<div class="csl-bib-body">
<div class="csl-entry">Varlese, C. (2025). <i>Predictive power demand, energy and thermal management for fuel cell electric tractors</i> [Dissertation, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2025.128380</div>
</div>
-
dc.identifier.uri
https://doi.org/10.34726/hss.2025.128380
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/219007
-
dc.description
Kumulative Dissertation aus drei Artikeln
-
dc.description.abstract
Diese kumulative Dissertation umfasst drei peer-review Veröffentlichungen, die sich gemeinsam mit der Entwicklung und Implementierung von Strategien zur übergeordneten und prädiktiven Steuerung von wasserstoffbetriebenen Brennstoffzellen-Traktoren befassen, mit dem Ziel, deren Einführung in die landwirtschaftliche Praxis zu erleichtern. Die Einführung von Brennstoffzellenantriebssträngen in landwirtschaftlichen Maschinen steht vor erheblichen Herausforderungen hinsichtlich Effizienz und Lebensdauer, die auf die vielfältigen Anforderungen bei der landwirtschaftlicher Feldarbeit zurückzuführen sind. Als Lösung für dieses Problem werden in dieser Arbeit prädiktive Regelungssmethoden für die Energie- und Thermomanagementstrategien vorgeschlagen. Durch die Nutzung der Charakteristik sich wiederholender Arbeitszyklen können präzise Vorhersagen zur Reduzierung des Kraftstoffverbrauchs und zur Verlängerung der Lebensdauer der Brennstoffzelle genutzt werden. Diese Arbeit umfasst drei wesentliche Publikationen: Die Entwicklung neuronaler Netzwerke zur Vorhersage des Leistungsbedarfs, die Analyse einer echtzeitfähigen Energiemanagementstrategie und die Untersuchung modellprädiktiver Regelungen für das Thermomanagement. Die erste Publikation stellt ein innovatises Prädiktionsmodell für den Leistungsbedarf von hybrid-elektrischen Traktoren vor, das auf neuronalen Netzwerken basiert und interdisziplinäre Methoden einbezieht. Der besondere Beitrag liegt in der umfassenden Methodik, die mit der statistischen Analyse von Feldmessungen beginnt, um die wichtigsten Eingangsgrößen zu identifizieren. Zwei neuronale Netzwerkarchitekturen werden vorgeschlagen, die den realen Leistungsbedarf über einen Vorhersagehorizont von einer Minute prognostizieren. Zudem wird der Einfluss der Prädiktionsdauer auf die Prognosegenauigkeit quantifiziert. Die zweite Publikation präsentiert eine echtzeitfähige und prädiktive Energiemanagementstrategie. Besonders hervorzuheben ist, dass diese Strategie das Potenzial hat, die negativen Auswirkungen von Niederlastphasen des Traktors bei Wendemanövern durch eine Reduzierung des Kraftstoffverbrauchs zu verringern und so der Gesamtwirkungsgrad des Traktors zu verbessern. Die Untersuchungen wurden experimentell an einem Antriebsstrang durchgeführt, der einen innovativen Beitrag zur Forschung im Bereich der Brennstoffzellenantriebe für Traktoren darstellt und die Vorteile der vorgeschlagenen Strategie validiert. Die dritte Publikation konzentriert sich auf die Modellierung des Brennstoffzellenstapels sowie die Regelung des Thermomanagementsystems. Zu diesem Zweck werden umfangreiche Prüfstandsergebnisse verwendet, um Modelle zu validieren und prädiktive Thermomanagementstrategien zu entwickeln. Dieser Ansatz stellt einen innovativen Beitrag zur Bewältigung des hohen Kühlungsbedarfs von Brennstoffzellensystemen für schwere Nutzfahrzeuge dar und optimiert gleichzeitig die Nutzung von Nebenaggregaten wie Pumpen und Lüftern. Die Analyse zeigt, dass die vorgeschlagene Strategie den Energieverbrauch der Aktuatoren effektiv reduziert, ohne die Genauigkeit der Regelung zu beeinträchtigen. Zusammenfassend hebt diese kumulative Dissertation die positiven Auswirkungen prädiktiver Regelungsstrategien auf die Einführung von Brennstoffzellen-Elektroantrieben in Traktoren hervor, indem sie die Lebensdauer des Stacks verlängern und den Kraftstoffverbrauch senken.
de
dc.description.abstract
This cumulative thesis comprises three peer-reviewed publications that collectively address the development and implementation of supervisory and predictive control strategies for fuel cell electric tractors, with the aim of facilitating their adoption.The adoption of fuel cell powertrains in agricultural machinery faces considerable challenges related to efficiency and durability, attributed to the various demands of farm-related tasks. As a solution to this problem, this work proposes predictive control methods for energy and thermal management strategies. By leveraging the characteristic of recurrent duty cycles in tractors, accurate forecasts can be utilized to achieve fuel consumption reduction and extension of fuel cell lifetime. Specifically, this dissertation is based on three publications: the development of neural network models for forecasting the power demand, the analysis of a real-time capable energy management strategy, and the investigation of model predictive control for thermal management. The first publication introduces a novel predictor model for the power demand of hybrid electric tractors through neural network models by considering interdisciplinary methodologies, from the extensive measurement campaign to the development of the prediction model. The unique contribution lies in its comprehensive methodology, which begins with the statistical analysis of 410-hours of field measurements to identify the key inputs for creating a reliable prediction model. Two neural network architectures are proposed: a long short-term memory network and a convolutional neural network, designed to predict real tractor power demand data during farming operations over a one-minute prediction horizon. Additionally, the study quantifies the impact of prediction horizon on the prediction accuracy. The second publication presents a real-time capable and predictive energy management strategy. Notably, the predictive energy management strategy offers the potential to mitigate the negative impact of tractor operational idling time at the headland turns through the reduction of fuel consumption, thereby enhancing overall tractor performance. The investigations were carried out in an experimental powertrain setup that stands as an innovative contribution within the research landscape concerning fuel cell powertrains for tractors and validates the benefits of the proposed strategy. The third publication centers on the modeling and control of the fuel cell stack and the thermal management system. For this purpose, extensive testbed results are utilized to validate models and formulate predictive thermal management strategies. This approach stands as an innovative contribution aimed at addressing the substantial cooling demand of heavy-duty fuel cell systems while concurrently optimizing the utilization of auxiliary units, such as pumps and fans. The analysis shows the proposed strategy effectively diminishes the power usage of the actuators without hindering the control accuracy. In summary, this cumulative dissertation highlights the positive impact of predictive control strategies on the adoption of fuel cell electric powertrains in tractors by extending stack lifespan and reducing fuel consumption.
en
dc.language
English
-
dc.language.iso
en
-
dc.rights.uri
http://rightsstatements.org/vocab/InC/1.0/
-
dc.subject
Brennstoffzellentraktor
de
dc.subject
Energiemanagementstrategie
de
dc.subject
Thermalmanagementstrategie
de
dc.subject
Prädiktive Regelung
de
dc.subject
Neuronale Netzwerke
de
dc.subject
Fuel Cell Tractor
en
dc.subject
Energy Management Strategy
en
dc.subject
Thermal Management Strategy
en
dc.subject
Predictive Control
en
dc.subject
Neural Networks
en
dc.title
Predictive power demand, energy and thermal management for fuel cell electric tractors
en
dc.type
Thesis
en
dc.type
Hochschulschrift
de
dc.rights.license
In Copyright
en
dc.rights.license
Urheberrechtsschutz
de
dc.identifier.doi
10.34726/hss.2025.128380
-
dc.contributor.affiliation
TU Wien, Österreich
-
dc.rights.holder
Christian Varlese
-
dc.publisher.place
Wien
-
tuw.version
vor
-
tuw.thesisinformation
Technische Universität Wien
-
dc.contributor.assistant
Hametner, Christoph
-
tuw.publication.orgunit
E315 - Institut für Fahrzeugantriebe und Automobiltechnik
-
dc.type.qualificationlevel
Doctoral
-
dc.identifier.libraryid
AC17635813
-
dc.description.numberOfPages
101
-
dc.thesistype
Dissertation
de
dc.thesistype
Dissertation
en
dc.rights.identifier
In Copyright
en
dc.rights.identifier
Urheberrechtsschutz
de
tuw.advisor.staffStatus
staff
-
tuw.assistant.staffStatus
staff
-
tuw.assistant.orcid
0000-0003-2912-4771
-
item.fulltext
with Fulltext
-
item.openaccessfulltext
Open Access
-
item.languageiso639-1
en
-
item.openairecristype
http://purl.org/coar/resource_type/c_db06
-
item.cerifentitytype
Publications
-
item.grantfulltext
open
-
item.openairetype
doctoral thesis
-
item.mimetype
application/pdf
-
crisitem.author.dept
E315-01 - Forschungsbereich Fahrzeugantriebe und Automobiltechnik
-
crisitem.author.parentorg
E315 - Institut für Fahrzeugantriebe und Automobiltechnik