Predictive energy management of fuel cell vehicles with robustness against uncertainties

Abstract

Die Energiemanagementstrategie eines Brennstoffzellenfahrzeugs ist für die Lastaufteilung zwischen dem Brennstoffzellensystem (FCS) und einer Batterie verantwortlich. Die optimale Lastaufteilung hängt stark von der Fahrt ab, weshalb Vorhersagen äußerst nützlich für das Energiemanagement sein können. Insbesondere Langzeitvorhersagen, die die gesamte Fahrt abdecken, ermöglichen eine erhebliche Verbesserung der Kraftstoffeffizienz. Allerdings ist die Genauigkeit solcher Langzeitvorhersagen aufgrund zahlreicher Einflüsse wie Verkehr, Fahrerverhalten und Wetter, die im realen Fahrbetrieb unvermeidbar sind, eingeschränkt.Diese Dissertation führt ein prädiktives Energiemanagementkonzept ein, das speziell für den Umgang mit diesen Unsicherheiten ausgelegt ist. Dadurch werden eine nahezu optimale Kraftstoffeffizienz und eine Verlängerung der Lebensdauer des FCS erreicht. Das Konzept baut auf einem zweistufigen Ansatz auf: Zuerst wird die Langzeitvorhersage in einer Offline-Optimierung vor der Abfahrt verarbeitet. Daraus ergibt sich prädiktive Information, die dann von der Echtzeit-Strategie während der Fahrt berücksichtigt wird. Die Besonderheit des vorgestellten Konzepts besteht darin, dass die prädiktive Information in Form eines Kennfelds bereitgestellt wird. Das Kennfeld beschreibt die sogenannte optimale "Cost-to-go", d. h. die benötigte Menge an Kraftstoff zum Erreichen des Ziels, in Abhängigkeit von der zurückgelegten Distanz und dem Ladezustand der Batterie. Zwei Echtzeit-Strategien, die auf dem Cost-to-go-Konzept aufbauen, werden vorgestellt.Die erste Strategie basiert auf der "Equivalent Consumption Minimization Strategy" (ECMS). Das Cost-to-go-basierte Design ermöglicht der Strategie eine kontinuierliche Anpassung an die tatsächlichen Bedingungen, die erheblich von der Langzeitvorhersage abweichen können. Dadurch ist die Strategie robust gegen unvorhergesehene Störungen und erreicht nahezu optimale Kraftstoffeffizienz. Darüber hinaus wird eine prädiktive Start/Stopp-Strategie für das FCS eingeführt. Sie ist nahtlos in die Cost-to-go-basierte ECMS integriert und nutzt die Langzeitvorhersage aus, um die Anzahl von schädlichen Start/Stopp-Vorgängen robust zu minimieren. Damit wird die Degradation des FCS reduziert und dessen Lebensdauer verlängert. Die zweite Strategie basiert auf einem modellprädiktiven Regler (MPC), der zusätzlich genaue Kurzzeitvorhersagen berücksichtigt. Dies erlaubt es dem MPC die dynamische Beanspruchung des FCS und die damit verbundene Degradation zu reduzieren, wobei die Effizienzvorteile des Cost-to-go-basierten Energiemanagements erhalten bleiben. Das Konzept wird durch eine umfassende experimentelle Untersuchung ergänzt, die die Wirksamkeit von Langzeitvorhersagen zur Steigerung der Kraftstoffeffizienz bestätigt. Die Untersuchung wurde mit einem echten Brennstoffzellenfahrzeug durchgeführt und fokussierte sich auf den realen Fahrbetrieb im öffentlichen Verkehr. Das Ergebnis ist eine signifikante Senkung des Kraftstoffverbrauchs um mehr als 6 % im Vergleich zu einer nicht-prädiktiven Strategie.

The energy management strategy of a fuel cell vehicle is responsible for the power allocation between the fuel cell system (FCS) and a battery. The optimal power allocation strongly depends on the trip, which is why predictive information is highly valuable for an energy management strategy. In particular, long-term predictions that cover the entire trip allow for significant improvements in fuel efficiency. However, the accuracy of such long-term predictions is limited because of numerous influences that are inevitable in real-world driving, such as traffic, driver behavior, and weather.This dissertation proposes a predictive energy management concept that is specifically designed to handle these uncertainties. The results are close-to-optimal fuel efficiency and increased FCS durability. The concept follows a two-stage approach: First, the long-term prediction is processed in an offline optimization before departure, which yields predictive control information. Then, a real-time strategy determines the power allocation considering the predictive control information while driving. The distinctive feature of the proposed concept is that the predictive control information is provided in the form of a map that expresses the optimal cost-to-go, i.e., the minimum amount of fuel required to reach the destination, as a function of the covered distance and the battery state of charge. Two real-time strategies that follow the cost-to-go-based concept are proposed.The first strategy is based on the equivalent consumption minimization strategy (ECMS). The cost-to-go-based design allows the ECMS to adapt continuously to the actual conditions, which may considerably deviate from the long-term prediction. In this way, the ECMS is robust against unpredicted disturbances and achieves close-to-optimal fuel efficiency. In addition, a predictive fuel cell stack start/stop strategy is proposed. It is seamlessly integrated into the cost-to-go-based ECMS and exploits the long-term prediction to robustly minimize the number of stack starts/stops, which cause harmful operating conditions. As a result, the proposed start/stop strategy mitigates FCS degradation and increases its durability. The second strategy is based on model predictive control (MPC) and additionally considers accurate short-term predictions that are updated in real time. The short-term predictions allow the MPC-based strategy to reduce the dynamic load on the FCS and the associated degradation while preserving the efficiency benefits of the cost-to-go-based energy management. The proposed energy management concept is complemented with an extensive experimental evaluation that validates the effectiveness of long-term predictions for improving fuel efficiency. The evaluation was conducted with a real fuel cell vehicle and focused on real-world driving on public roads. It revealed significant reductions in fuel consumption of more than 6 % compared to a nonpredictive strategy.