in Kapitel 7.1.
1.4.4 Fahrzeugmodell
In der Zielfunktion der Optimierung wird der Energiebedarf einer Fahrstrategie berücksichtigt. Um diesen zu bestimmen wird in Kapitel 6 ein geeignetes Simulati- onsmodell vorgestellt, das die Berechnung des Energiebedarfs in jeder Fahrsituation ermöglicht. Je nach Zielsetzung unterscheiden sich Simulationsmodelle durch den Modellaufbau, den Detailierungsgrad und Simulationsumfang. Da die Modellierung physikalischer Systeme eine beliebige Komplexität annehmen kann, werden gezielt Vereinfachungen getroen und geeignete Systemgrenzen deniert.
Geschwindigkeit Beschleunigung
Fahrwiderstände
Energie, Zeit Antriebsmodell
M
ACDCAbbildung 1.5: Einsatz der Fahrzeugsimulation zur Berechnung von Energie- und Zeitbedarf in Fahrsituationen
Das Kapitel behandelt insbesondere die Berechnung der Fahrwiderstände sowie die Modellierung des elektrischen Antriebsstrangs und dessen Wirkungsgrasverluste. Um die Rechenzeit zu minimieren, wird eine Energieberechnung in sequenzieller Program- mierung entwickelt. Es wird gezeigt, dass im diskretisierten Lösungsraum eine endliche
Anzahl verschiedener Fahrsituationen existiert. Diese lassen sich somit vor Beginn der Optimierung berechnen, um die Rechenzeit des eigentlichen Fahrtenmanagements zu optimieren. Die so erzeugten Energieverbrauchswerte werden innerhalb des Optimie- rungsalgorithmus genutzt. Um das Verfahren zu validieren, werden Fahrzeugdaten verschiedener Testzyklen mit den Simulationsergebnissen verglichen. Es wird gezeigt, dass die getroenen Annahmen und gewählten Methoden zu einer ausreichend genauen Berechnung des Energiebedarfs führen und für den Einsatz in der Optimierung geeignet sind.
1.4.5 Analyse des Fahrtenmanagers
In Kapitel 7 werden die Lösungen der Datenakquise, der Energieberechnung und der Optimierung zusammengeführt. Im ersten Schritt werden die Ergebnisse einer exemplarischen Fahrtoptimierung analysiert. Der Einuss der Gewichtung der Ziel- funktionswerte wird anhand des Spektrum der erzielbaren Fahrzeit und des Ener- giebedarfs gezeigt und mit Werten realer Fahrtverläufe verglichen. Das theoretisch erreichbare Einsparpotential gegenüber der Fahrweise während der Realfahrten wird benannt. In Bezug auf die Einhaltung prädizierter Zielgröÿen zu Fahrtbeginn steht dem Fahrtenmanager durch Variation der Zielgröÿengewichtung ein begrenzter Handlungs- spielraum zur Verfügung. Die Zusammenhänge werden anhand der exemplarischen Testfahrt aufgezeigt und die Grenzen der Korrekturmöglichkeiten erläutert.
Antriebsmodell M ACDC Längsregelung
Fahrtenmanager Fahrstrategie Fahrstrategie
Störeinfluss Energie Störeinfluss
Geschwindigkeit Geschwindigkeit
Position Energie
Abbildung 1.6: Test des Fahrtenmanagers in der Fahrzeugsimulation
In einem zweiten Schritt wird das Fahrtenmanagement in einer Closed-Loop-Gesamt- fahrzeugsimulation gemäÿ Abb. 1.5 getestet. Fahrtenmanager, Längsregelung, und Fahrzeugmodell benden sich in einem geschlossenen Regelkreis, was es ermöglicht, Rückwirkungen von Fahrzeugverhalten und Störeinüssen auf den Fahrtenmanager
darzustellen. Durch die Rückführung von Position, Geschwindigkeit und genutzter Energie kann der Fahrtenmanager die Einhaltung der Zielgröÿen zu jedem Zeitpunkt bewerten. Auf diese Weise wird eine Korrektur der Fahrstrategie ermöglicht. In der Si- mulation werden Störeinüsse in der Fahrzeuggeschwindigkeit künstlich beaufschlagt.
Alternativ wird der Energiebedarf manipuliert, um im Bezug auf die prognosti- zierte Restreichweite eine Korrektur der Fahrstrategie zu erzwingen. So wird das Korrekturverhalten untersucht und mit einer nicht-korrigierenden Geschwindigkeits- regelung verglichen. Es wird gezeigt, dass die gewählten Methoden eine Einhaltung der prognostizierten Zielgröÿen am Fahrtziel trotz unvorhergesehener Störeinüsse ermöglichen.
1.4.6 Ausblick
In Kapitel 8 werden die Ergebnisse zusammengefasst und der Fahrtenmanager in Bezug auf die eingangs denierten Anforderungen bewertet. Es wird dargestellt, wo Verbesserungspotential besteht und welche zukünftigen Schritte erforderlich sind, um ein Fahrtenmanagement im Fahrzeug umzusetzen.
2 Stand der Wissenschaft und Technik
2.1 Assistenzsysteme zur ezienten Fahrweise
Das Potential zur Energieeinsparung durch eine vorausschauende Fahrweise kann durch Fahrerassistenzsysteme genutzt werden. Aufgrund des niedrigen derzeitigen Autonomiegrades fokussieren die aktuell erhältlichen Assistenzsysteme die Informa- tion und Weisung des Fahrers zur Unterstützung einer ezienten Fahrweise. Die eigenständiger Regelung der Fahrzeuggeschwindigkeit beschränkt sich auf einzelne Fahrsituationen, wie dem Anhaltevorgang. Drei aktuelle Systeme, die den Stand der Technik widerspiegeln, werden im Folgenden vorgestellt.
2.1.1 Daimler ECO Assistent
Mit dem ECO Assistent bietet Daimler ein Assistenzsystem an, welches insbesondere für Fahrzeuge mit Hybrid- und Elektroantrieb ausgerichtet ist. Das System unterstützt beim vorausschauenden Fahren, indem der optimale Bremszeitpunkt mitgeteilt wird und die Verzögerung des Fahrzeugs automatisiert stattndet. Durch eine Ausrollsimu- lation wird laufend berechnet, wann der Fahrer den Fuÿ vom Fahrpedal nehmen muss, um eine Verzögerung einzuleiten. Dabei nutzt das System:
Kartendaten zur Vorhersage des Streckenverlaufs und der Steigung
Geschwindigkeitsbegrenzungen, um vorausliegende Verzögerungen festzustellen
Nahfeldsensorik des ACC (Adaptive Cruise Control), um die Geschwindigkeit vorausfahrender Fahrzeuge zu berücksichtigen
Stellt der ECO-Assistent einen bevorstehenden Bremsvorgang fest, wird der Fahrer optisch informiert. Nimmt er den Fuÿ vom Fahrpedal, regelt das Fahrzeug automatisch zwischen den Zuständen Rekuperation und Segeln (lastfreies Rollen) unter Berücksich- tigung des vorausfahrenden Verkehrs und der Verkehrssituation [11].
Die Funktionsweise des Systems entspricht durch die Fahrzeugsimulation in Teilen dem angestrebten Fahrtenmanager. Allerdings ist die Funktion des ECO-Assistent auf vorausliegende Bremsmanöver und Ausrollvorgänge beschränkt. Der Planungs- horizont muss an dieser Stelle den Anhalteweg, bzw. den Weg des Ausrollens nicht überschreiten. Eine globale Optimierung der Fahrt wird hier nicht verfolgt. Die Verzahnung zwischen Manöver-Planung und Nutzung der Nahfeldsensorik erlaubt jedoch die Anpassung der Strategie gemäÿ der aktuellen Verkehrssituation.
2.1.2 BMW Vorausschauassistent
BMW bewirbt den ECO PRO Modus seiner Elektro- und Hybridfahrzeuge mit einer möglichen Energieersparnis von 25%. Ein Teil der Ersparnis wird erreicht, indem der Energiebedarf von Nebenverbrauchern wie Heizung und Klimaanlage reduziert wird. Zudem werden die Eingaben an Fahr- und Bremspedal geglättet, was den Energiebedarf gegenüber hektischen Steuereingaben reduziert. Bei Hybridantrieben arbeitet im ECO PRO Modus darüber hinaus der sog. Vorausschauassistent.
Über Navigationsdaten wird die unmittelbar vorausliegende Route analysiert. Nähert sich das Fahrzeug Kreuzungen, Geschwindigkeitsbegrenzungen oder Ortschaften, wird der Fahrer über das Navigationssystem optisch hingewiesen frühzeitig zu reagieren. Die Berücksichtigung von Streckenprol und Geschwindigkeitsbegrenzungen ermöglicht es, Getriebe und Antrieb so zu regeln, dass der optimale Arbeitspunkt erreicht wird. Insbesondere wird hier das Zusammenspiel der verschiedenen Antriebsarten des Hybridantriebs optimiert. [12,13]
Ähnlich dem Daimler ECO Assistent hat der Vorausschauassistent einen informativen Charakter. Im Unterschied wird hier die Fahrzeuggeschwindigkeit nicht beeinusst, sondern es ndet lediglich eine Energieoptimierung der Antriebs selbst statt. Der Planungshorizont beschränkt sich auch hier auf die unmittelbar vorausliegende Strecke.
Die genaue Funktionsweise ist durch die vorhandenen Veröentlichungen nicht genau zu bestimmen.
2.1.3 Tesla Autopilot
Tesla zeigt sich mit dem verfügbaren Autopiloten als Vorreiter beim autonomen Fahren. Je nach Gesetzeslage des Landes ist hiermit der Autonomiegrad 5 der in
Kapitel 3.3.3 denierten SAE Level möglich. Karten- und Verkehrsdaten sowie ein umfangreiches Spektrum an Nahfeldsensorik und Kameras, ähnlich Abb. 3.7 wird genutzt, um die Verkehrslage zu erkennen und die Fahraufgaben zu übernehmen. Der Autopilot setzt einen ausgeglichenen Fahrstil um, ohne jedoch eine Optimierung mit einem Planungshorizont, der über die Sensorik des Fahrzeugs hinausreicht.
Das System bietet das höchste Potential, eine optimale Fahrweise mit globaler Op- timierung über die gesamte Strecke umzusetzen. Der aktuelle Stand der Technik in Bezug auf Sensorik und Datenverarbeitung stellt heute eine ausreichende Basis für die Umsetzung des Fahrtenmanagers dar.
2.2 Wissenschaftliche Einordnung
Die Umsetzung einer ezienten Fahrweise wurde nicht erst mit der Verbreitung von Elektrofahrzeugen wissenschaftlich behandelt. Allerdings ist durch die beschränkte Reichweite des elektrischen Antriebs die Relevanz des Themas gestiegen und die Vorhersage der Restreichweite ist als Herausforderung erkannt worden. Es nden sich dementsprechend zahlreiche Arbeiten, die sowohl die Fahrtoptimierung selbst als auch die Reichweitenprognose thematisieren. Im Folgenden wird ein Ausschnitt verwandter Arbeiten vorgestellt, die Aspekte des Fahrtenmanagers abbilden.
Durch mehrere Publikationen wird belegt, dass ein modellbasierter Ansatz eine genauere Vorhersage der Restreichweite ermöglicht als die alleinige Auswertung der historischen Fahrdaten [1416]. Achim Enthaler et al. beschreiben in [17] das Verfahren der modellbasierten Prädiktion und nutzen die Fahrzeuglängsdynamik-Simulation zur Berechnung des Energiebedarfs in jeder Fahrsituation. Es wird ein Modell vorgestellt, welches die Berechnung des Energiebedarfs in ausreichender Genauigkeit ermöglicht.
Dabei zeigen sie, dass Auÿentemperatur und Fahrstil signikante Auswirkungen auf den Energiebedarf haben. Ihre Arbeit bezieht sich dabei auf die Darstellung bekannter Fahrprole. Dies ermöglicht einen Vergleich zu der im realen Fahrzeug aufgenommenen Berechnung der Restreichweite auf Basis historischer Daten. Die tatsächliche Vorher- sage auch für unbekannte Fahrprole wird jedoch nicht behandelt. Die hier dargestellte Relevanz der Auÿentemperatur wurde erkannt und wird auch in der vorliegenden Arbeit berücksichtigt.
Giovanni De Nunzio et al. löst die Problematik der unbekannten vorausliegenden Route in [18], indem er die Reichweite für das umliegende Straÿennetz berechnet. Durch die Nutzung von Kartendaten erzeugt er einen Graphen, der das umliegende Straÿennetz abbildet. Mit Hilfe eines SSSP (Single Source Shortest Path) Algorithmus berechnet er den Energiebedarf zum Erreichen aller Knoten und damit die optimalen Wege zu jedem Punkt auf der Karte. Die Arbeit schlieÿt somit ein energieoptimales Routing ein, was die Berechnung des Energiebedarfs in vorausliegenden Fahrsituationen voraussetzt.
Zur Berechnung der Kantengewichte, also des Energiebedarfs, nutzt er ebenfalls ein vereinfachtes Fahrzeugmodell. Der tatsächlich zu erwartende Geschwindigkeitsverlauf bleibt dabei unbekannt, es werden lediglich die jeweils erlaubten Geschwindigkeiten und Geschwindigkeitsübergänge mit konstanter Beschleunigung an den Knotenpunk- ten berücksichtigt. Im Gegensatz hierzu wird das energieoptimale Routing in der vor- liegenden Arbeit nicht thematisiert. Der Fokus liegt in der präziseren Vorhersage des zu erwartenden Geschwindigkeitsverlaufs. Nichtsdestotrotz ergeben sich an dieser Stelle mögliche Synergien, wenn eine genaue Geschwindigkeitsprädiktion, die Optimierung der Fahrweise und das energieoptimale Routing miteinander verknüpft werden.
Einen ähnlichen Ansatz beschreiben Luca Bedogni et al. in [10]. Der Fokus ihrer Arbeit liegt auf der Findung der energetisch günstigsten Route vom Standort zu einem festen Ziel. Die Route wird mittels Dijkstra-Algorithmus berechnet. Zur Ermittlung des Wege-Netzes und Eigenschaften der Teilstrecken werden Online-Kartendaten von Google genutzt. Mit Hilfe eines vereinfachten Fahrzeugmodells wird daraufhin der Energieaufwand für das Befahren der Teilstrecken bestimmt. Die Fahrzeuggeschwin- digkeit ergibt sich hier aus aktuellen Durchschnittsgeschwindigkeiten der Teilstrecken, Kreuzungssituationen werden hingegen nicht detailliert berücksichtigt. Auch hier gilt, dass eine Prädiktion des zu erwartenden Geschwindigkeitsverlaufs genauere Ergebnisse der Energieberechnung für das Routing erzeugen kann.
Das energieoptimale Routing für konventionelle und elektrische Fahrzeuge wird in mehreren Veröentlichungen behandelt [19,20]. Beim weg- oder zeitoptimierten Rou- ting wird in der Regel ein Dijkstra oder A*-Algorithmus angewandt. Da Elektrofahr- zeuge durch regeneratives Bremsen (Rekuperation) Energie zurückgewinnen können, können Wegstrecken mit negativem Energieverbrauch entstehen. Der beim weg- oder zeitoptimiertem Routing in der Regel eingesetzte Dijkstra oder A*-Algorithmus kann jedoch nur für positive Kantengewichte eingesetzt werden. Rami Abousleiman und Osamah Rawashdeh beschreiben daher in [21] einen Ansatz für das energieoptimale
Routing mit Hilfe des Bellman-Ford-Algorithmus. Mit Hilfe einer stark vereinfachten Energieberechnung wird der Energiebedarf für Teilstrecken geschätzt und so die energieoptimale Route bestimmt. Im Unterschied zur vorliegenden Arbeit, wird der Bellman-Ford-Algorithmus hier eingesetzt, um die Wahl der Route zu optimieren, nicht aber die Fahrweise selbst. Die Schätzung des Energiebedarfs beruht auf den zulässigen Maximalgeschwindigkeiten der Teilstrecken. Kreuzungen, Beschleunigungsvorgänge und dynamische Wirkungsgrade des Antriebs werden vernachlässigt.
Der Ansatz des energieoptimalen Routings mittels Bellman-Ford-Algorithmus wird auch von Adam Schambers et al. in [22] aufgegrien. Durch die Akquise von Kar- tendaten über OpenStreetMaps erweitert er den Ansatz, sodass das Routing für reale Strecken umgesetzt wird. Auch hier wird eine einfache Energieberechnung wie in [21] eingesetzt, die einen stark vereinfachten Geschwindigkeitsverlauf repräsentiert.
Die Arbeit fokussiert die Behandlung der steigenden Komplexität beim Einsatz des Bellman-Ford Algorithmus gegenüber dem Dijkstra Algorithmus. Durch teilweise Parallelisierung der Berechnung des Optimierungsalgorithmus und Ausführung des Codes auf einer GPU (Grac Processing Unit) wird die Reduzierung der Rechenzeit beschrieben.
Die genannten Ansätze nutzen die modellbasierte Energieberechnung, um entweder die Route selbst zu optimieren oder für eine bekannte Route den Energiebedarf zu bestimmen. Die Voraussage eines Geschwindigkeitsprols wird lediglich in grober Nä- herung anhand von konstanten Geschwindigkeiten und Geschwindigkeitsübergängen dargestellt. Die Erzeugung eines zielgerichteten Fahrstils entlang einer Route fällt in den Bereich der Fahrtoptimierung, die ebenfalls wissenschaftlich behandelt wurde.
Den Ansatz, mittels dynamischer Programmierung eine energie- und zeit-optimale Fahrweise zu berechnen hat Sandra Fabia Gausemeier in [23] umgesetzt. Sie nutzt den Bellman-Ford-Algorithmus für die Optimierung des Geschwindigkeitsverlaufs über einem festgelegten Streckenabschnitt. Das zugrunde liegende Fahrzeugmodell stellt zwar einen konventionellen Verbrennungsantrieb dar, ist aber in der Methode auf Elektrofahrzeuge übertragbar. Sie fokussiert die erreichbare Verbrauchsreduzierung sowie die echtzeitfähige Implementierung des Algorithmus. Tobias Radke verfolgt in [24] einen ähnlichen Ansatz. Zur Vorhersage kommender Geschwindigkeitsbegren- zungen und Verkehrssituationen nutzt er Oine-Kartendaten und ergänzt diese mit der Fahrzeugsensorik zur Erfassung vorausfahrender Verkehrsteilnehmer. In diesen Veröentlichungen ergeben sich Parallelen zur vorliegenden Arbeit. Die vorausliegende
Route wird jedoch nicht bis zum Ziel vorausberechnet und auch eine Korrektur der als optimal berechneten Fahrstrategie wird nicht berücksichtigt. Für die angestrebte Zielsetzung der Optimierung des Energiebedarfs und gleichzeitiger Verbesserung der Reichweitenprädiktion ist die Berechnung der vorausliegenden Strecke jedoch unerläs- slich.
Die Umsetzung eines Assistentsystems für die energieoptimale Fahrweise in Elektro- fahrzeugen beschreibt auch Andreas Freuer in [25]. In seiner Arbeit wird die Optimie- rung der Fahrstrategie in dynamischer Programmierung vorgestellt. Er schildert die Möglichkeit, die vorausliegenden Strecke auf Basis von Kartendaten vorherzusagen sowie die Erfassung des vorausliegenden Verkehrs mittels Sensorik des Fahrzeugs. Der Fokus liegt hier auf der Optimierung der Längsregelung mit kurzem Planungshorizont, denn die Reaktion auf die sich ständig ändernde Verkehrssituation ist nur durch die beschriebene zyklische Neuberechnung der Optimierung möglich. Durch die damit verbundene Rechenzeit ist die Einschränkung des Planungshorizonts notwendig. Der Ansatz enthält Parallelen zur vorliegenden Arbeit in der Energieberechnung, sowie der Wahl des Optimierungsalgorithmus. Die theoretischen Ergebnisse werden anhand einzelner Fahrsituationen diskutiert und die Energieeinsparung durch eine Proban- denstudie validiert. Im Gegensatz zur vorliegenden Arbeit wird die Umsetzung eines Assistenzsystems angestrebt, welches den Fahrer insbesondere im urbanen Umfeld unterstützt. Die Optimierung des Gesamtfahrtverlaufs steht nicht im Vordergrund und auch nicht die Möglichkeit, Fahrstrategien aufgrund der initialen Prädiktion im Laufe der Fahrt zu verändern. Zwar ist somit die Einhaltung der Zielgröÿen nicht möglich, nichtsdestotrotz stellt die Neuberechnung in dynamsichen Verkehrssituationen einen vielversprechenden Ansatz dar, der mit den Ergebnissen der vorliegenden Arbeit kombinierbar wäre.
Ya§mur Arkan et al. setzt die Optimierung der Fahrzeuggeschwindigkeit für elektri- sche Schienenfahrzeuge um [26]. Ziel ist hier die Berechnung eines energieoptimalen Geschwindigkeitsverlaufs für das standardisierte Fahrmanöver aus Beschleunigungs- phase, Konstantfahrt und Abbremsphase. Das entsprechende Modell zur Berechnung der Fahrleistung des Zuges wird vorgestellt. Dabei wird allein die Leistung zur Über- windung der Fahrwiderstände beücksichtigt unter Vernachlässigung von Antriebswir- kungsgraden und Nebenverbrauchern. Mittels dynamischer Programmierung wird der Energiebedarf minimiert. Die Fahrzeit ist hier kein Optimierungsparameter, sondernn stellt eine Schranke bei der Optimierung dar.
Benannt sind hier die recherchierten Arbeiten mit der höchsten thematischen oder methodischen Näher zur vorliegenden Arbeit. Darüber hinaus nden sich weitere Veröentlichungen aus dem Themengebiet, die jedoch klar von der vorliegenden Zielsetzung abzugrenzen sind. Trotz eingehender Literaturrecherche wurden keine weiteren Arbeiten gefunden, die nähere Parallelen zur vorliegenden Arbeit aufweisen.
Die genannten Arbeiten behandeln vor allem die Aspekte Energieprädiktion oder Fahrtoptimierung, bleiben aber jeweils in der eigenen Domäne. Im Zuge dieser Arbeit werden beide Themenfelder verbunden, woraus sich ein hoher Mehrwert für die Anwendung ergibt. In Praxis ist eine Fahrtoptimierung ohne die Kenntnis des voraus- liegenden Geschwindigkeitsprols nicht möglich. Das Routing und die Prädiktion der möglichen Geschwindigkeit können somit als Grundvoraussetzung für eine Umsetzung im Fahrzeug verstanden werden. Zudem ist durch die genaue Geschwindigkeitsplanung entlang der Route eine sehr viel präzisere Aussage über den Energiebedarf zu erwarten.
Dies bedeutet, dass vor Fahrtantritt eine genauere Aussage über die Restreichweite zu Fahrtende ermöglicht wird. Der Clou ist, dass es sich bei der Fahrtplanung um eine Mehrziel-Optimierung handelt, bei der sich Fahrzeit und Energiebedarf prinzipiell gegenüberstehen. Daraus entsteht die Chance, die zu Fahrtbeginn ausgesprochene Prognose der Restreichweite durch Änderungen des Fahrstils auch bei unvorherge- sehenen Einüssen während der Fahrt einzuhalten. Erst die Kombination von präziser Routenprädiktion und der Fahrtoptimierung ermöglichen diese Art der Live-Korrektur ohne die Vorteile der vorgestellten Lösungen zu verlieren.
2.3 Vorarbeiten und Veröentlichungen
Teile der vorliegenden Arbeit wurden bereits durch den Autor veröentlicht. Die Verwendung veröentlichter Inhalte wird explizit in den entsprechenden Kapiteln als Quelle angegeben. Tabelle 2.1 gibt eine Übersicht der eigenen Veröentlichungen im Rahmen des vorliegenden Themas und die Einbettung in die Arbeit.
Titel Ort der Veröentlichung Bezug
Modellierung und Simulation von Kfz.- Hybrid-Antriebssträngen zur
Validierung verschiedener Konzepte
Diplomarbeit an der Hochschule Bochum, 2009
Kap. 6
Closed-Loop Power-HiL Drive-Train Tests of Electric Vehicles using Track Proles
European Electric Vehicle Congress, Brüssel, Belgien, 2014
Kap. 6 & 7
Simulation einer permanenterregten Synchronmaschine sowie dazugehöriger Leistungselektronik in
Matlab/Simulink
Masterthesis an der Fernuniversität in Hagen, 2014
Kap. 6
Energy optimization for electric vehic- les using dynamic programming
Interational Conference on Research and Education in
Mechatronics, Wolfenbüttel 2017
Kapitel 5
Data Acquisition for Simulation Based Predictive Energy Calculation
Interational Conference on Research and Education in Mechatronics, Wels, Austria, 2019
Kap. 4
The Predictability of Driving in Typical Trac Conditions
Interational Conference on Research and Education in Mechatronics, Krakau, Polen, 2020
Kap. 4
Tabelle 2.1: Übersicht der eigenen Veröentlichungen mit thematischem Anschluss Im Folgenden wird der Beitrag der Veröentlichungen und eigenen Vorarbeiten zur vorliegenden Arbeit dargestellt.
M. Hellwig: Modellierung und Simulation von Kfz.-Hybrid-Antriebssträngen zur Validierung verschiedener Konzepte
Durch die Diplomarbeit wurde die grundlegende Fahrzeugsimulation in Matlab/Simu- link entwickelt. Das Modell des Antriebsstrangs ist modular und mit realitätsnahen Schnittstellen zwischen den Antriebskomponenten aufgebaut. Dadurch ist es möglich, die Komponenten des Hybridantriebs unterschiedlich anzuordnen und eine Vielzahl von Hybrid- und Elektrofahrzeug-Topologien abzubilden. Der modulare Aufbau er- möglicht zudem die Nutzung verschiedener Modelle der selben Komponente und so die sukzessive Weiterentwicklung der Simulation. Der hier entwickelte Signaluss im Gesamtmodell sowie die Darstellung der Fahrwiderstände werden bei der Entwicklung des Fahrtenmanagers genutzt.
M. Hellwig, A. Popov, M. Schugt: Closed-Loop Power-HiL Drive-Train Tests of Electric Vehicles using Track Profiles
Im Zuge des Forschungsprojekts SimTAWE und der daraus hervorgegangenen Veröf- fentlichung wird die Einbindung von Simulationsmodellen in HIL-Prüfanlagen (Hardware- In-the-Loop) dargestellt. Eine echtzeitfähige Schnittstelle zwischen Prüfsystem und Fahrzeugsimulation ermöglicht das Testen von Antriebskomponenten (hier Automotive- Wechselrichtern) in realitätsnahen Szenarien. Die zu testende Komponente kann so in den geschlossenen Regelkreis der Simulation eingebunden und Wechselwirkungen innerhalb des Systems untersucht werden. Die Veröentlichung verdeutlicht den Unterschied zwischen der Feed-Forward-Simulation, wie sie bei der Berechnung des Energiebedarfs während der Optimierung angewandt wird, und der Simulation mit geschlossenem Regelkreis (Closed-Loop). Letztere wird bei der Analyse des Fahrtenma- nagers eingesetzt. Der eigene Beitrag zum Forschungsprojekt und der Veröentlichung liegt in der Implementierung der Fahrzugsimulationen und deren Gegenüberstellung.
M. Hellwig: Simulation einer permanenterregten Synchronmaschine so- wie dazugehöriger Leistungselektronik in Matlab/Simulink
Die Masterthesis behandelt die Simulation der in Elektrofahrzeugen vorwiegend einge- setzten permanenterregten Synchronmaschine. Der Fokus liegt in der Darstellung der Wirkungsgradverluste, die in Maschine und Leistungselektronik auftreten. Es werden einfache, kennfeldbasierte Maschinenmodelle mit komplexeren Modellen im rotorfesten dq-Raum mit Umsetzung der feldorientierten Regelung verglichen. Die Erkenntnisse
zur Darstellung der Wirkungsgrade in Abhängigkeit des Betriebspunkts werden bei der Berechnung des Energiebedarfs aufgegrien.
S. Rohkämper, M. Hellwig, W. Ritschel: Energy optimization for electric vehicles using dynamic programming
In dieser Veröentlichung wird eine vereinfachte Variante der Fahrtoptimierung be- schrieben. Im beschriebenen Verfahren wird der Lösungsraum anhand von Online- Daten aufgespannt. Im Anschluss wird durch dynamische Programmierung ein energie- optimaler Fahrtverlauf ermittelt. Im Unterschied zur vorliegenden Arbeit wird jedoch ein vereinfachter Algorithmus angewandt, der lediglich eine lokale Optimierung einzel- ner Übergänge ermöglicht. Der hier dargestellte Stand der Entwicklung beinhaltet die grundlegende Methodik der Fahrtoptimierung. Die Erzeugung des Lösungsraums, die Fahrzeugmodelle sowie der Optimierungs-Algorithmus wurden aufbauend auf dieser Veröentlichung weiterentwickelt und um die Korrektur der Fahrstrategie während der Fahrt ergänzt. Der eigene Beitrag an der Veröentlichung umfasst die Energie- berechnung innerhalb der Optimierung sowie die Erzeugung des Lösungsraums, nicht aber die Umsetzung des vereinfachten Optimierungsalgorithmus.
M. Hellwig, S. Rohkämper, W. Ritschel: Data Acquisition for Simulation Based Predictive Energy Calculation
Die Vorhersage des kommenden Fahrprols und der dazu benötigten Energie auf Basis von Online-Daten von OpenStreetMaps wird in dieser Veröentlichung thematisiert.
Auf diese Weise ist die Prädiktion der Reichweite von Elektrofahrzeugen unter Berück- sichtigung des vorausliegenden Fahrprols möglich. Es werden die Grundannahmen bei der Erzeugung eines Geschwindigkeitsprols erläutert und die Grenzen der Methode aufgezeigt. Die gewonnenen Erkenntnisse werden in Kapitel 4 der Datenakquise genutzt. Darüber hinaus wird das Fahrzeugmodell zur Energieberechnung vorgestellt und veriziert. Es handelt sich in Teilen um das Modell, welches auch in dieser Arbeit eingesetzt wird.
The Predictability of Driving in Typical Traffic Conditions
Hier wird dargestellt, in welchem Umfang die Fahrzeuggeschwindigkeit über eine unbekannte Route mittels Online-daten vorhergesagt werden kann. Da die bisherigen Ergebnisse mit Daten von OpenStreetMaps nicht für die Fahroptimierung ausreichen,
wird hier der Ansatz unter Nutzung der HERE Technologies Datenbasis verfolgt. Für eine exemplarische Route wird eine Vorhersage des Fahrzeuggeschwindigkeit getroen und durch reale Messfahrten validiert. Es wird gezeigt, welche Unsicherheiten bei der Prädiktion bestehen und in welcher Genauigkeit eine Vorhersage möglich ist. Die Veröentlichung fasst die Ergebnisse der in dieser Arbeit angewandten Datenakquise zusammen.
3 Grundlagen
3.1 Elektromobilität
Elektromobilität gilt als Schlüsseltechnologie, um eine nachhaltige Mobilität zu reali- sieren. Politik und Hersteller haben das Potential von elektrischen Antrieben in Fahr- zeugen erkannt. Die Deutsche Bundesregierung hat sich zum Ziel gesetzt, Leitmarkt und Leitanbieter für Elektromobilität zu werden. Der Kauf von Elektrofahrzeugen (EV) wird direkt durch Kaufprämien und steuerliche Maÿnahmen sowie indirekt durch den Ausbau der Ladeinfrastruktur und nanzielle Unterstützung im Bereich der Forschung gefördert. Norwegen gilt als Vorreiter der Elektromobilität. Im März 2019 wurden dort erstmals mehr Neuwagen mit Elektromotor als mit konventionellen Antrieben verkauft. Ab 2025 soll die Neuzulassung von Kraftfahrzeugen mit Verbren- nungsmotoren nicht mehr möglich sein [27].
3.1.1 Elektromobilität und Energiewandel
Ein bedeutender Vorteil von Elektrofahrzeugen ist der emissionsfreie Fahrbetrieb, wodurch insbesondere in urbanen Regionen mit hoher Verkehrsdichte die Luftver- schmutzung gesenkt werden kann.
Abb. 3.1 zeigt, dass die Produktion eines Elektrofahrzeugs aufgrund der Trakti- onsbatterie mehr Abgase emittiert als die eines konventionellen Fahrzeugs. Über den gesamten Lebenszyklus (200.000km, Lebensdauer und Austausch der Batterie berücksichtigt) fällt der Ausstoÿ pro gefahrenem km jedoch weitaus geringer aus.
Dabei spielt der Strommix des jeweiligen Landes eine entscheidende Rolle für den CO2- Fuÿabdruck. Es ist zu bedenken, dass im Zuge der fortschreitenden Energiewende der Anteil regenerativ erzeugten Stroms steigt und sich damit die Ökobilanz eines Elek- trofahrzeug zunehmend verbessert. Dies ist bei Verbrennungsmotoren nicht der Fall.
Ein weiterer Vorteil für den Nutzer ist der leise Betrieb des elektrischen Antriebs und die Tatsache, dass der Antriebsstrang nahezu verschleiÿ- und wartungsfrei arbeitet, was die Betriebskosten neben den günstigeren Energiekosten weiter senkt.
3
3 3
3 3
13
13 13
13
13 163
27
60 76
8 4
13
13 313
130
133
82 13
13
13
13
0 40 80 120 160 200
Diesel Polen Deutschland Niederlande Frankreich Norwegen EU-28 650g
CO2/kWh
410g CO2/kWh
380 CO2/kWh
40g CO2/kWh
20g CO2/kWh
300g CO2/kWh
Emission CO2eq/km
Antriebsstrang Traktionsbatterie Fahrzeug (ohne Antrieb) Tank-to-Wheel
Well-to-Tank
Abbildung 3.1: Vergleich der Abgasemissionen (CO2-Äquivalent) pro km für moderne Diesel-Fahrzeuge und Elektrofahrzeuge in Abhängigkeit des länderspezischen Strom- mixes. In Anlehnung an [28]
3.1.2 Der elektrische Antriebsstrang
Die Modellierung des Antriebs und dessen Verlustmechanismen ist für die Berechnung des Energiebedarfs im Fahrzyklus relevant. Daher wird im Folgenden der Aufbau des elektrischen Antriebsstrangs und dessen Komponenten erläutert. In [6] gibt Anton Karle einen umfassenden Einblick in das Thema der Elektromobilität. Er beleuchtet die technischen Grundlagen und die Praxisumsetzung. Helmut Tschöke et al. fokussiert in [29] den elektrischen Antriebsstrang und geht insbesondere auf die Topologie verschiedener Antriebstopologien ein. Er beschreibt detailliert die Funktionsweise aller Antriebskomponenten und geht auf Verlustmechanismen und Wirkungsgrade ein. Das Folgende Kapitel orientiert sich in Aufbau und Inhalt an den Inhalten der Literatur.
Die Modellierung des Antriebs und dessen Verlustmechanismen ist für die Berechnung des Energiebedarfs im Fahrzyklus relevant. Daher wird im Folgenden der Aufbau des elektrischen Antriebsstrangs und dessen Komponenten erläutert.
Der elektrische Antriebsstrang eines Batterie-Elektrischen Fahrzeugs (BEV) besteht aus den drei Kernkomponenten Traktionsbatterie, Wechselrichter und elektrischer Maschine. Die Topologie des elektrischen Antriebs ist in Abb. 3.2 dargestellt. Hierbei handelt es sich um die einfachste und kostenezienteste Umsetzung eines Zentralan- triebs mit einer elektrischen Maschine. Durch eine zweite Maschine mit Wechselrichter an der zweiten Hinterachse ist Allradantrieb realisierbar. Werden zwei Maschinen an einer Achse eingesetzt, entfällt das Dierential und das Drehmoment jedes Rads kann in Abhängigkeit der Fahrsituation einzeln geregelt werden (Torque Vectoring). Das Funktionsprinzip des Antriebs bleibt jedoch grundsätzlich gleich. Um die Fahrleistung ezient abbilden zu können, handelt es sich um ein Hochvoltsystem im Spannungsbe- reich von typischerweise 300V bis 800V [30].
EM Batterie
OBC
AC/DC DC/DC
14V
BMS
EM: AC/DC:
DC/DC:
BMS: OBC:
Elektrische Maschine Traktions-Wechselrichter Gleichspannungswandler Batterie Management System On Board Charger
Hochvolt System 14V Bordnetz
Abbildung 3.2: Topologie des elektrischen Antriebs eines BEV
Elektrische Maschine
Aufgrund ihres hohen Wirkungsgrads und der Leistungsdichte werden zur Erzeu- gung des Drehmoments i.d.R. permanentmagneterregte Synchronmaschinen (PSM) eingesetzt [31]. Im Gegensatz zur Gleichstrommaschine oder der fremderregten Syn- chronmaschine ist keine Energieübertragung auf den Rotor notwendig. Dies führt zu einer hohen Ezienz und verschleiÿfreiem Betrieb. Die Statorspulen werden mit Wechselstrom beaufschlagt, sodass ein rotierendes Statorfeld erzeugt wird. Der Rotor folgt dem Statorfeld synchron, also schluprei. Um Drehmoment und Drehzahl der PSM zu regeln, wird mittels sog. feldorientierter Regelung (FOC) die Amplitude und Frequenz des Phasenstroms der Statorspulen moduliert [32]. Der Mehraufwand von teuren Neodym-Permanentmagneten und aufwändiger Regelung gegenüber anderen Maschinentypen sind durch den hohen Wirkungsgrad und das günstige Drehmoment- verhalten gerechtfertigt [29].
Abbildung 3.3: Permanentmagneterregte Synchronmaschine des Mitsibishi i-MiEV &
Peugeot Ion [Quelle: Mitsubishi Motors]
Wechselrichter
Der Wechselrichter erfüllt die Aufgabe, den Batteriegleichstrom in einen dreiphasi- gen Wechselstrom zu wandeln, der zum Betrieb der elektrischen Maschine benötigt wird. Bei der Leistungselektronik handelt es sich um eine B6-Brückenschaltung. Sie ermöglicht es, die Spannung jeder Motorphase durch Pulsweitenmodulation dynamisch
einzustellen. In hoher Frequenz wird dazu die Batteriespannung mit der Motorphase verbunden und wieder getrennt. Das Verhältnis zwischen Ein- und Ausschaltzeit ergibt die mittlere Spannung der Motorphase. Auf diese Weise lässt sich an der Induktivität der Statorspulen ein nahezu sinusförmiger Strom erzeugen. Die Frequenz folgt bei der Synchronmaschine der Drehzahl, wobei die Amplitude das Moment bestimmt. Als Leistungshalbleiter zum Schalten der Phasenströme werden im Be- reich der Elektrofahrzeuge aufgrund des Spannungs- und Leistungsbereichs IGBTs (Insulated Gate Bipolar Transistor) eingesetzt [30]. Der B6-Wechselrichter ermöglicht einen bidirektionalen Energieuss. Beim Bremsen des Fahrzeugs kann so die Maschine als Generator genutzt und der von ihr erzeugte Wechselstrom durch die B6-Brücke gleichgerichtet werden. So ist eine Rückspeisung der Energie in die Traktionsbatterie beim Bremsvorgang möglich. Der Strom, respektive das Bremsmoment, sind durch den Wechselrichter regelbar. Um den Strom in beiden Betriebsmodi zu glätten, werden eingangsseitig Kapazitäten angebracht, die als Zwischenkreis bezeichnet werden. Der Wechselrichter arbeitet mit hohem Wirkungsgrad >95%, die entstehenden Verluste sind maÿgeblich Schalt- und Durchlassverluste der Leistungshalbleiter.
Traktionsbatterie
Die Traktionsbatterie stellt die für den Antrieb des Fahrzeugs benötigte Energie zur Verfügung und gilt als die Kernkomponente eines Elektrofahrzeugs. Sie bestimmt maÿgeblich die Fahrleistung, die Reichweite, aber auch Gewicht und Kosten des Fahrzeugs.
Als Traktionsbatterie wird das Gesamtsystem beschrieben, was aus dem elektrochemi- schen Speicher selbst, Zellkontaktierung, Batterie-Management-System (Steuergerät), Kühlung, Sicherheits- und Messeinrichtungen und der Einhausung besteht. Die Trak- tionsbatterie des Audi e-tron ist an Abb. 3.4 exemplarisch dargestellt.
Lithium-Ionen-Zellen (Li-Ion, LiPo) sind heutiger Stand der Technik beim Bau von Elektrofahrzeugen. In [4] ist der Stand der Technik der Li-Ionen-Batterie und die der- zeitige Marktsituation dargestellt. Durch hohen Einsatz in Forschung und Entwicklung ist die Li-Ionen-Technologie heute anderen elektrochemischen Speichern überlegen und in nahezu allen mobilen elektrischen Anwendungen zu nden. Dies ist durch die folgenden Vorteile bedingt:
Abbildung 3.4: Traktionsbatterie des AUDI e-tron 55 quadro [33]
Höchste Energiedichte: Die gravimetrische Energiedichte von Li-Ionen-Zellen liegt weit über der anderer Zelltechnologien, siehe Abb. 3.5. Die bedeutet, dass bei gleichem Zellgewicht eine höhere Energiemenge gespeichert werden kann.
Dies ist in allen Anwendungen relevant, in denen geringes Gewicht und hohe Kapazität entscheiden, so insbesondere bei Elektrofahrzeugen.
hohe Leistungsdichte: Ein sehr geringer erreichbarer Innenwiderstand ermög- licht eine hohe Leistungsabgabe. Im Fahrzyklus eines Elektrofahrzeugs können die hohen auftretenden Leistungsspitzen aufgrund der hohen Leistungsdichte von Li-Ionen-Batterien bedient werden.
Ezienz: Neben der hohen erzielbaren Leistungsdichte sorgt der niedrige In- nenwiderstand für geringe Verluste beim Laden und Entladen und damit für eine hohe Gesamtezienz.
Lebensdauer: Die Lebensdauer von Li-Ionen-Batterien ist bei richtiger An- wendung hoch und deckt die Lebensdauer eines Fahrzeugs ab. Per Denition ist das Lebensende einer Li-Ionen-Zelle erreicht, wenn nicht mehr als 80% der
Anfangskapazität zur Verfügung stehen. Selbst dann eignet sich die Zelle noch für den Einsatz in Second-Life-Anwendungen (z.B. stationärer Speicher).
Zellspannung: Die vergleichsweise hohe Zellspannung von 3,7V (Pb: 2V, NiMh:
1,5V) ermöglicht die Umsetzung hoher Systemspannungen mit vergleichsweise geringer Anzahl an Batteriezellen.
100 200 300 400 500 600
700 800 900
100 200 300 400 500 600
Blei-Säure
Li-Titanat Ni-Cd
Ni-MH
Li-Ion
Li-Polymer
Li-Po, Li-Ion Systeme
Zink-Luft
Li-Metall Wh/l
Wh/kg gravimetrische Energiedichte
volumetrische Energiedichte
Etablierte Technologien
Potentielle zukünftige Technologien LFP
Abbildung 3.5: gravimetrische und volumetrische Energiedichte verschiedener Zell- technologien 2017, nach [34]
Neben dem eigentlichen Energiespeicher stellt das Batterie-Management-System (BMS) eine weitere wichtige Komponente der Traktionsbatterie dar. Es überwacht Tempera- tur, Zellspannungen und des Laststrom und gewährleistet so durch die Kommunikation mit dem Fahrzeug die Einhaltung der Betriebsgrenzen der Batterie [30]. Zudem be- rechnet es den Batterieladezustand (SOC - State Of Charge). Problematisch dabei ist, dass keine messbare Gröÿe direkten Aufschluss auf den Ladezustand in ausreichender Genauigkeit liefert. Die ache Spannungskennlinie von Li-Ionen Zellen ist für einen gleichmäÿigen Betrieb zwar erwünscht, erlaubt aber nur einen begrenzten Rückschluss auf den Ladezustand. Die Integration des Laststroms, also die Messung der entladenen Energie hingegen unterliegt aufgrund der Messungenauigkeit einem Integrationsfehler, der mit zunehmender Dauer wächst. Die entstehende Unsicherheit der Messwerte hat Einuss auf die Anzeige des Ladezustands und der Restreichweite im Elektrofahrzeug.
Moderne Algorithmen zur Bestimmung des Ladezustands kombinieren verschiedene Methoden, um die Zustandsbestimmung der Batterie zu verbessern [35].
3.1.3 Ezienz und Reichweite
Die Gesamtezienz des elektrischen Antriebs liegt weit über der eines konventionellen Fahrzeugantriebs mit Verbrennungsmotor. In Abb. 3.6 sind die Antriebsverluste beider Antriebe dargestellt. Zusätzlich wird hier die im Fahrzeug mitgeführte Energie berück- sichtigt. Aufgrund der hohen chemischen Energiedichte von fossilen Brennstoen im Vergleich zu Li-Ionen-Batterien wird hier deutlich, dass der schlechte Wirkungsgrad des Verbrennungsmotors durch die schiere Menge verfügbarer Energie kompensiert werden kann. Die Grak verdeutlicht, dass dem Elektrischen Antrieb in vergleich- barer Fahrzeugklasse nur etwa ein Drittel der Energie zum eigentlichen Antrieb des Fahrzeugs zur Verfügung steht, was sich letztendlich in einer beschränkten Reichweite äuÿert.
EV 41kWh 50l Diesel
= 490kWh
^
(Heizwert: 11.9kWh/l)
5% Batterie
4% Wechselrichter 10% el. Maschine
4% Getriebe
78% Motor + Peripherie 4% Getriebe
4% Getriebe
η ≈ 79%
32kWh η ≈ 20%
99kWh
Abbildung 3.6: Wirkungsgradkette Tank-to-Wheel (TTW) für ein Dieselfahrzeug im Vergleich zu einem EV der unteren Mittelklasse. (Kennwerte nach [29,36,37])
Zu beachten ist, dass hier konservative Wirkungsgrade darstellt sind [36,37], um einen qualitativen Vergleich der Antriebsarten zu ermöglichen. Die Angaben sind abhängig vom genauen Fahrzeug und dem verwendeten Fahrzyklus. Moderne Dieselmotoren werden zwar mit Wirkungsgraden über 40% beworben, im tatsächlichen Fahrbetrieb auÿerhalb des optimalen Betriebspunkts zeigt sich jedoch ein Wirkungsgrad zwischen 12% und 20% [38].
