Energy and battery management for non-road Hybrid Electric Vehicles

Abstract

Die Regelung eines elektrischen Hybridantriebs in elektrischen Hybridfahrzeugen (HEV) wird durch das Energiemanagementsystem (EMS) umgesetzt und zielt darauf ab, den Kraftstoffverbrauch und die Abgasemissionen zu minimieren. Legislative Regulierungen verlangen die Einhaltung von Abgasemissionen, wodurch das EMS gezwungen wird, bestimmte Strategien zu verfolgen und die Beschränkungen des Antriebsstrangs zu berücksichtigen. In diesem Zusammenhang sind non-road Fahrzeuge, wie beispielsweise Radlader oder Bagger, besonders schwierig zu steuern, da ihr Lastbedarf sehr dynamisch und vorab nicht bekannt ist. Auf der Grundlage der verfügbaren Freiheitsgrade des Systems, präsentiert diese Arbeit ein EMS, das die Abgasemissionen sowie den Kraftstoffverbrauch deutlich reduzieren kann. Das EMS ist mit einem kaskadierten Regelungskonzept umgesetzt, welches die langsame Dynamik der Batterie sowie die schnelle Dynamik der Drehzahl und Drehmomente adressiert. Eine optimale Regelung wird durch die nichtlineare Optimierung des Gesamtsystems erreicht, welches die Nichtlinearitäten des elektrischen Systems, eine Prädiktion der zukünftigen kurzfristigen Last und wiederkehrend auftretende zyklische Lasten der Anwendungen berücksichtigt. Zu diesem Zweck sind Korrelationsanalyse und Bayessche Inferenz adaptiert. Das EMS benötigt darüber hinaus den akkuraten Ladezustand (SoC) der Batterie, der on-line nicht messbar ist und präzise geschätzt werden muss, um die physikalische Leistungsfähigkeit des Antriebsstrangs voll ausschöpfen zu können. Aus diesem Grund wird in dieser Arbeit ein hoch dynamisches Batteriemodell präsentiert, dass auf dem datenbasierten Ansatz des lokalen Modellnetzwerks aufbaut. Die Modellgenauigkeit ist aufgrund des datenbasierten Ansatz maßgebend abhängig von den Trainingsdaten, weshalb optimale modellbasierte Versuchsplanung angewandt wird, um die Genauigkeit der Batteriemodelle zu erhöhen. Basierend auf den erhaltenen Batterie-Zellmodellen, werden dann ein Batterie-Modulmodell und ein SoC-Schätzer für den Einsatz in non-road Fahrzeugen entworfen. Um die Umsetzbarkeit des Konzepts in Echtzeit zu zeigen, wird das allgemein anwendbare EMS auf einem realen Prüfstand implementiert. Ein Radlader ist als repräsentatives Beispiel für mobile Arbeitsmaschinen gewählt. Reale Lastzyklen werden verwendet, um die Möglichkeit der Prädiktion des zukünftig benötigten Lastbedarf ausschließlich anhand des aktuellen Fahrzeugzustands sowie vergangenen Lastsignals zu demonstrieren. Am Prüfstand, zeigten die Ergebnisse, dass der Kraftstoffverbrauch sowie die Abgasemissionen signifikant reduziert werden konnten, obwohl die Strategien Phlegmatisierung (Beschränkung des Motordrehmomentgradienten) und Downspeeding (reduzierte Drehzahl) die Motordynamik limitierten und ausgeglichen werden mussten. Separat erhaltene Messungen von Batteriezellen und einem Batteriemodul konnten die hohe Genauigkeit der vorgestellten Batteriemodelle und des SoC-Schätzansatzes zeigen. Gleichzeitig wird aufgrund der Messungen von Lithiumeisenphosphat und Lithiumpolymer Batteriezellen, die Zellchemie-Unabhängigkeit des Ansatzes demonstriert.

The control of hybrid electric powertrains in hybrid electric vehicles (HEV) is established by the energy management system (EMS) and aims to minimize fuel consumption and exhaust emissions. Legislative regulations require compliance with the limitations of exhaust emissions, which forces the EMS to follow given strategies and to keep constraints of the powertrain. In this context, non-road vehicles, such as wheel loaders or excavators, are especially difficult to control since their load demand is highly dynamic and unknown in advance. Based on the available degrees of freedom of the system, this work presents an EMS that is able to significantly reduce the exhaust emissions and fuel consumption. The EMS is established by an cascaded control concept that addresses the slow dynamics of the battery as well as the fast dynamics of the rotational speed and torques, respectively. An optimal control is achieved by the non-linear optimization of the overall system, which considers the non-linearities of the electrical system, a prediction of the future short term load and recurrent cyclic loads of the applications. To this end, correlation analysis and Bayesian inference are adapted. The EMS furthermore requires the accurate state of charge (SoC) of the battery, which is not measurable on-line and needs to be precisely estimated in order to fully exploit the physical capabilities of the powertrain. For this reason, a high dynamic battery model is presented in this work that is built on the data based local model network approach. The model accuracy is due to the data based approach decisively dependent on the training data for which reason optimal model based design of experiments is applied to increase the battery model accuracy. Based on the obtained battery cell models, a battery module model and a SoC estimator are designed to be used in non-road vehicles. In order to demonstrate the feasibility of the concept in real time, the generically applicable EMS is implemented on a real testbed. A wheel loader is chosen as representative example for non-road machinery. Real load cycles are used to demonstrate the possibility of predicting the future load demand exclusively by the actual vehicle states as well as past load signal. At the testbed, the results showed that fuel consumption and exhaust emissions could be reduced significantly, although phlegmatisation (constrained engine torque gradient) and downspeeding (reduced rotational speed) strategies limited the engine dynamics and had to be compensated. Separately obtained measurements of battery cells and an battery module could show the high accuracy of the presented battery models and SoC estimation approach. Simultaneously, due to the measurements of lithium-iron-phosphate and lithium-polymer battery cells, respectively, the cell chemistry independence of the approach is demonstrated.