Verbrauchsminimierung eines Hybridfahrzeuges im Neuen Europäischen Fahrzyklus

Abstract

Für ein Computermodell eines Hybridelektrokraftfahrzeugs (Hybrid Electric Vehicle, HEV) der neuesten Generation soll der Treibstoffverbrauch im Neuen Europäischen Fahrzyklus (NEFZ) minimiert werden. Eine Besonderheit bei der Verbrauchsbestimmung von HEVs im NEFZ ist die Forderung eines nahezu gleichen Batterieladezustands (SOC) am Beginn und am Ende eines Fahrzyklus. Für das Fahrzeug soll u.a. die Schaltstrategie, Schwellwerte für die rein elektrische Fahrt und die Lastpunktanhebung optimiert werden. Dadurch ergeben sich in etwa zehn zu optimierende Parameter. Die Aufgabe besteht nun darin, eine Optimierungsstrategie zu finden, die es ermöglicht, in möglichst geringer Laufzeit ein Parameterset zu finden, das möglichst nahe am globalen Optimum liegt. Durch die hohe Komplexität des Modells ist eine direkte Bestimmung garantiert optimaler Parameterwerte praktisch ausgeschlossen, es können lediglich konkrete Parametersets durch relativ zeitaufwändige Simulationen des Modells bewertet werden. Ausgehend von bereits vorhandenen einfacheren Standardoptimierungsmethoden wurden unterschiedliche, teils deutlich effizientere Algorithmen entwickelt, die spezielle Eigenschaften der Problemstellung ausnutzen. Weiters galt es das Optimierungspotenzial für ein Modell, dessen Parameterset bereits empirisch ermittelt wurde, abzuschätzen. Als ersten Schritt wurden die vorhandenen Optimierungsmethoden der vorgegebenen Simulationssoftware analysiert und in weiterer Folge zu Vergleichszwecken herangezogen. Es wurde ein Framework für die zu implementierenden Algorithmen erstellt, das den Zugriff auf die Simulationssoftware des Modells ermöglicht. Für den eigentlichen Optimierungsprozess wurde zuerst ein Algorithmus entwickelt, der die Auswahl der zu optimierenden Parameter reduziert bzw. festlegt. In weiterer Folge wurden ein genetischer Algorithmus (GA), ein Downhill-Simplex Verfahren und ein Algorithmus, der auf Schwarmintelligenz beruht (PSO), implementiert. Beim GA wurde darauf geachtet, dass bei der Rekombination jeweils derWert der Lösung akzeptiert wird, der eher zu einem ausgeglichenem SOC führt. Beim Downhill-Simplex Verfahren wurde auf eine gesamte Verkleinerung des Simplex verzichtet, weil dadurch alle Punkte des Simplex neu berechnet werden müssten und diese oft einen schlechteren Zielfunktionswert aufweisen. Beim PSO wurde die beste Lösung nach einer gewissen Anzahl an Iterationen mit einem Surface-Fitting Algorithmus verbessert. Aufgrund der beschränkten Anzahl an Iterationen wurden die Ausgangslösungen nicht zufällig, sondern mithilfe eines Monte-Carlo Suchverfahrens erzeugt.<br />Schlussendlich wurden die einzelnen Metaheuristiken in einem gesamten Optimierungsprozess, unter Berücksichtigung der Stärken und Schwächen der einzelnen Verfahren für die Problemstellung, miteinander kombiniert.<br />Für das Modell des zu optimierenden HEVs konnte eine Treibstoffersparnis von etwa 33 Prozent im Vergleich zu einem konventionell betriebenen vergleichbaren Kraftfahrzeug erzielt werden. Der Anteil unseres kombinierten Ansatzes liegt dabei etwa bei fünf Prozentpunkten. Die bereits vor der Diplomarbeit vorhandenen Optimierungsverfahren konnten vor allem aufgrund der hohen Anzahl an zu optimierenden Parametern keine nennenswerte Verbesserung bewirken. Weiters wurde der implementierte Algorithmus auch auf ein einfacheres Modell eines HEVs angewendet und es konnte gezeigt werden, dass auch hierbei bessere Ergebnisse als mit den vorhandenen Optimierungsverfahren erzielt werden können.<br />

For a computer model of the latest generation hybrid electric vehicle (HEV) the fuel consumption should be minimized considering the New European Driving Cycle (NEDC). A special feature of the fuel consumption measurement of a HEV in the NEDC is the requirement of a nearly identical state of charge (SOC) at the beginning and end of the driving cycle. For the vehicle among others the gear shifting strategy, thresholds for the electric cruise, and the load point increase should be optimized. For the optimization process about ten parameters will be selected. The goal is to find an optimization strategy making it possible to reliably and a parameter set that is close to optimal. Due to the high complexity of the model a direct determination of guaranteed optimal parameter values is almost impossible. Only specific parameters can be evaluated with relatively time-consuming simulations of the model. Starting from simple existing standard optimization methods different, sometimes clearly more efficient algorithms were developed taking advantage of special properties of the problem. Furthermore, the achievable optimization potential for a model whose parameter set has been already determined empirically should be estimated. As a first step the existing optimization methods were analyzed and used for comparative purposes. A framework has been developed giving access to the model of the simulation software. For the actual optimization process an algorithm was first developed that reduces the number of parameters and determines the parameter selection. Then a genetic algorithm (GA), a downhill simplex method, and an algorithm based on swarm intelligence (PSO) have been implemented. The GA's recombination operator accepts a better solution if it has a more balanced SOC. The simplex reduction in the downhill simplex method has not been implemented because it calculates all points of the new simplex and this mostly ends in worse objective function values. The best solution from the PSO algorithm has additionally been optimized with a surface-fitting algorithm. Given the limited number of iterations the solutions were not initialized randomly but by a Monte Carlo search procedure. Finally, the individual metaheuristics were combined to a hybrid optimization algorithm, taking into account the strengths and weaknesses of the single procedures. For the model to be optimized a fuel saving of about 33 percent compared to a related conventionally powered vehicle could be achieved. The part our combined algorithm contributes is about five percent. The previously existing optimization methods could not significantly improve the model especially due to the high number of parameters to be optimized.<br />Furthermore, it could be shown that the implemented algorithm achieves better results on a simpler HEV model, too.