A novel approach to combine short- and long-term forecasts for energy management of heavy-duty fuel cell vehicles

Abstract

The world energy consumption of the transport sector is in constant growth due to globalisation. Increasing research is conducted on alternative propulsion systems to reduce the environmental impact of heavy-duty vehicles.In this context, fuel cell electric vehicles are one of the most promising solutions to reduce greenhouse gas emissions. This vehicle architecture includes a fuel cell system that converts hydrogen into electricity - with only water as a by-product - and a battery system that copes with the fast load transients typical of automotive applications.Therefore, an energy management strategy (EMS) is necessary to distribute the electric load demand between the fuel cell battery systems, usually referred to as the power-split control task. From a control theory point of view, the power-split task can be formulated as a complex optimisation problem involving several contrasting objectives, such as fuel consumption, battery state-of-charge (SoC) control, and battery ampere throughput. Using a predictive energy management strategy (PEMS), the power-split can be optimised based on the future load demand, estimated using driving information forecasts (e.g. vehicle speed, route elevation, traffic congestion level, weather).The driving forecasts can be classified into short-term and long-term, depending on the future horizon length, e.g. one minute ahead and one hour, respectively. Although computational capabilities of industrial controllers are steadily increasing, online processing of various long-term predictive information still places a heavy burden on modern hardware. Therefore, assuming that both forecast levels are available, it is interesting to investigate new approaches to deal with the high computational complexity of predictive controllers.This thesis proposes a novel model predictive control (MPC) formulation as a PEMS with long prediction horizons but few decision variables. In particular, the classical MPC formulation is modified to have non-uniformly distributed control variables. The PEMS can consider short-term information (e.g. traffic) and long-term information (e.g. route elevation). The proposed predictive strategy is tested on real-world driving cycles of road freight vehicles. Several parameter changes and forecast scenarios are adopted to examine the efficacy and robustness of the MPC. The results show that the proposed concept achieves optimal fuel consumption and SoC control results while reducing the computational complexity of MPC.

Der weltweite Energieverbrauch des Verkehrssektors nimmt aufgrund der Globalisierung ständig zu. Es wird zunehmend an alternativen Antriebssystemen geforscht, um die Umweltauswirkungen von schweren Nutzfahrzeugen zu verringern. In diesem Zusammenhang sind Brennstoffzellen-Elektrofahrzeuge eine der vielversprechendsten Lösungen zur Reduzierung der Treibhausgasemissionen. Diese Fahrzeugarchitektur umfasst ein Brennstoffzellensystem, das Wasserstoff in Elektrizität umwandelt - wobei nur Wasser als Nebenprodukt anfällt - und ein Batteriesystem, das die für Automobilanwendungen typischen schnellen Lastwechseln bewältigt. Daher ist eine Energiemanagementstrategie (EMS) erforderlich, um den elektrischen Leistungsbedarf zwischen den Brennstoffzellen-Batteriesystemen zu verteilen. Die Regelung der Leistungsaufteilung kann als komplexes Optimierungsproblem formuliert werden, das mehrere gegensätzliche Ziele beinhaltet, wie z. B. den Kraftstoffverbrauch, die Kontrolle des Ladezustands der Batterie und den Ampere-Durchsatz der Batterie. Mit Hilfe einer prädiktiven Energiemanagementstrategie kann die Leistungsaufteilung auf der Grundlage des künftigen Leistungsbedarfs optimiert werden, der anhand von Fahrdatenprognosen (z. B. Fahrzeuggeschwindigkeit, Streckenhöhe, Verkehrsstaus, Wetter) geschätzt wird. Die Fahrprognosen können je nach Länge des Prädiktionshorizonts in Kurzzeit- und Langzeitprognosen unterteilt werden, z. B. ein Horizont von einer Minute bzw. einer Stunde. Obwohl die Rechenkapazitäten industrieller Steuerungen stetig zunehmen, stellt die Online-Verarbeitung verschiedener langfristiger Vorhersageinformationen immer noch eine große Belastung für moderne Hardware dar. Unter der Annahme, dass beide Vorhersageebenen verfügbar sind, ist es daher interessant, neue Ansätze zu untersuchen, um die hohe Rechenkomplexität prädiktiver Regler zu bewältigen. In dieser Arbeit wird eine neuartige Formulierung für Model Predictive Control (MPC) vorgeschlagen, um eine prädiktive Energiemanagementstrategie mit langen Vorhersagehorizonten und wenigen Entscheidungsvariablen zu ermöglichen. Insbesondere wird die klassische MPC-Formulierung dahingehend modifiziert, dass sie nicht gleichmäßig verteilte Kontrollvariablen aufweist. Dadurch kann der prädiktive Regler kurzfristige Informationen (z.B. Verkehr) und langfristige Informationen (z.B. Streckenhöhe) berücksichtigen. Die vorgeschlagene Vorhersagestrategie wird anhand von realen Fahrzyklusdaten eines Straßengüterfahrzeuges getestet. Es werden verschiedene Parameteränderungen und Prognoseszenarien angenommen, um die Wirksamkeit und Robustheit des MPC zu untersuchen. Die Ergebnisse zeigen, dass das vorgeschlagene Konzept optimale Kraftstoffverbrauchsergebnisse erzielt, Batterieladezustandskontrolle ermöglicht und gleichzeitig die Berechnungskomplexität eines MPC reduziert.