DE102019114590A1 - Kraftfahrzeuge mit elektroantrieb, systeme und steuerlogik für vorausschauende ladeplanung und antriebsstrangsteuerung - Google Patents

Abstract

Es werden intelligente Fahrzeugsysteme und die Steuerlogik für die vorausschauende Ladeplanung und Antriebsstrangsteuerung von Fahrzeugen mit Elektroantrieb, Verfahren zur Herstellung/dem Betrieb solcher Systeme sowie Fahrzeuge mit Elektroantrieb mit Fähigkeiten zur intelligenten Ladeplanung und Antriebsstrangsteuerung offenbart. Systeme und Verfahren der KI-basierten vorausschauenden Ladeplanung für intelligente Elektrofahrzeuge verwenden maschinell lernende (Machine-Learning, ML) Fahrermodelle, die sich auf verfügbare Verkehrs-, Standort- und Straßenkarteninformationen stützen, um den Fahrzeuggeschwindigkeits- und Antriebsdrehmomentbedarf zu schätzen und so einen Gesamtenergieverbrauch für eine bestimmte Fahrt abzuleiten. Systeme und Verfahren zur KI-basierten vorausschauenden Antriebsstrangsteuerung für intelligente Hybridfahrzeuge verwenden ML-Fahrermodelle mit Deep Learning-Techniken, um ein Fahrzyklusprofil abzuleiten, das durch eine Vorschauroute mit verfügbaren Verkehrs-, Geopositions-, raumbezogenen Daten und Kartendaten definiert ist. ML-generierte Fahrermodelle werden mit gesammelten Daten entwickelt, um das Fahrerverhalten zu replizieren und das Fahrzyklusprofil vorherzusagen, einschließlich der vorhergesagten Fahrzeuggeschwindigkeit, des Antriebsdrehmoments und der Gas-/Bremspedalstellungen für eine Vorschauroute.

Description

• EINLEITUNG
• Die vorliegende Offenbarung bezieht sich allgemein auf Kraftfahrzeuge mit Elektroantrieb. Insbesondere beziehen sich die Gesichtspunkte dieser Offenbarung auf intelligente Fahrzeugsysteme und die Steuerlogik zur vorausschauenden Ladeplanung und Antriebsstrangsteuerung von Kraftfahrzeugen mit Elektroantrieb.
• Aktuelle Serienkraftfahrzeuge, wie etwa das moderne Automobil, sind ursprünglich mit einem Antriebsstrang ausgestattet, der so arbeitet, dass er das Fahrzeug antreibt und die Bordelektronik des Fahrzeugs mit Strom versorgt. In Automobilanwendungen beispielsweise wird der Fahrzeugantriebsstrang allgemein durch eine Antriebsmaschine charakterisiert, die über Manuell- oder Automatik-Mehrgangschaltgetriebe und ein Achsantriebssystem (z. B. Differential, Achse usw.) Antriebskraft an die Bodenräder des Fahrzeugs abgibt. Automobile wurden in der Vergangenheit aufgrund ihrer hohen Verfügbarkeit und der relativ günstigen Kosten, des geringen Gewichts und des Gesamtwirkungsgrades von einer Hubkolben-Verbrennungsmotor-Baugruppe (ICE) angetrieben. Diesen Motoren schließen Zwei- und Viertakt-Dieselmotoren mit Verdichtungszündung (CI), Viertakt-Benzinmotoren mit Fremdzündung (SI), Sechstaktarchitekturen und Drehmotoren als einige nicht einschränkende Beispiele ein. Hybrid- und Vollelektrofahrzeuge hingegen nutzen alternative Energiequellen, um das Fahrzeug anzutreiben und so die Abhängigkeit von einem Motor auf Basis fossiler Brennstoffe zu minimieren oder zu beseitigen.
• Hybridfahrzeug-Antriebsstränge nutzen mehrere Traktionsleistungsquellen zum Antreiben des Fahrzeugs, wobei sie am häufigsten eine Verbrennungsmotorbaugruppe in Verbindung mit einem batteriebetriebenen oder brennstoffzellenbetriebenen Elektromotor verwenden. Ein Hybrid-Elektrofahrzeug (HEV) beispielsweise speichert sowohl elektrische als auch chemische Energie und wandelt diese in mechanische Energie um, um die Bodenräder des Fahrzeugs anzutreiben. Das HEV ist in der Regel mit einer elektrischen Maschine (E-Maschine), oft in Form einer Elektromotor-/Generatoreinheit (MGU) ausgestattet, die parallel oder in Reihe mit einem ICE betrieben wird. Die Hybridarchitekturen der Serie beziehen die gesamte Traktionskraft von Elektromotoren und beseitigen so jede mechanische Antriebsverbindung zwischen Motor und Achsantriebselementen. Im Vergleich dazu weisen die Motor- und Motor-/Generatorbaugruppen paralleler Hybridarchitekturen jeweils eine mechanische Antriebskupplung zur Kraftübertragung auf. Da Hybridfahrzeuge so konzipiert sind, dass sie ihre Leistung aus anderen Quellen als dem ICE beziehen, können Motoren in HEVs ganz oder teilweise abgeschaltet werden, während das Fahrzeug von den Elektromotoren angetrieben wird.
• Ein Vollelektrofahrzeug (FEV) - umgangssprachlich als „Elektroauto“ bezeichnet - ist eine alternative Art der Fahrzeugkonfiguration mit Elektroantrieb, die den Verbrennungsmotor und die dazugehörigen peripheren Komponenten vollständig aus dem Antriebsstrang eliminiert und sich ausschließlich auf elektrische Traktionsmotoren für den Fahrzeugantrieb stützt. Batterie-Elektrofahrzeuge (BEV) nutzen beispielsweise die in einem wiederaufladbaren, integrierten Batteriepack gespeicherte Energie und nicht einen Kraftstofftank, eine Brennstoffzelle oder ein Schwungrad, um die Elektromotoren anzutreiben. Das Elektrofahrzeug verwendet ein elektrisches Energieverteilungssystem, das über eine Motorsteuerung gesteuert wird, um elektrische Energie zwischen dem integrierten Batteriepack und einem oder mehreren Elektromotoren zurückzuleiten. Plug-in-Elektrofahrzeug-(PEV)-Varianten ermöglichen das Aufladen des Batteriepacks über eine externe Stromquelle, wie etwa einem öffentlichen Stromnetz per Wohn- oder Nutzfahrzeugladestation. Drahtlos-Elektrofahrzeug-Laden (WEVC) bietet eine Alternative zur Verwendung von physikalischen Steckern zum Wiederaufladen eines BEV.
• Mit zunehmender Verbreitung von Hybrid- und Elektrofahrzeugen (kollektiv „Kraftfahrzeuge mit Elektroantrieb“) wird die Infrastruktur entwickelt und so formiert, um den täglichen Einsatz solcher Fahrzeuge möglich und komfortabel zu machen. Elektrofahrzeug-Versorgungsausrüstung (EVSE) gibt es in vielen Formen, einschließlich Elektrofahrzeug-Ladestationen (EVCS), die von einem Fahrzeughalter gekauft und betrieben werden (z. B. in der Garage des Besitzers), öffentlich zugängliche EV-Ladestationen, die von öffentlichen Versorgungsunternehmen oder privaten Einzelhändlern eingesetzt werden (z. B. an Tankstellen oder öffentlichen Ladestationen), und anspruchsvollere Hochspannungs-Hochstromladestationen, die von Automobilherstellern, Händlern und Werkstätten genutzt werden. Plug-in-Elektrofahrzeuge, die ursprünglich mit einem fahrzeugseitigen Traktionsbatteriepack ausgestattet waren, können beispielsweise geladen werden, indem ein Ladekabel der EVCS physisch an einen zusätzlichen Ladeanschluss des Fahrzeugs angeschlossen wird. Drahtlose elektrische Ladesysteme wurden auch zum Wiederaufladen von Elektrofahrzeugen ohne die Notwendigkeit von Ladekabeln und Kabelanschlüssen entwickelt. Viele dieser drahtlosen Ladesysteme verwenden Induktionstechniken mit elektromagnetischen Feldern (EMF), um eine elektromagnetische Kopplung zwischen einem Ladepad oder einer Ladeplattform außerhalb des Fahrzeugs und einer kompatiblen Empfängerkomponente an Bord des Fahrzeugs herzustellen. Diese Empfängerkomponente ist elektrisch mit dem wiederaufladbaren Batteriepack verbunden, um Strom zu übertragen, der durch das externe Ladepad/die externe Ladeplattform induziert wird.
• KURZDARSTELLUNG
• Hierin werden intelligente Fahrzeugsysteme und die dazugehörige Steuerlogik für die vorausschauende Ladeplanung und Antriebsstrangsteuerung von Fahrzeugen mit Elektroantrieb, Verfahren zur Herstellung und zum Betrieb solcher Systeme sowie Fahrzeuge mit Elektroantrieb mit intelligenter Ladeplanung und Antriebsstrangsteuerungssystemen offenbart. Als nicht einschränkendes Beispiel werden neuartige Systeme und Verfahren zur künstlichen Intelligenz (KI) auf Basis einer vorausschauenden Ladeplanung für intelligente Elektrofahrzeuge vorgestellt. Während das Fahrzeug von Punkt A nach Punkt B fährt, werden Fahrzeuggeschwindigkeit und Antriebsdrehmoment durch ein Fahrermodell mit maschineller Lernfunktion (ML) vorhergesagt, das sich auf verfügbare Verkehrsinformationen, Geopositions- und raumbezogene Daten, Straßenkarteninformationen usw. stützt. Fahrzeuggeschwindigkeits- und Drehmomentvorhersagen werden zusammen mit anderen Fahrzeugantriebs- und Hilfsvorrichtungsmodellen verwendet, um den Gesamtenergieverbrauch während der Fahrt abzuleiten und gleichzeitig ein optimiertes Ladeplanungsprotokoll für das Fahrzeug bereitzustellen.
• Bestehende Techniken zur Vorhersage der EV-Fahrreichweite sind oft unzuverlässig, da sie stark von Echtzeit-Routenbedingungen, dem tatsächlichen Gesamtgewicht des Fahrzeugs und dem individuellen Fahrstil abhängen, und diese Faktoren noch nicht ordnungsgemäß berechnet werden können. Offenbarte Verfahren unter Verwendung von ML-Techniken helfen, dieses Problem zu lösen, indem sie die Fahrzeuggeschwindigkeit und das erforderliche Antriebsdrehmoment basierend auf dem rechnerisch modellierten Fahrerverhalten und auf Echtzeit-Verkehrsinformationen für eine Vorschauroute ableiten, ohne dass ein genaues Fahrzeuggewicht erforderlich ist. Zusätzlich kann der Gesamtenergieverbrauch zum Abschließen einer kundenspezifischen Route durch eine Kombination von Energieverbrauchsmodellen des Elektroantriebs („eDrive“), Hilfsvorrichtungsmodellen und autonomen elektronischen Energieverbrauchsmodellen vorhergesagt werden. Anhand dieser Informationen kann das intelligente Fahrzeugladesystem dem Fahrzeug eine oder mehrere optimale Ladestationen empfehlen oder das Fahrzeug zu diesen navigieren, eine alternative Fahrroute vorschlagen oder eine Reihe von verbesserten Fahrregeln mit niedrigem Energieverbrauch einsetzen.
• Ebenso werden neuartige Systeme und Verfahren der KI-basierten vorausschauenden Antriebsstrangsteuerung für intelligente Hybridfahrzeuge vorgestellt. Mit Hilfe von maschinell lernenden Fahrermodellen bietet ein repräsentatives Verfahren eine vorausschauende Antriebsstrangsteuerung, die den Energieverbrauch und die Energieeffizienz von Hybrid-Benzin-Elektrofahrzeugen optimiert, wobei die Optimierung für Mild-Hybrid-Antriebsstränge am deutlichsten ist. Zur Vorhersage des Fahrerverhaltens wird tiefes strukturiertes maschinelles Lernen („Deep Learning“) eingesetzt, das wiederum verwendet wird, um ein Fahrzyklusprofil abzuleiten, das durch eine Vorschauroute mit verfügbaren Verkehrsinformationen, Geopositions- und raumbezogenen Daten, Straßenkarteninformationen usw. definiert wird. Wichtige sensorgenerierte Antriebsdaten sowie Routen- und Verkehrsinformationen werden von einem Cloud-Computing-Ressourcendienst oder einer ähnlich geeigneten Hochgeschwindigkeits- und Hochleistungs-Verarbeitungsvorrichtung erfasst. Ein ML-generiertes Fahrermodell wird unter Verwendung der gesammelten Daten entwickelt, um ein Fahrzyklusprofil vorherzusagen, einschließlich der vorhergesagten Fahrzeuggeschwindigkeit, dem Antriebsdrehmoment und den Gas-/Bremspedalstellungen für eine Vorschauroute. Die vorausschauende Antriebsstrangsteuerung trägt zur Optimierung des Kraftstoffverbrauchs und des Ladezustands der Batterie (SOC) bei, eingeschränkt durch die Planung von längeren Stopp/Start- und Leistungsverzweigungsbetrieben für Mild-HEV, Plugin-Hybrid oder Voll-HEV basierend auf vorhergesagten Zyklen. Allgemein kann KI verwendet werden, um das Fahrerverhalten zu „erlernen“ und zu replizieren und so ein Fahrzyklusprofil für eine bestimmte Route vorherzusagen. Die Benutzer-/Fahreridentifikation kann über die Fahrzeugsteuerung verwendet werden, um zu erkennen, welches Fahrerverhaltensprofil für die tatsächliche Person am Steuer verwendet werden soll. Intelligente Fahrzeugantriebsstrangsysteme können diese Technik nutzen, um das Potenzial des Hybridfahrzeugs voll auszuschöpfen und das Energiemanagement basierend auf den Straßenverhältnissen und den erwarteten Fahrzeugmanövern zu optimieren und so den Kraftstoffverbrauch zu senken und die Batterieladung zu verlängern.
• Gesichtspunkte dieser Offenbarung sind auf ML-basierte Verhaltensmodellierungstechniken und computerausführbare Algorithmen für die vorausschauende Ladeplanung und/oder die vorausschauende Antriebsstrangsteuerung von Hybrid- oder Elektrofahrzeugen gerichtet. Es wird beispielsweise ein Verfahren zum Steuern des Betriebs eines Kraftfahrzeugs mit Elektroantrieb vorgestellt. Dieses repräsentative Verfahren schließt in beliebiger Reihenfolge und in beliebiger Kombination mit einer der oben und unten offenbarten Optionen und Merkmale Folgendes ein: Bestimmen eines Ausgangsstandorts des Fahrzeugs und eines Fahrzeugziels für das Kraftfahrzeug über eine residente oder Remote-Fahrzeugsteuerung des Kraftfahrzeugs mit Elektroantrieb; Durchführen, z. B. durch ein Fahrzeugnavigationssystem, einer Geodatenabfrage zum Ermitteln einer vorgesehenen Route, um sich vom Ausgangsstandort des Fahrzeugs zum Fahrzeugziel zu bewegen; Empfangen von Straßendaten (z. B. Geschwindigkeitsbegrenzungen, Ampelstellen, Stoppschilderpositionen, Steigungen usw.) aus einer gespeicherten Kartendatenbank, die der vorgesehenen Route zugeordnet sind; Bestimmen, z. B. über einen Remote-Computingressourcendienst, basierend auf den Straßendaten und Echtzeit-Straßenverkehrs- und Störungsdaten (z. B, Berufsverkehr, Verzögerungen durch schlechtes Wetter, Unfälle, Bauarbeiten usw.), einer vorhergesagten Motordrehzahl des Traktionsmotors zum Vervollständigen der vorgesehenen Route; Schätzen eines vorhergesagten Motordrehmoments des Traktionsmotors durch Anwenden eines maschinell lernenden Fahrermodells als Funktion der Gaspedalstellung auf die vorhergesagte Motordrehzahl; Integrieren des vorhergesagten Motordrehmoments zum Berechnen eines Gesamtmotorenergieverbrauchs für den Traktionsmotor, um das Kraftfahrzeug über die vorgesehene Route vom Ausgangsstandort des Fahrzeugs zum Fahrzeugziel zu bewegen; und Übertragen eines oder mehrerer Befehlssignale über die residente Fahrzeugsteuerung an ein residentes Fahrzeugsubsystem, um eine oder mehrere Steuerungsbetriebe basierend auf dem Gesamtmotorenergieverbrauch auszuführen.
• Andere Gesichtspunkte der vorliegenden Offenbarung sind auf Hybrid- oder Elektrofahrzeuge mit ML-basierten Fähigkeiten zur vorausschauenden Ladeplanung und/oder vorausschauenden Antriebsstrangsteuerung gerichtet. Wie hierin verwendet, kann der Begriff „Kraftfahrzeug“ jede relevante Fahrzeugplattform einschließen, wie etwa Personenkraftwagen (Vollelektro-, Vollhybrid-, Mild-Hybrid-, Brennstoffzellenfahrzeug usw.), Nutzfahrzeuge, Industriefahrzeuge, Kettenfahrzeuge, Geländefahrzeuge (ATV), Motorräder, landwirtschaftliche Geräte, Boote, Flugzeuge usw. In einem Beispiel schließt ein Kraftfahrzeug mit Elektroantrieb eine Fahrzeugkarosserie mit mehreren Bodenrädern ein, die funktionsfähig an der Fahrzeugkarosserie befestigt sind. Ein Traktionsmotor, der an der Fahrzeugkarosserie montiert ist, treibt eines oder mehrere der Bodenräder an, um so das Fahrzeug anzutreiben. Optionale Antriebsstrangarchitekturen können eine Reihen- oder Parallelhybridkonfiguration mit einer ICE-Baugruppe einschließen. Ein wiederaufladbarer Traktionsbatteriepack ist an der Fahrzeugkarosserie montiert und elektrisch mit dem Traktionsmotor gekoppelt, um den Motor mit Strom zu versorgen. Das Kraftfahrzeug mit Elektroantrieb ist auch mit einem residenten Fahrzeugnavigationssystem ausgestattet, das an der Fahrzeugkarosserie angebracht ist, z. B. im Fahrgastraum. Das Fahrzeugnavigationssystem schließt eine Fahrzeugortungsvorrichtung, eine Benutzereingabevorrichtung und eine elektronische Anzeigevorrichtung ein.
• In Fortführung der Erörterung des obigen Beispiels wird eine residente Fahrzeugsteuerung an der Karosserie des Kraftfahrzeugs mit Elektroantrieb befestigt und kommunikativ mit dem Traktionsmotor, dem Batteriepack und dem Navigationssystem verbunden. Diese Fahrzeugsteuerung ist zum Ausführen gespeicherter Anweisungen programmiert, um: z. B. durch kooperativen Betrieb mit dem Ortungsgerät und der Eingabevorrichtung des Fahrzeugnavigationssystems, einen Fahrzeugstandort und ein Fahrzeugziel für das Kraftfahrzeug zu bestimmen; z. B. durch drahtlose Kommunikation zwischen dem Fahrzeugnavigationssystem und einem Satellitendienst des globalen Positionierungssystems (GPS) eine vorgesehene Route für die Fahrt vom Ausgangsstandort des Fahrzeugs zum Fahrzeugziel zu bestimmen; z. B. über einen Remote-Computingressourcendienst aus einer gespeicherten Kartendatenbank, die der vorgesehenen Route zugeordneten Straßendaten zu bestimmen; z. B. über den Remote-Computerressourcendienst basierend auf den Straßendaten, den Straßenverkehrs- und Störungsdaten für die vorhergesehene Route, eine vorhergesagte Fahrzeuggeschwindigkeit und eine vorhergesagte Motordrehzahl für den Traktionsmotor zu bestimmen, um die vorhergesehene Route abzuschließen, z. B unter Verwendung eines maschinell lernenden Fahrermodells; z. B. über den Remote-Computingressourcendienst, ein vorhergesagtes Motordrehmoment des Traktionsmotors durch Anwenden eines maschinell lernenden Fahrermodells als Funktion der Gaspedalstellung auf die vorhergesagte Motordrehzahl zu bestimmen; z. B über den Remote-Computingressourcendienst durch Integrieren des vorhergesagten Motordrehmoments, einen Gesamtenergieverbrauch für den Traktionsmotor zu bestimmen, um das Kraftfahrzeug über die vorgesehene Route vom Ausgangsstandort des Fahrzeugs zum Fahrzeugziel zu bewegen; und um eines oder mehrere Steuersignale an ein residentes Fahrzeugsubsystem zu übertragen, um eine oder mehrere Steuerungsbetriebe basierend auf dem Gesamtenergieverbrauch des Motors auszuführen.
• Für alle der offenbarten Systeme, Verfahren und Fahrzeuge kann ein Energieverlust des Wechselrichters/Wandlers, z. B. durch den Betrieb eines Wechselrichtermoduls und/oder eines AC-DC-Wandlers während der vorgesehenen Route, als Funktion der vorhergesagten Motordrehzahl und des vorhergesagten Motordrehmoments berechnet werden. Ebenso kann ein Motorenergieverlust, z. B. durch den Betrieb des Traktionsmotors auf der vorgesehenen Route, als Funktion der vorhergesagten Motordrehzahl und des vorhergesagten Motordrehmoments berechnet werden. Optional kann ein geschätzter Energieverbrauch der Hilfsvorrichtung berechnet werden, z. B. für den Betrieb eines DC-DC-Wandlers, einer 12-V-Start-, Beleuchtungs- und Zündbatterie (SLI) oder anderer elektronischer Vorrichtungen im Fahrzeug während der vorgesehenen Route. Ein geschätzter Energieverbrauch der Elektronik zum autonomen Fahren kann berechnet werden, z. B. für den Betrieb eines oder mehrerer integrierter Sensoren, Kameras und/oder Prozessoren im autonomen Fahrmodus oder im Fahrerassistenzsystem-(ADAS)-Fahrmodus während der vorgesehenen Route. In jedem der vorgenannten Fälle kann das/die Befehlssignal(e) zur Ausführung des Steuerungsbetriebs weiterhin auf dem Energieverlust des Wechselrichters/Wandlers, dem Energieverlust des Motors, dem Energieverbrauch der Elektronik zum autonomen Fahren und/oder dem geschätzten Energieverbrauch der Hilfsvorrichtungen basieren.
• Für alle der offenbarten Systeme, Verfahren, und Fahrzeuge, kann ein Gesamtmotorenergieverbrauch E_MGU als eine Funktion der vorhergesagten Motordrehzahl ω, des vorhergesagten Motordrehmoments T_MGU , und der gesamten regenerierten Energie E_RGN . berechnet werden. Als weitere Option kann die verbleibende Batterieenergie ΔE für den Traktionsbatteriepack des Fahrzeugs, wenn das Fahrzeug sein Ziel erreicht, als Funktion eines minimalen SOC a, um den Traktionsbatteriepack in einem gesunden Zustand zu halten, einer Leerlaufspannung Voc des Traktionsbatteriepacks, eines vorhergesagten Gesamtenergieverbrauchs Ep(A:B) und eines Batterieenergieverlusts E(T)_battloss des Traktionsbatteriepacks als Funktion der Batterietemperatur T berechnet werden. In diesem Zusammenhang kann ein vorhergesagter Gesamtladestrom, der den Gesamtmotorenergieverbrauch ausmacht, berechnet werden, den das Kraftfahrzeug benötigt, um die vorgesehene Route vom Ausgangsstandort des Fahrzeugs zum Fahrzeugziel zurückzulegen. In diesem Fall basiert der ausgeführte Steuerungsbetrieb weiterhin auf dem prognostizierten Gesamtenergieverbrauch.
• Für alle der offenbarten Systeme, Verfahren und Fahrzeuge kann ein verbleibender Ladezustand SOC(B) des Traktionsbatteriepacks bei Ankunft des Fahrzeugs am vorgesehenen Zielort als Funktion eines Anfangsladezustands SOC(A) des Traktionsbatteriepacks am Ausgangsstandort des Fahrzeugs, einer Batteriekapazität C und eines vorhergesagten Gesamtladestroms ${\displaystyle {\int }_A^{B}I\left(t\right)dt}$

  

  für alle elektrischen Fahrzeugsysteme berechnet werden. In zumindest einigen Ausführungsformen kann ein vorhergesagter Gesamtenergieverbrauch, um mit dem Kraftfahrzeug vom Ausgangsstandort des Fahrzeugs zum Fahrzeugziel zu fahren, berechnet und mit einem aktuellen SOC des Traktionsbatteriepacks verglichen werden. Ansprechend auf eine Bestimmung, dass der aktuelle SOC nicht größer als der vorhergesagte Gesamtenergieverbrauch (d. h. unzureichende Batterieladung) ist, kann eine zweite Geodatenabfrage durchgeführt werden, um eine alternative Route zum Fahren eines Fahrzeugs von seinem Ausgangsstandort zum Zielort zu ermitteln.
• Für alle der offenbarten Systeme, Verfahren und Fahrzeuge kann der Steuerungsbetrieb einschließen, dass die elektronische Anzeigevorrichtung des Fahrzeugnavigationssystems eine oder mehrere Alternativrouten zusammen mit einem Hinweis darstellt, dass der aktuelle SOC des Batteriepacks für das Erreichen des Fahrzeugziels mit dem Kraftfahrzeug auf der vorhergesehenen Route unzureichend ist. Darüber hinaus oder alternativ kann ein ADAS-Modul, das zur Automatisierung und/oder Modulation eines oder mehrerer Fahrbetriebe des Kraftfahrzeugs genutzt werden kann, einen gespeicherten, fahrzeugkalibrierten Satz von Fahrregeln für verbesserten niedrigen Energieverbrauch einsetzen, um den Batterieverbrauch zu optimieren. Optional kann ein autonomes Antriebssystemmodul, das zum autonomen Fahren des Kraftfahrzeugs betreibbar ist, das autonome Fahren vorübergehend deaktivieren, um den Batterieverbrauch zu minimieren. Als weitere Option kann eine gespeicherte Kartendatenbank einen berechneten Gesamtenergieverbrauch des Motors/Fahrzeugs in Verbindung mit einer vorhergesehenen Route speichern. Die elektronische Anzeigevorrichtung des Fahrzeugnavigationssystems kann jede Route mit einem Hinweis ihres entsprechenden Gesamtenergieverbrauchs des Motors/Fahrzeugs darstellen.
• Die obige Kurzdarstellung soll nicht jede Ausführungsform oder jeden Gesichtspunkt der vorliegenden Offenbarung darstellen. Vielmehr stellt die vorstehende Kurzdarstellung lediglich eine Veranschaulichung einiger der hierin dargestellten neuen Konzepte und Merkmale dar. Die obigen Merkmale und Vorteile, sowie andere Merkmale und damit verbundene Vorteile dieser Offenbarung ergeben sich aus der folgenden ausführlichen Beschreibung der veranschaulichten Beispiele und repräsentativen Methoden für die Durchführung der vorliegenden Offenbarung im Zusammenhang mit den beigefügten Zeichnungen und den beiliegenden Ansprüchen. Darüber hinaus schließt diese Offenbarung ausdrücklich alle Kombinationen und Unterkombinationen der oben und unten dargestellten Elemente und Merkmale ein.
• Figurenliste
• 1 ist eine teilweise schematische, seitliche Veranschaulichung eines repräsentativen Kraftfahrzeugs mit Elektroantrieb mit einem Netzwerk integrierter Steuereinheiten, Sensorvorrichtungen und Kommunikationsvorrichtungen zum Ausführen der vorausschauenden Ladeplanung und Antriebsstrangsteuerung gemäß den Gesichtspunkten der vorliegenden Offenbarung.
• 2 ist ein Flussdiagramm, das einen vorausschauenden modellbasierten Algorithmus zum Schätzen des Elektroantrieb-Gesamtenergieverbrauchs zum Ableiten der intelligenten Ladeplanung darstellt, die den gespeicherten Anweisungen entsprechen kann, die von einer integrierten oder ferngesteuerten Logikschaltung, einer programmierbaren elektronischen Steuereinheit oder einer anderen computergestützten Vorrichtung oder einem Vorrichtungsnetzwerk gemäß den Gesichtspunkten der offenbarten Konzepte ausgeführt werden.
• 3 ist ein Flussdiagramm, das einen allgemeinbasierten Algorithmus zum Schätzen des Elektroantrieb-Gesamtenergieverbrauchs zum Ableiten einer intelligenten Ladeplanung darstellt, die den gespeicherten Anweisungen entsprechen kann, die von einer integrierten oder ferngesteuerten Logikschaltung, einer programmierbaren elektronischen Steuereinheit oder einer anderen computergestützten Vorrichtung oder einem Vorrichtungsnetzwerk gemäß den Gesichtspunkten der offenbarten Konzepte ausgeführt werden.
• 4 ist ein Flussdiagramm, das einen repräsentativen RNN-Algorithmus veranschaulicht, der Deep-Learning-Fahrmodellalgorithmen zur vorausschauenden Elektroantriebsstrangsteuerung verwendet, die den gespeicherten Anweisungen entsprechen kann, die von einer integrierten oder ferngesteuerten Logikschaltung, einer programmierbaren elektronischen Steuereinheit oder einer anderen computergestützten Vorrichtung oder einem Vorrichtungsnetzwerk gemäß den Gesichtspunkten der offenbarten Konzepte ausgeführt werden.
• Die vorliegende Offenbarung ist für verschiedene Modifikationen und alternative Formen geeignet, und einige repräsentative Ausführungsformen werden beispielhaft in den Zeichnungen gezeigt und hierin im Detail beschrieben. Es versteht sich jedoch, dass die neuen Gesichtspunkte dieser Offenbarung nicht auf die bestimmten veranschaulichten Formen in den oben aufgezählten Zeichnungen beschränkt sind. Entsprechend soll die Offenbarung alle Modifikationen, Äquivalente, Kombinationen, Unterkombinationen, Permutationen, Gruppierungen und Alternativen abdecken, die innerhalb des Schutzumfangs dieser Offenbarung liegen, wie durch die beiliegenden Ansprüche umfasst.
• DETAILLIERTE BESCHREIBUNG
• Diese Offenbarung ist anfällig für Ausführungsformen in vielen verschiedenen Formen. Repräsentative Ausführungsformen der Offenbarung werden in den Zeichnungen gezeigt und hierin im Detail mit dem Verständnis beschrieben, dass diese repräsentativen Beispiele als eine Veranschaulichung der offenbarten Prinzipien und nicht als Begrenzungen der umfassenden Gesichtspunkte der Offenbarung bereitgestellt werden. Insofern sollten Elemente und Einschränkungen, die beispielsweise in den Abschnitten „Zusammenfassung“, „Einführung“ „Kurzdarstellung“, und „Detaillierte Beschreibung“ beschrieben werden, aber nicht ausdrücklich in den Ansprüchen dargelegt sind, nicht einzeln oder gemeinsam durch Implikation, Schlussfolgerung oder anderweitig in die Ansprüche aufgenommen werden.
• Für die Zwecke der vorliegenden detaillierten Beschreibung, sofern nicht ausdrücklich abgelehnt: Singular schließt Plural ein und umgekehrt; die Worte „und“ und „oder“ sollen sowohl verbindend als auch trennend sein; die Worte „beliebige“ und „alle“ sollen beide „beliebige und alle“ bedeuten; und die Worte „einschließlich“, „beinhaltend“, „umfassend“ und „innehabend“ und dergleichen sollen „einschließlich ohne Beschränkung“ bedeuten. Darüber hinaus können hierin Wörter der Annäherung, wie etwa „ungefähr“, „fast“, „im Wesentlichen“, „etwa“ und dergleichen, im Sinne von „um, nahezu oder „nahezu bei“ oder „innerhalb von 0-5 % von“ oder „innerhalb annehmbarer Fertigungstoleranzen“ oder jede beliebige logische Kombination davon beispielsweise verwendet werden. Schließlich können sich Richtungsadjektive und Adverbien, wie etwa vorwärts, rückwärts, innen, außen, steuerbord, backbord, vertikal, horizontal, oben, unten, vorne, hinten, links, rechts usw., auf ein Kraftfahrzeug beziehen, wie etwa ein vorwärts fahrendes Kraftfahrzeug, wenn dieses auf einer normalen Fahrbahnoberfläche betrieben wird.
• Bezugnehmend auf die Zeichnungen, in denen sich gleiche Referenznummern auf gleiche Merkmale in den verschiedenen Ansichten beziehen, wird in 1 eine schematische Veranschaulichung eines beispielhaften Automobils gezeigt, das allgemein bei 10 bezeichnet und hierin zum Zwecke der Erörterung als ein (Hybrid- oder Elektro-)Kraftfahrzeug mit Elektroantrieb im Limousinenstil dargestellt wird. In einer Fahrzeugkarosserie 12 des Automobils 10, z. B. in einem Fahrgastraum, einem Kofferraum oder einem speziellen Batterieraum, befindet sich ein Traktionsbatteriepack 14, der elektrisch mit einem oder mehreren Elektromotor-Generatoren 16 gekoppelt ist und diese antreibt, die zum Drehen eines oder mehrerer der Bodenräder 18 des Fahrzeugs dienen und so das Fahrzeug 10 antreiben. Das veranschaulichte Automobil 10 - im Folgenden auch als „Kraftfahrzeug“ oder verkürzend als „Fahrzeug“ bezeichnet - ist nur eine exemplarische Anwendung, mit der Gesichtspunkte und Merkmale dieser Offenbarung erfahren werden können. In gleicher Weise sollte die Umsetzung der vorliegenden Konzepte für die spezifische Elektrofahrzeug-Versorgungsausrüstung (EVSE) in 1 als eine beispielhafte Anwendung der offenbarten Konzepte und Merkmale verstanden werden. Daher ist davon auszugehen, dass Gesichtspunkte und Merkmale dieser Offenbarung auf andere elektrisch unterstützte Systeme angewendet werden können und für jeden relevanten Logiktyp von manuell angetriebenen Fahrzeugen umgesetzt werden können. Außerdem wurden nur ausgewählte Komponenten des Fahrzeugs und der EVSE gezeigt und hierin näher beschrieben. Dennoch können die nachfolgend erläuterten Kraftfahrzeuge und EVSE-Architekturen zahlreiche zusätzliche und alternative Merkmale sowie andere handelsübliche Peripheriekomponenten einschließen, um beispielsweise die verschiedenen Protokolle und Algorithmen dieser Offenbarung auszuführen. Schließlich sind die hierin dargestellten Zeichnungen nicht maßstabsgetreu und werden rein zu Anweisungszwecken bereitgestellt. Somit sind die spezifischen und relativen Abmessungen, die in den Zeichnungen gezeigt sind, nicht als einschränkend auszulegen.
• 1 ist eine vereinfachte Veranschaulichung des Fahrzeugs mit Elektroantrieb 10, angedockt an und betriebsfähig gekoppelt mit einer Fahrzeugladestation 20 zum Wiederaufladen einer integrierten wiederaufladbaren Energiequelle, wie etwa ein Hochspannungs-Gleichstrom-(DC)-Traktionsbatteriepack 14. Der Traktionsbatteriepack 14 kann viele geeignete Konfigurationen annehmen, einschließlich einer Reihe von Bleisäure-, Lithium-Ionen- oder anderen wiederaufladbaren Batterien für Elektrofahrzeuge (EVB). Um eine funktionsfähige Kopplung zwischen dem Traktionsbatteriepack 14 und der Fahrzeugladestation 20 bereitzustellen, kann das Fahrzeug 10 eine induktive Ladekomponente 22 einschließen, z. B. mit einer integrierten Induktionsspule, die an der Unterseite der Fahrzeugkarosserie 12 montiert ist. Diese induktive Ladekomponente 22 arbeitet als drahtlose Ladeschnittstelle, die mit einem drahtlosen Ladepad oder einer Ladeplattform 24, z. B. mit einer internen EMF-Spule, der Fahrzeugladestation 20 kompatibel ist. Im veranschaulichten Beispiel befindet sich das drahtlose Ladepad/die drahtlose Ladeplattform 24 auf dem Boden der Fahrzeugladestation 20 und wird gemäß einem „Zielort“ positioniert, der als gewünschter Parkplatz dient, z. B. zum effizienten und effektiven drahtlosen Laden des Fahrzeugs 10. Insbesondere veranschaulicht 1 das Fahrzeug 10 in einer Parkposition, in der sichergestellt wird, dass die induktive Ladekomponente 22 im Wesentlichen oder vollständig sowohl in Quer- als auch in Längsrichtung auf das drahtlose Ladepad 24 ausgerichtet ist. Anders ausgedrückt, gilt das Fahrzeug 10 in 1 als sich in der korrekten Vorwärts-Rückwärts-Ausrichtung und in der korrekten Steuerbord-Backbord-Ausrichtung mit einer bestimmten Zielposition befindend, um ein induktives Aufladeereignis für das Fahrzeug 10 abzuschließen.
• Die Fahrzeugladestation 20 kann als einige nicht einschränkende Beispiele jede bisher und im Folgenden entwickelte Art von drahtgebundener und drahtloser Ladetechnik, einschließlich induktivem Laden, Laden per Funk und Resonanzladen, verwenden. Gemäß der elektromagnetischen Induktionsladetechnologie, kann das dargestellte drahtlose Ladepad 24 von 1 mit elektrischem Strom zur Erzeugung eines elektromagnetischen Wechselfeldes in der Nähe der induktiven Ladekomponente 22 aktiviert werden. Dieses Magnetfeld induziert wiederum einen elektrischen Strom in der induktiven Ladekomponente 22 des Fahrzeugs 10. Der induzierte Strom kann durch eine integrierte elektrische Modulationsschaltung gefiltert, heruntergesetzt und/oder phasenverschoben werden, um den Traktionsbatteriepack 14 oder beliebige andere Energiequellen des Fahrzeugs 10 zu laden (z. B. eine Standard-12-V-Bleisäure-Start-, Beleuchtungs- und Zündbatterie (SLI), ein Hilfsleistungsmodul usw.). Wie zuvor erwähnt, kann die optimale drahtlose Ladeleistung erhalten werden, wenn die induktive Ladekomponente 22 richtig auf das drahtlose Ladepad 24 ausgerichtet ist.
• Der Traktionsbatteriepack 14 speichert Energie, die für den Antrieb durch die elektrische(n) Maschine(n) 16 und zum Betreiben anderer elektrischer Fahrzeugsysteme verwendet werden kann. Der Traktionsbatteriepack 14 ist kommunikativ (drahtgebunden oder drahtlos) mit einem oder mehreren Fahrzeugsteuerungen verbunden, was in 1 durch eine elektronische Steuereinheit (ECU) 26 dargestellt wird, die den Betrieb der verschiedenen integrierten Fahrzeugkomponenten steuert. Schütze, die beispielsweise von der ECU 26 gesteuert werden, können den Traktionsbatteriepack 14 beim Öffnen von anderen Komponenten trennen und den Traktionsbatteriepack 14 beim Schließen mit anderen Komponenten verbinden. Die ECU 26 ist auch kommunikativ mit den/dem elektrischen Motorgenerator(en) 16 verbunden, um zum Beispiel bidirektionale Übertragung von Energie zwischen dem Traktionsbatteriepack 14 und allen Motorgeneratoren 16 zu steuern. So kann beispielsweise der Traktionsbatteriepack 14 eine Gleichspannung bereitstellen, während der/die Motorgenerator(en) 16 mit einem dreiphasigen Wechselstrom arbeiten kann/können; in diesem Fall wandelt die ECU 26 die Gleichspannung in dreiphasigen Wechselstrom um, der von dem/den Motorgenerator(en) 16 verwendet wird/werden. In einem regenerativen Modus, wobei die elektrische(n) Maschine(n) 16 als Generatoren agiert/agieren, kann die ECU 26 dreiphasigen Wechselstrom von dem/den Motorgenerator(en) 16 zu Gleichspannung umwandeln, die mit dem Traktionsbatteriepack 14 kompatibel ist. Die repräsentative ECU 26 ist auch in Verbindung mit der Ladekomponente 22 dargestellt, um beispielsweise die von der Fahrzeugladestation 20 an den Batteriepack 14 gelieferte Energie zu konditionieren, um einen angemessenen Spannungs- und Strompegel sicherzustellen. Das ECU 26 kann auch mit der Ladestation 20 verbunden werden, um beispielsweise die Energieversorgung des Fahrzeugs 10 zu koordinieren.
• Die Fahrzeugladestation 20 von 1 bietet auch drahtgebundenes Aufladen für das Elektrofahrzeug 10 über einen elektrischen „Plug in“-Steckverbinder 32, der einer von mehreren verschiedenen handelsüblichen elektrischen Steckverbindertypen sein kann. Als nicht einschränkendes Beispiel kann es sich bei dem elektrischen Steckverbinder 32 um einen elektrischen Steckverbinder der Society of Automotive Engineers (SAE) J1772 (Typ 1) oder J1772-2009 (Typ 2) mit ein- oder zweiphasigem Betrieb bei 120 bis 240 Volt (V) mit Wechselstrom (AC) bei bis zu 80 Ampere (A) Spitzenstrom zum leitfähigen Laden von Fahrzeugen handeln. Des Weiteren kann der Ladestecker 32 auch so ausgelegt sein, dass er den Normen der Internationalen Elektrotechnischen Kommission (IEC) 62196-3 Fdis und/oder IEC 62196-2 sowie allen anderen derzeit verfügbaren oder nachfolgend entwickelten Normen entspricht. Ein Ladeanschluss 34, der an der Außenseite der Fahrzeugkarosserie 12 zugänglich ist, ist eine drahtgebundene Ladeschnittstelle, die als elektrischer Eingang dient, in den der elektrische Steckverbinder 32 gesteckt oder anderweitig mit diesem verbunden werden kann. Dieser Anschluss 34 ermöglicht es einem Benutzer, das Elektrofahrzeug 10 auf einfache Weise an eine leicht zugängliche Wechsel- oder Gleichstromquelle, wie etwa ein öffentliches Stromnetz über die Ladestation 20, anzuschließen und zu trennen. Der Ladeanschluss 34 von 1 ist nicht auf ein bestimmtes Design beschränkt und kann jede Art von Eingang, Anschluss, Verbindung, Buchse, Stecker usw. sein, die leitfähige oder andere Arten von elektrischen Verbindungen ermöglichen. Eine klappbare Ladeanschlusstür (CPD) 36 an der Fahrzeugkarosserie 12 kann selektiv geöffnet und geschlossen werden, um auf den Ladeanschluss 34 zuzugreifen bzw. diesen zu verschließen.
• Als Teil des Ladeprozesses des Fahrzeugs kann das Fahrzeug mit Elektroantrieb 10 die drahtgebundene/drahtlose Ladeverfügbarkeit, die drahtlose Stromqualität und andere verwandte Punkte überwachen, die das Laden des Fahrzeugs beeinflussen können. Gemäß dem veranschaulichten Beispiel kommuniziert die ECU 26 des Fahrzeugs von 1 mit einem Überwachungssystem und empfängt Sensorsignale von diesem; dieses Überwachungssystem kann eine oder mehrere integrierte
  „residente“ Sensorvorrichtungen 28 des Fahrzeugs 10 und/oder eine oder mehrere externe „Remote“-Sensorvorrichtungen 30 der Fahrzeugladestation 20 umfassen. In der Praxis kann dieses Überwachungssystem einen einzelnen Sensor einschließen, oder es kann eine verteilte Sensorarchitektur mit einer Auswahl von Sensoren einschließen, die sich an ähnlichen oder alternativen Orten befinden, wie in den Zeichnungen dargestellt. Ein CPD-Sensor 38, der am Ladeanschluss 34 montiert ist, kann den Türzustand der CPD 36 - geöffnet oder geschlossen - erfassen und von der ECU 26 des Fahrzeugs abgefragt oder gelesen werden. Als weitere Option kann ein Verriegelungstaster 40, der die physische Befestigung und Sicherung des elektrischen Steckverbinders 32 am Ladeanschluss 34 erleichtert, einen internen Schalter (z. B. einen Schalter des Typs SAE S3) einschließen, der als Sensorvorrichtung fungiert, um zu ermitteln, ob der elektrische Steckverbinder 32 mit dem Ladeanschluss 34 funktionsfähig verbunden ist oder nicht. Es gibt zahlreiche andere Arten von Messvorrichtungen, die ebenfalls verwendet werden können, einschließlich beispielsweise thermischer Messvorrichtungen, wie etwa passive thermische Infrarotsensoren, optischer Messvorrichtungen, wie etwa licht- und laserbasierte Sensoren, akustischer Messvorrichtungen, wie etwa akustische Oberflächenwellen- (SAW) und Ultraschallsensoren, kapazitiver Messvorrichtungen, wie etwa kapazitive Näherungssensoren usw.
• Das repräsentative Fahrzeug 10 von 1 kann ursprünglich mit einer Fahrzeug-Telekommunikations- und Informations-(„Telematik-“) einheit 42 ausgestattet sein, die drahtlos (z. B. über Mobilfunkmasten, Basisstationen und/oder mobile Vermittlungsstellen (MSCs) usw.) mit einem „Remote-“ oder „externen“ Cloud-Computingsystem 44 kommuniziert. Als Benutzereingabevorrichtung und Fahrzeugausgabevorrichtung kann die Telematikeinheit 42 mit einer elektronischen Videoanzeigevorrichtung 46 und verschiedenen Eingabesteuerungen 48 (z. B. Tasten, Knöpfe, Schalter, Touchpads, Tastaturen, Touchscreens usw.) ausgestattet sein. Diese Telematikhardwarekomponenten können zumindest teilweise als residentes Fahrzeugnavigationssystem fungieren, z. B. um eine unterstützte und/oder automatisierte Fahrzeugnavigation zu ermöglichen, und als Mensch/Maschine-Schnittstelle (HMI), z. B. um einem Benutzer zu ermöglichen, mit der Telematikeinheit 42 und anderen Systemen und Systemkomponenten des Fahrzeugs 10 zu kommunizieren. Optionale periphere Hardware kann ein Mikrofon einschließen, das einem Fahrzeuginsassen Mittel zum Eingeben von verbalen oder anderen auditiven Befehlen bereitstellt; das Fahrzeug 10 kann mit einer eingebetteten Sprachverarbeitungseinheit ausgestattet sein, die mit einem Computerspracherkennungssoftwaremodul programmiert ist. Ein Fahrzeug-Audiosystem mit einer oder mehreren Lautsprecherkomponenten kann eine auditive Ausgabe für einen Fahrzeuginsassen bereitstellen und entweder eine eigenständige Vorrichtung sein, die zur Verwendung mit der Telematikeinheit 42 vorgesehen ist, oder Teil eines allgemeinen Audiosystems sein.
• Mit weiterem Bezug auf 1 ist die Telematikeinheit 42 eine integrierte Rechenvorrichtung, die eine Mischung von Diensten sowohl einzeln als auch durch ihre Kommunikation mit anderen vernetzten Vorrichtungen bereitstellt. Die Telematikeinheit 42 kann allgemein aus einem oder mehreren Prozessoren bestehen, von denen jeder als diskreter Mikroprozessor, anwendungsspezifischer integrierter Schaltkreis (ASIC), dediziertes Steuermodul usw. ausgeführt sein kann. Das Fahrzeug 10 kann eine zentralisierte Fahrzeugsteuerung über die ECU 26 anbieten, die funktionsfähig mit einer oder mehreren elektronischen Speichervorrichtungen 50 gekoppelt ist, die jeweils als CD-ROM, Magnetplatte, IC-Vorrichtung, Halbleiterspeicher (z. B. verschiedene Arten von RAM oder ROM) usw. mit einer Echtzeituhr (RTC) ausgeführt sein können. Fahrzeugkommunikationsfähigkeiten mit großer Reichweite mit externen vernetzten Remote-Vorrichtungen können über einen Mobilfunk-Chipsatz/eine Mobilfunk-Komponente, einen Navigations- und Ortungs-Chipsatz/eine Navigations- und Ortungs-Komponente (z. B. Global Positioning System (GPS)-Sender-Empfänger) oder ein drahtloses Modem oder mehrere dieser genannten Vorrichtungen oder alle dieser genannten Vorrichtungen bereitgestellt werden, die alle gemeinsam bei 52 dargestellt sind. Die drahtlose Nahbereichsverbindung kann über eine drahtlose Kommunikationsvorrichtung mit kurzer Reichweite (z. B. eine Bluetooth®-Einheit oder einen Nahfeldkommunikations-Sender-Empfänger), eine dedizierte Kommunikationskomponente mit kurzer Reichweite (DSRC) und/oder eine Doppelantenne bereitgestellt werden, die alle gemeinsam bei 54 dargestellt sind. Die verschiedenen vorstehend beschriebenen Kommunikationsvorrichtungen können konfiguriert werden, um Daten als Teil einer periodischen Übertragung in einem Vehicle-to-Vehicle-(V2V)-Kommunikationssystem oder einem Vehicle-to-Everything-(V2X)-Kommunikationssystem auszutauschen, z. B. Vehicle-to-Infrastructure (V2I), Vehicle-to-Pedestrian (V2P), Vehicle-to-Device (V2D) usw.
• Mit Bezug auf das Flussdiagramm von 2 wird ein verbessertes Verfahren oder eine verbesserte Steuerungsstrategie unter Verwendung von ML-basierender vorausschauender Modellierung zum Ableiten des Gesamtenergieverbrauchs eines Vollelektrofahrzeugs (FEV) für eine vorhergesehene Route allgemein bei 100 gemäß den Gesichtspunkten der vorliegenden Offenbarung beschrieben. Einige oder alle der in 2 und weiter unten im Detail beschriebenen Betriebe können einen Algorithmus darstellen, der prozessorausführbaren Anweisungen entspricht, die beispielsweise im Haupt-, Zusatz- oder Remote-Speicher gespeichert und zum Beispiel von einer integrierten oder Remote-Steuerung, einer Verarbeitungseinheit, einem Logikschaltkreis, einem anderen Modul oder einer anderen Vorrichtung ausgeführt werden können, um beliebige oder alle der oben genannten oder nachstehend beschriebenen Funktionen in Verbindung mit den offenbarten Konzepten durchzuführen. Es ist zu beachten, dass die Reihenfolge der Ausführung der veranschaulichten Betriebsblöcke geändert, zusätzliche Blöcke hinzugefügt und einige der beschriebenen Blöcke geändert, kombiniert oder entfernt werden können.
• Das Verfahren 100 beginnt am Anschlussblock 101 mit prozessorausführbaren Anweisungen für eine programmierbare Steuerung, ein Steuermodul oder einen ähnlich geeigneten Prozessor oder Servercomputer, um ein Initialisierungsverfahren für ein vorausschauendes Ladeplanungsprotokoll aufzurufen, das genauere Schätzungen der EV-Fahrreichweite bereitstellt, den Energieverbrauch des elektrischen Systems optimiert und dazu beiträgt, die Betriebsdauer der Batterie zu erhöhen. Diese Routine kann während des laufenden Fahrzeugbetriebs in Echtzeit, kontinuierlich, systematisch, sporadisch und/oder in regelmäßigen Intervallen ausgeführt werden, beispielsweise alle 100 Millisekunden usw. Als weitere Option kann der Anschlussblock 101 als Reaktion auf eine Befehlsaufforderung durch einen Benutzer oder ein Sendungsaufforderungssignal, das von einem Backend- oder Middleware-Computerknoten empfangen wird, der mit dem Sammeln, Analysieren, Sortieren, Speichern und Verteilen von Fahrzeugdaten beauftragt ist, initialisieren. Als Teil der Initialisierungsprozedur am Block 101 kann beispielsweise die residente Fahrzeugtelematikeinheit 40 ein Navigationsverarbeitungscodesegment ausführen, um beispielsweise Fahrzeugdaten (z. B. Geodaten, Geschwindigkeit, Kurs, Beschleunigung, Zeitstempel usw.) zu erhalten und wahlweise ausgewählte Gesichtspunkte dieser Daten einem Insassen des Fahrzeugs 10 anzuzeigen. Der Insasse kann eine der HMI-Eingabesteuerungen 48 verwenden, um dann einen gewünschten Ausgangsstandort und/oder ein gewünschtes Ziel für das Fahrzeug auszuwählen. Es ist auch vorgesehen, dass die Prozessoren der ECU 26 oder der Telematikeinheit 42 Informationen zum Ausgangsstandort des Fahrzeugs und zum Fahrzeugziel von anderen Quellen empfangen, wie etwa einem Serverklassencomputer, der einen Datenaustausch für das Cloud-Computingsystem 44 bereitstellt oder einer dedizierten mobilen Softwareanwendung auf einem Smartphone oder einer anderen tragbaren Computervorrichtung.
• Sobald ein Ausgangsstandort des Fahrzeugs (Startposition) und ein Fahrzeugziel (Endposition) am Prozessblock 101 bestätigt werden, führt das Verfahren 100 eine Geodatenabfrage am Ein-/Ausgabeblock 103 aus, um ortsspezifische geografische Informationen zu ermitteln. Beispielhaft und nicht als Einschränkung kann die am Block 103 durchgeführte Abfrage die Echtzeit-Standortinformationen des Fahrzeugs (d. h. eine Reihe von GPS-generierter geodätischer Daten) und Zeitinformationen (d. h. einen Fahrzeugzeitstempel) verwenden, um eine vorhergesehene Route für die Fahrt vom Ausgangsstandort des Fahrzeugs zum Fahrzeugziel zu ermitteln. Geodaten können in einigen nicht einschränkenden Beispielen Standortdaten des Standstreifens, Standortdaten des Straßenmittelpunkts, Standort- und Geometriedaten der Straßenbegrenzung, Standortdaten des Kreuzungsschnittpunkts usw. einschließen. Anstatt eine einzige Routenoption zu ermitteln, kann die Geodatenabfrage des Ein-/Ausgabeblocks 103 mehrere Vorschaurouten ermitteln, die den Start- und Endpositionen des Fahrzeugs entsprechen. Das Verfahren 100 greift anschließend auf einen OpenStreetMap® (OSM)-Datendienst 105 ODER EINE ÄHNLICH GEEIGNETE MAPPING-DATENBANK ZU, UM NACH STRASSENDATEN ZU „SUCHEN“, DIE JEDER ROUTE ZUGEORDNET SIND. Diese grundlegenden „Straßenformationen“ können die miteinander verbundenen Segmente einschließen, die eine bestimmte Route bilden, einen Namen für jedes Straßensegment, eine Geschwindigkeitsbegrenzung für jedes Straßensegment, Spurausrichtungsinformationen, Ampelstandorte, Stoppschilderpositionen, Steigungen usw.
• Nach dem Festlegen eines Ausgangsstandorts des Fahrzeugs, des Fahrzeugziels und mindestens einer vorhergesehenen Route/Vorschauroute und dem anschließenden Sammeln relevanter Straßendaten sowie Straßenverkehrs- und Störungsdaten, beginnt das Verfahren 100 mit der Implementierung von eDrive-Energieverbrauchsmodellen, Hilfsvorrichtungs-Energieverbrauchsmodellen, Energieverbrauchsmodellen für das autonome Fahren usw., um eine ganzheitliche Simulation des Fahrzeug-Gesamtenergieverbrauchs zu erstellen, um das gewünschte Fahrzeugziel zu erreichen. Der Prozessblock 107 liefert beispielsweise gespeicherte, prozessorausführbare Anweisungen zum Berechnen eines vorhergesagten Motorenergieverbrauchs eines Traktionsmotors (z. B. Elektromotorgenerator(en) 16 von 1) zum Antreiben eines Elektrofahrzeugs (z. B. eines Kraftfahrzeugs mit Elektroantrieb) 10 über eine bestimmte „Vorschau“-Route. Die vorhergesagte Motordrehzahl ω ist eine Funktion einer vorhergesagten Fahrzeuggeschwindigkeit Vp und eines Verhältnisses von Motordrehzahl zu Fahrzeuggeschwindigkeit k: $$\omega =k\left(r,Gr\right)Vp$$

  

  wobei k eine Funktion des Übersetzungsverhältnisses Gr und des Reifenradius r ist. Es kann für mindestens einige Anwendungen wünschenswert sein, DNN-Techniken (Deep Learning Neural Network) für ein Fahrermodell zu verwenden, um die Fahrzeuggeschwindigkeit, das gewünschte Antriebsdrehmoment und andere dynamische Fahrverhalten für eine bestimmte Strecke vorherzusagen. Es ist jedoch zu beachten, dass andere Formen von Treibermodellen verwendet werden können, einschließlich neuronaler Langzeit-Kurzzeit-Gedächtnis-Netzwerkmodelle (LSTM), statistischer Modelle (z. B. Markov-Kette), dem Hidden-Markov-Modell (HMM), nichtlinearer Regressionsmodelle usw.
• Das System kann basierend auf einem vorhergesagten gewünschten Antriebsdrehmoment Tq_des durch ein ML-basiertes Fahrermodell als Funktion einer Pedalstellung, Tq_des = f(pedal), das vorhergesagte Motordrehmoment T_MGU(A:B) für die zu untersuchende Vorschauroute berechnen. Durch Integration berechnet das System einen vorhergesagten Gesamtmotorenergieverbrauch als E_MGU : $$E_{MGU}={\displaystyle {\int }_A^B\omega T_{MGU}dt-E_{RGN}}$$

  

  wobei A bzw. B für den Ausgangsstandort des Fahrzeugs und das Fahrzeugziel stehen und E_RGN die gesamte regenerierte Energie für die Vorschauroute ist. Während eines Bremsvorgangs kann die ECU 26, z. B. durch die Implementierung eines Motorsteuermoduls (MCM) und eines Batteriesteuermoduls (BCM), den/die Elektromotor(en) 16 betreiben, um Energie aus dem Abbremsen des Fahrzeugs 10 zu gewinnen und die Energie in der EVB-Traktionsbatterie 14 durch einen regenerativen Bremsvorgang zu speichern. Der tatsächliche Motorenergieverbrauch kann höher sein als ein vorhergesagter Gesamtmotorenergieverbrauch E_MGU , da der Motor wahrscheinlich nicht zu 100 % effizient ist. Um dieses Problem zu lösen kann der vorhergesagte Gesamtmotorenergieverbrauch E_MGU durch eine Größe η dividiert werden, die eine Funktion der Motordrehzahl/des Motordrehmoments ist.
• Am Prozessblock 109 berechnet das Verfahren 100 einen Energieverlust des Wechselrichters/Wandlers als Funktion der vorhergesagten Motordrehzahl und des vorhergesagten Motordrehmoments. Solch ein Energieverlust des Wechselrichters/Wandlers resultiert daraus, dass der elektrifizierte Antriebsstrang ein Wechselrichtermodul oder einen AC-DC-Wandler verwendet, um den Traktionsmotor und den Batteriepack während der vorgesehenen Route zu betreiben. Das Fahrzeug 10 kann ein Wechselrichtermodul verwenden, um eine vom Traktionsbatteriepack 14 empfangene Gleichspannung zu modulieren und eine Wechselspannung auszugeben, die für die Versorgung des/der Elektromotoren 16 geeignet ist. Im Vergleich dazu kann ein AC-DC-Wandler als Batterieladegerät oder integriertes Lademodul (OBCM) verwendet werden, um eine Wechselladespannung von einem externen Wechselstrom-Netzteil (z. B. Fahrzeugladestation 20) oder von den Motoren 16, die in einem regenerativen Modus arbeiten, in eine Gleichspannung umzuwandeln, die für den Einsatz mit dem Batteriepack und anderen Gleichstromvorrichtungen geeignet ist. Das Verfahren 100 berechnet dann einen Motorenergieverlust als eine Funktion der vorhergesagten Motordrehzahl und des vorhergesagten Motordrehmoments am Prozessblock 111. Der Motorenergieverlust kann aufgrund von verschiedenen Faktoren resultieren, wie etwa: (1) Widerstandsverluste in den Statorwicklungen; (2) Hystereseverluste in den Statorkernen; und (3) nicht erfasste hochfrequente elektrische Energie, die von den Spulen reflektiert wird.
• Mit weiterem Bezug auf 2 wird ein geschätzter Gesamtenergieverbrauch eines Fahrzeugheizungs-, Lüftungs- und Klimatisierungs-(HLK)-Systems am Prozessblock 113 berechnet. So kann beispielsweise das Kraftfahrzeug 10 eine Wärmepumpe auf Kältemittelbasis zum Kühlen der in das Motoreinlasssystem oder den Fahrgastraum eingespritzten Luft einsetzen, während elektrisch beständige metallische Heizbänder zum Erwärmen der Luft vorgesehen werden können. Neben der Versorgung der Wärmepumpe und der Heizbänder wird elektrische Energie verbraucht, um Gebläse oder Lüfter zu betreiben, die die erwärmte/gekühlte Luft in den Fahrgastraum und andere gewünschte Bereiche der Fahrzeugkarosserie 12 zirkulieren lassen. Der Gesamtenergieverbrauch des Fahrzeugs kann auch die Hilfsvorrichtungsenergie berücksichtigen, die benötigt wird, um die periphere Elektronik mit Strom zu versorgen, die über die Dauer der vorgesehenen Route am Prozessblock 115 betrieben wird. Eine solche zusätzliche Anlage für den „Nicht-Fahrzeugantrieb“ kann einen DC-DC-Wandler zum Umwandeln von Hochspannungsstrom aus dem Traktionsbatteriepack in einen Niederspannungsstrom zum Betreiben verschiedener elektrischer Komponenten im Fahrzeug einschließen, wie etwa ein Radio, eine Mittelkonsolenanzeige, ein elektronisches Kombiinstrument usw. In diesem Zusammenhang kann eine 12-V-Batterieladung für den Betrieb aller im Fahrzeug vorhandenen peripheren Hardwarekomponenten, die nicht für den Antrieb zuständig sind, reserviert werden, einschließlich zusätzlicher (Aux-)Eingangsbuchsen, die im gesamten Fahrgastraum als standardisierte Kommunikationsanschlüsse für die Verbindung der tragbaren Elektronikvorrichtungen und der persönlichen Rechenvorrichtungen eines Insassen mit dem Kraftfahrzeug 10 vorgesehen sind. Zusätzlich zu den vorstehend aufgeführten elektrischen Verbrauchern kann das Verfahren 100 auch den Energieverbrauch von elektronischen Vorrichtungen berücksichtigen, die zur Bereitstellung des autonomen Fahrens und der Fahrerassistenzsystem-(ADAS)-Funktion am Prozessblock 117 eingesetzt werden. Diese Verbraucher können die Dynamiksensoren, Radarsensorkomponenten, Lidar, Kameras, Computerprozessoren usw. einschließen.
• Das Verfahren 100 fährt mit dem Summierungsvorgang 119 mit prozessorausführbaren Anweisungen fort, um alle vorhergesagten Werte der ML-basierten Energieverbrauchsmodelle, die an den Prozessblöcken 107, 109, 111, 113, 115 und 117 ausgeführt werden, zu sammeln und dadurch einen vorhergesagten Gesamtenergieverbrauch Ep(A:B) abzuleiten. Nach der Erfassung wird der Gesamtenergieverbrauch Ep(A:B) am Prozessblock 121 angewendet, um eine geschätzte verbleibende Batterieenergie ΔE des Traktionsbatteriepacks 14 zu berechnen, wenn das Kraftfahrzeug 10 sein Ziel erreicht. Die verbleibende Batterieenergie ΔE kann wie folgt berechnet werden: $$\mathrm{\Delta }E=\frac{Q}{100}{\displaystyle {\int }_a^{SOC\left(A\right)}{V}_{oc}}\left(SOC\right)dSOC-Ep\left(A:B\right)-E{\left(T\right)}_{battloss}$$

  

  wobei a ein kalibrierter minimaler SOC ist, um den Traktionsbatteriepack in einem gesunden Zustand zu halten, SOC(A) auf einen aktuellen SOC an einem aktuellen Standort A verweist, V_OC(SOC) eine Leerlaufspannung des Traktionsbatteriepacks als Funktion eines SOC beschreibt, E(T)_battloss für den Batterieenergieverlust als Funktion einer Batterietemperatur T steht, und Q die Energiekapazität des Batteriepacks ist. In diesem Beispiel berechnet die erste Integralrechnung ${\displaystyle {\int }_a^{SOC\left(A\right)}{V}_{oc}\left(SOC\right)dSOC}$

  

  eine geschätzte verbleibende Batterieenergie des Traktionsbatteriepacks 14 am aktuellen Standort des Fahrzeugs A oder, falls nicht gleichbedeutend, an der Startposition der gewünschten Route, um den Mindestenenergiestand a aufrechtzuerhalten. Alternativ kann eine geschätzte verbleibende Batterieenergie ΔE berechnet werden als: $$\mathrm{\Delta }E=\left(SOC\left(A\right)-a\right)Q-Ep\left(A:B\right)-E{\left(T\right)}_{battloss}$$

  
• Wenn der SOC einer Batterie bekannt ist, kann die Batterieenergie in Form von Ampere-Stunden (Ah) als eine Gesamtkapazität *%SOC berechnet werden. Die Batterieleerlaufspannung Voc ist eine starke Funktion des SOC und macht das Integral nichtlinear; die Leerlaufspannung Voc kann als eine 1:1-Beziehung mit dem SOC betrachtet werden.
• Nach Berechnen der verbleibenden Batterieenergie ΔE, fährt das Verfahren 100 am Entscheidungsblock 123 fort, um zu bestimmen, ob die Batterieleistung für das Kraftfahrzeug 10 zum Erreichen des gewünschten Ziels auf der vorhergesehenen Route ausreicht. Diese Bestimmung kann allgemein das Überprüfen einschließen, ob der aktuelle SOC des Traktionsbatteriepacks um mindestens einen kalibrierten Prozentsatz oder Wert größer als der vorhergesagte Gesamtenergieverbrauch ist. In einem spezifischeren Beispiel ermittelt der Entscheidungsblock 123, ob die vorhergesagte verbleibende Batterieenergie ΔE größer als ein kalibrierter Ladeerhaltungswert Thd ist, der experimentell abgeleitet wird, um eine vollständige Entladung eines Traktionsbatteriepacks zu verhindern und somit zu einer längeren Batterielebensdauer beizutragen. Als Reaktion auf eine Bestimmung, dass die verbleibende Batterieenergie ΔE tatsächlich größer ist als der kalibrierte Ladeerhaltungswert Thd und somit genügend Batterieleistung für das Kraftfahrzeug 10 vorhanden ist, um das gewünschte Ziel auf der vorgesehenen Route zu erreichen (Block 123 = JA), kann das Verfahren 100 zum Anschlussblock 125 übergehen und danach ohne vorbeugende oder korrigierende Maßnahmen enden. Das Verfahren 100 kann danach wieder zum Anschlussblock 101 zurückkehren und eine kontinuierliche Schleife durchlaufen.
• Umgekehrt fährt das Verfahren 10 nach dem Bestimmen, dass die verbleibende Batterieenergie ΔE nicht größer als der kalibrierte Ladeerhaltungswert Thd ist und somit eine unzureichende Batterieleistung für das Kraftfahrzeug 10 vorhanden ist, um das gewünschte Ziel auf der vorgesehenen Route zu erreichen (Block 123 = NEIN), am Prozessorblock 127 mit gespeicherten, prozessorausführbaren Anweisungen für die residente Fahrzeugsteuerung 26 fort, um automatisch ein oder mehrere Steuersignale an ein residentes Fahrzeugsubsystem auszugeben, um eine oder mehrere vorbeugende oder korrigierende Steuerungsbetriebe auszuführen. Zum Beispiel kann das Verfahren 100 zum OSM-Datendienst 105 zurückkehren und Straßendaten abrufen, die einer oder mehreren Alternativrouten („Umleitungen“) zugeordnet sind, von denen jede als eine entsprechende Vorschauroute gemäß der Methodik 100 von 2 auswertet werden kann. Die Fahrzeugtelematikeinheit 42 kann die ursprünglich vorgesehene Route mit einer oder mehreren der Alternativrouten gleichzeitig mit einem Hinweis darstellen, dass der aktuelle SOC für das Kraftfahrzeug nicht ausreicht, um das Ziel auf der vorhergesehenen Route zu erreichen.
• Als zusätzliche oder alternative Option kann der Prozessblock 127 Anweisungen für die ECU 26 bereitstellen, um mit einem Antriebsstrangsteuermodul (PCM) zu koordinieren und eine Reihe von Fahrregeln für einen geringen Energieverbrauch zu implementieren, wie etwa das Einstellen des Fahrzeugs 10 in den „Eco-Driver-Modus“, der die Fahrzeuggeschwindigkeit und das Motordrehmoment begrenzt. In diesem Zusammenhang kann das ADAS-Modul ein oder mehrere vorgegebene Fahrmanöver automatisieren, um die Batterieladung zu schonen, einschließlich dem Einleiten einer adaptiven Geschwindigkeitsregelung (ACC), die auf eine kalibrierte Geschwindigkeit eingestellt ist, die zur Optimierung des Batterieverbrauchs überprüft wurde. Es kann für mindestens einige Anwendungen wünschenswert sein, das vollautonome Fahren des Kraftfahrzeugs für die Dauer der Route zu deaktivieren. Dadurch entfällt die zusätzliche Maut, die auf das elektrische System eines Fahrzeugs erhoben wird, um die verschiedenen Sensoren, Hardwarekomponenten und Prozessoren mit Strom zu versorgen, die zur Automatisierung der Fahrzeugführung erforderlich sind. Der Gesamtenergieverbrauch von Motor/Fahrzeug für jede Vorschauroute kann in einer residenten oder gespeicherten Remote-Kartendatenbank gespeichert werden; optional kann die Anzeigevorrichtung des residenten Fahrzeugnavigationssystems jede Route mit einem Hinweis auf den entsprechenden Gesamtenergieverbrauch des Motors/Fahrzeugs anzeigen.
• Mit Bezug auf das Flussdiagramm von 3 wird ein verbessertes Verfahren oder eine verbesserte Steuerungsstrategie unter Verwendung von allgemeinbasierten Algorithmen zum Schätzen des Elektroantrieb-Gesamtenergieverbrauchs zum Ableiten einer intelligenten Ladeplanung, allgemein bei 200 gemäß den Gesichtspunkten der vorliegenden Offenbarung beschrieben. Einige oder alle der in 3 dargestellten und im Folgenden näher beschriebenen Betriebe können repräsentativ für einen Algorithmus sein, der prozessorausführbaren Anweisungen entspricht, die beispielsweise im Haupt-, Zusatz- oder Fernspeicher hinterlegt und beispielsweise von einer integrierten Steuerung oder Fernsteuerung, einer Verarbeitungseinheit, einer Steuerlogikschaltung oder einem anderen Modul oder einer anderen Vorrichtung ausgeführt werden können, um eine oder alle der oben oder unten beschriebenen Funktionen im Zusammenhang mit den offenbarten Konzepten auszuführen. Es ist zu beachten, dass die Reihenfolge der Ausführung der veranschaulichten Betriebsblöcke geändert, zusätzliche Blöcke hinzugefügt und einige der beschriebenen Blöcke geändert, kombiniert oder entfernt werden können.
• Allgemein sagt das Verfahren 200 den Fahrzeug-Gesamtenergieverbrauch eines EV voraus, um eine vorhergesehene Route unter Verwendung eines gemeinsamen EV-Modells abzuschließen, das auf eine bestimmte Fahrzeugplattform des zu analysierenden EV kalibriert ist. Das Verfahren 200 versucht, das gesamte elektrische Antriebssystem, wie etwa eine Elektrofahrzeugbatterie (EVB) 214, einen oder mehrere elektrische Traktionsmotoren 216, ein Wandler- und Wechselrichtermodul 260, eine Motorsteuerung 262, ein Hilfsleistungsmodul 264 und ein Leistungsmodul zum autonomen Fahren 266 zu simulieren - mit allen Komponentenwirkungsgradverlusten. Die Gesamtstromladung des EV kann eine Zusammenrechnung des Wechselrichterstroms I_inv , des Hilfsvorrichtungsstroms I_apm , des Motorstroms I_mgu , und des Stroms der Vorrichtung für autonomes Fahren I_aut . sein. Das Hilfsleistungsmodul (APM) 264 von 2 modelliert beispielsweise den Strom I_apm auf eine elektrische 12-V-Ladung, eine AC/HC-Anlage (Heizung und Klimatisierung), die Stromversorgung für DC/DC-Wandler usw., die alle schematisch bei 268 in 3 dargestellt sind. Das simulierte EVB-System 214 liefert Leistung an den/die Traktionsmotor(en) 216 über das Wechselrichter-/Wandlermodul 260 an das APM 264 und an alle Sensor-, Sensorfusions- und Verarbeitungselektronikkomponenten 270, die mit dem Leistungsmodul zum autonomen Fahren 266 verbunden sind. Ein Zielmotordrehmoment T_targ(A:B) und eine Zielmotordrehzahl ω_targ(A:B) fungieren als Systemeingabeparameter mit einem geschätzten Motordrehmoment T_MGU und einer geschätzten Motordrehzahl ω_est , die als Systemsteuerungsausgänge fungieren.
• Für Verfahren 200 von 3 wird ein ML-basiertes Fahrermodell, das jede hierin beschriebene geeignete Form annehmen kann, verwendet, um ein Soll-Motordrehmoment T_targ(A:B) und eine entsprechende Soll-Motordrehzahl ω_targ(A:B) vorherzusagen, damit ein EV eine Vorschauroute von der Start- bis zur Endposition abschließen kann. Die schematisch dargestellte Architektur verwendet die Motorsteuerung 262, um den Ladestrom I_inv zum Antreiben des Wechselrichter-/Wandlermoduls 260 zu simulieren und um den Ladestrom I_mgu zum Betreiben des Traktionsmotors/der Traktionsmotoren 216 zu simulieren. Darüber hinaus wird ein Batteriesteuermodul des EVB 214 verwendet, um einen Gesamtladestrom I(t) zum Antreiben des Wechselrichter-/Wandlermoduls 260, des Motors/der Motoren 216, des APM 264 und des Leistungsmoduls zum autonomen Fahren 266 zu simulieren. Nach Ableiten des Gesamtladestroms zum Antreiben des EV auf der Vorschauroute vom Ausgangsstandort zum Ziel kann der Gesamtladestrom I(t) verwendet werden, um den am Fahrzeugziel verbleibenden Ladezustand der Batterie SOC(B) vorherzusagen: $$SOC\left(B\right)=SOC\left(A\right)-\frac{1}{C}{\displaystyle {\int }_A^{B}I\left(t\right)dt}$$

  

  wobei SOC(A) ein Anfangsladezustand des Traktionsbatteriepacks am Ausgangsstandort des Fahrzeugs, C eine Batteriekapazität und ${\displaystyle {\int }_A^{B}I\left(t\right)dt}$

  

  der vorhergesagte Gesamtladestrom ist.
• Mit Bezug auf das Arbeits-Flussdiagramm von 4 wird ein verbessertes Verfahren oder eine verbesserte Steuerungsstrategie unter Verwendung von Deep-Learning-Fahrmodellalgorithmen zur vorausschauenden HEV-Antriebsstrangsteuerung allgemein bei 300 gemäß den Gesichtspunkten der vorliegenden Offenbarung beschrieben. Einige oder alle der in 4 dargestellten und im Folgenden näher beschriebenen Betriebe können repräsentativ für einen Algorithmus sein, der prozessorausführbaren Anweisungen entspricht, die beispielsweise im Haupt-, Zusatz- oder Fernspeicher hinterlegt und beispielsweise von einer integrierten Steuerung oder Fernsteuerung, einer Verarbeitungseinheit, einer Steuerlogikschaltung oder einem anderen Modul oder einer anderen Vorrichtung ausgeführt werden können, um eine oder alle der oben oder unten beschriebenen Funktionen im Zusammenhang mit den offenbarten Konzepten auszuführen. Es ist zu beachten, dass die Reihenfolge der Ausführung der veranschaulichten Betriebsblöcke geändert, zusätzliche Blöcke hinzugefügt und einige der beschriebenen Blöcke geändert, kombiniert oder entfernt werden können.
• Verfahren 300 von 4 verwendet maschinell lernende Fahrermodelle zur vorausschauenden Antriebsstrangsteuerung, um dabei zu helfen, den Energieverbrauch und die Effizienz für Hybridfahrzeuge zu optimieren, mit merklichen Verbesserungen für Mild-Hybridfahrzeug-Antriebsstränge. Zur Vorhersage des Fahrerverhaltens wird tiefes strukturiertes maschinelles Lernen („Deep Learning“) eingesetzt, das wiederum verwendet wird, um ein Fahrzyklusprofil abzuleiten, das zumindest teilweise durch eine Vorschauroute mit verfügbaren Verkehrsinformationen, Geopositions- und raumbezogenen Daten, Straßenkarteninformationen usw. definiert wird. Wichtige sensorgenerierte Antriebsdaten sowie Routen- und Verkehrsinformationen werden von einem Cloud-Computing-Ressourcendienst oder einer ähnlich geeigneten Hochgeschwindigkeits- und Hochleistungs-Verarbeitungsvorrichtung erfasst. Das Fahrzyklusprofil kann in einigen nicht einschränkenden Beispielen eine vorhergesagte Fahrzeuggeschwindigkeit V_p(t), ein vorhergesagtes Antriebsdrehmoment T_p(t), einen vorhergesagten Lenkwinkel S_p(t) und/oder vorhergesagte Gas-/Bremspedalstellungen A_p(t) und B_p(t) für eine bestimmte Vorschauroute eines Host-Fahrzeugs einschließen. Ein Fahrzyklusprofil kann optional Getriebe, Elektromotordrehmoment, Verbrennungsmotordrehmoment usw. einschließen. Die vorausschauende Antriebsstrangsteuerung trägt zur Optimierung des Kraftstoffverbrauchs und des Ladezustands der Batterie (SOC) bei, eingeschränkt durch die Planung von längeren Stopp/Start- und Leistungsverzweigungsbetrieben für Mild-HEV, Plugin-Hybrid oder Voll-HEV basierend auf vorhergesagten Zyklen.
• Gemäß dem veranschaulichten Beispiel verwaltet ein Cloud-Computing-Ressourcendienst eine hochauflösende (HD) Straßenkartendatenbank und sammelt systematisch Verkehrsinformationen, Crowd-Sourcing-Fahrzeugsensor- und Aktuatordaten, Echtzeit-Fahrzeugdynamik- und Betriebsdaten für ein Host-Fahrzeug (d. h. das zu untersuchende Fahrzeug), Geschwindigkeitsdaten des vorausfahrenden Fahrzeugs (d. h. die Geschwindigkeit eines Fahrzeugs, das direkt vor dem Host-Fahrzeug fährt) usw. für eine bestimmte Vorschauroutine. Datenerfassungsereignisse können beispielsweise als Teil eines Vorhersagezyklus von fünf, zehn oder zwanzig Minuten oder als Teil eines Vorhersagezyklus von fünf, zehn oder zwanzig Meilen eingeleitet werden. Unter Verwendung eines Recurrent Neural Network (RNN) identifiziert das System Höchstgeschwindigkeitsdaten, Ampeldaten, Fahrbahngradientendaten, Stoppschildstandortdaten, Geschwindigkeitsdaten des Host-Fahrzeugs und des vorausfahrenden Fahrzeugs, Straßenstörungsdaten (z. B. Bauarbeiten, Unfälle, Regen, Schlaglöcher usw.), Verkehrsflussdaten, V2X- und V2V-Daten, um die ML-Fahrer- und Antriebsstrangmodelle für eine vorausschauende Antriebsstrangsteuerung abzuleiten. Der Cloud-Computing-Ressourcendienst verwendet große Datenverarbeitungstechniken für die Erfassung, Speicherung, Abfrage, Batch-Analyse und Aktualisierung von Datensätzen, die signifikant voluminös und kompliziert sind, so dass traditionelle Anwendungssoftware für die Datenverarbeitung und residente Fahrzeughardware allgemein unzureichend sind, um mit der Größe und Komplexität der Daten umzugehen. Große Datenverarbeitung kann für die Datenvorverarbeitung, Informationszusammenführung, Merkmalsextraktion für jedes Fahrszenario, Datensynchronisation (z. B. diskret, kontinuierlich usw.) und das Lernen des Fahrmodells verwendet werden.
• Basierend auf ausgewählten Segmenten der gesammelten Daten entwickelt und lernt der Cloud-Computing-Ressourcendienst ein Fahrermodell unter Verwendung eines DNN zur Simulation des Fahrerverhaltens an, um vorherzusagen, wie dieser Fahrer ein HEV oder EV für eine bestimmte Vorschauroute betreiben wird. Bei der Entwicklung einer Anlernroute kann das DNN einen vollständigen Datensatz für eine vorgegebene Anlernroute ansammeln und dabei effektiv Informationssignale sammeln, die so bestimmt sind, dass sie eine ganze Reihe von relevanten Szenarien abdecken. Falls die erforderlichen Informationen nur teilweise verfügbar sind, kann das angelernte Modell so geschult werden, dass es sich an zukünftige Fahrszenarien anpasst. Sobald ein Fahrermodell für einen bestimmten Fahrer angelernt wurde, können die Gas- und Bremspedalstellungen des Fahrers und der Lenkwinkel sowie die Fahrzeuggeschwindigkeit und das Antriebsdrehmoment für eine zukünftige (10-Sekunden-, 10-Minuten-, 20-Minuten-) Fahrt auf einer Vorschauroute basierend auf dem gewünschten Ziel und den entsprechenden Straßenverhältnissen vorhergesagt werden. Für zumindest einige Implementierungen sendet der Cloud-Computing-Ressourcendienst ein ML-generiertes Fahrermodell an das jeweilige Fahrzeug oder sendet alternativ nur Fahrzyklus-Profilinformationen an das Fahrzeug zur späteren Antriebsstrangsteuerung.
• Für ein Deep-Learning-RNN-Fahrermodell können Ampelereignisse (z. B. rot, gelb, grün usw.) in entsprechende digitale Signale mit unterschiedlicher Größe für jedes Ereignis umgewandelt werden. Ebenso kann jede Position des Stoppschildes in ein digitales Signal, z. B. mit einem Nullwert (0), umgewandelt werden, um einen Halt anzuzeigen. In diesem Zusammenhang können Kurvensignale in digitale Werte umgewandelt werden, die z. B. 10 zu keiner Kurve, 6 zu einer Kurve mit größerem Radius, 3 zu einer Kurve mit kleinerem Radius usw. zuordnen. Nach der Umwandlung werden die Signale synchronisiert und die digitalisierten Ampel-, Stoppschilder- und Kurvensignale definiert, z. B. in einer Fahrzeit von 10 Sekunden oder einer Fahrstrecke von 80 Metern vor ihrer genauen Position. Als Beispiel: $$\begin{array}{l}Input\_x\left(t\right)=\left[Vspd\_limitgradeturnssiglampstoptrafficflow\right];\\ Output\_y\left(t\right)=\left[Vspdpedal\right]\end{array}$$

  

  wobei Input x(t) ein Eingangsvektor, Output_y(t) ein Ausgangssignal, Vspd limit eine Fahrzeuggeschwindigkeitsbegrenzung in Abhängigkeit von der Zeit, grade eine Vorschauroutenerhöhung in Abhängigkeit von der Zeit ist, turns die umgewandelten Kurvensignale, siglamp die umgewandelten Ampelsignale, stop die umgewandelten Stoppzeichen sind und traffic flow ein Vorschauroutenverkehrsfluss in Abhängigkeit von der Zeit ist.
• In Fortführung der obigen Erörterung kann ein wiederkehrendes neuronales Netzwerk unter Verwendung eines nichtlinearen autoregressiven Modells ausgedrückt werden als: $$\text{y}\left(\text{t}\right)=\text{f}\left(\text{y}\left(\text{t}-1\right),\dots ,\text{y}\left(\text{t}-\text{d}\right),\text{x}\left(\text{t}-\text{1}\right),\dots ,\left(\text{t}-\text{d}\right)\right)$$

  

  und durch das DNN realisiert werden. In der repräsentativen RNN-Architektur unter Verwendung eines nichtlinearen autoregressiven Modells, das in 4 dargestellt ist, gibt es 10 Neuronen in der versteckten Schicht und ein Neuron in der Ausgabeschicht. Element 301 gibt einen Basiseingangsvektor an, z. B. x(t)=[x1(t) x2(t), ... xn(t)], wobei die Betriebe 303 eine Anzahl zeitverzögerter Signale definieren, die beim Anlernen verwendet werden (z. B. „1:2“ zeigt eine Zweischrittzeitverzögerung an). Die Betriebe 305 des RNN legen die Gewichte w auf jedes Eingangssignal, während die Betriebe 307 jedem Eingangssignal einen Bias-Wert b hinzufügt. Nach dem Ausführen eines Summierungsvorgangs (+) bei 309 wird bei 311 ein Neuron in Form einer Sigmoidfunktion sig ausgeführt. Block 302 stellt eine verborgene Schicht eines neuronalen Netzwerks dar, wobei Block 304 eine Ausgabeschicht des neuronalen Netzwerks darstellt. Eine lineare Funktion lin wird bei Block 313 durchgeführt, um den Ausgangsvektor y(t) bei Block 315 bereitzustellen.
• Es kann für mindestens einige Anwendungen wünschenswert sein, ein Deep-Learning-RNN-Fahrermodell unter Verwendung einer wahrgenommenen Fahrzeuggeschwindigkeit zu verwenden, um eine Eingabedemission im Modell zu reduzieren. Wenn beispielhaft ein Fahrer eine Kurve, ein Stoppschild, eine Ampel, die gerade von gelb auf rot schaltet, eine Ampel, die gerade von rot auf grün schaltet usw. optisch wahrnimmt, kann er eine endgültige gewünschte oder wahrgenommene Fahrgeschwindigkeit interpretieren. Von Fahrern wahrgenommene Eingaben werden wie folgt in ein Fahrermodell integriert: $$\begin{array}{l}Input\_x\left(t\right)=\left[per\_v\_limgradepedal\left(k-l\right)vspd\left(k-l\right)\right];\\ Output\_y\left(t\right)=\left[vspd\left(k\right)pedal\left(k\right)\right]\end{array}$$

  

  für ein RNN, das ein nichtlineares autoregressives Modell verwendet: $$y\left(t\right)=f\left(y\left(t-l\right),\dots ,y\left(t-d\right),x\left(t-l\right),\dots ,\left(t-d\right)\right)$$

  
• Die obige Methodik kann eingesetzt werden, um eine vorausschauende Fahrzeuggeschwindigkeit und ein vorausschauendes Fahrzeugdrehmoment auf nahezu jeder vordefinierten Route unabhängig von der Routenlänge bereitzustellen.
• Ein Kurzstrecken-Fahrermodell kann besonders geeignet sein, um vorherzusagen, wie ein Fahrer ein Fahrzeug beschleunigt oder verzögert und wie er einem anderen Fahrzeug auf einer bestimmten Vorschau-Route folgt. Die Modellierung und das Lernen der Tendenz eines Kurzstreckenfahrers kann den bisherigen Fahrverlauf eines Fahrers so verarbeiten, dass der Fahrstil eines bestimmten Fahrers erlernt wird, wie etwa vorhergesagte Beschleunigungs- und Abbremsraten, Fahrzeugfolgeabstand, Reaktionszeiten, Abstände zu Verkehrsregelungsvorrichtungen, Tendenzen zur Geschwindigkeitsregelung usw. Die vorhergesagte Beschleunigungs-/Abbremsrate kann erreicht werden, indem zuerst eine Ableitung eines Fahrzeuggeschwindigkeitsverlaufs berechnet und dann die maximalen Beschleunigungs- und Abbremsraten für jedes Segment berechnet werden. Unter Verwendung dieser Informationen lernt das Kurzstrecken-Fahrermodell die maximalen (und minimalen) Beschleunigungs- und Abbremsraten. Ein vorhergesagter Fahrzeugfolgeabstand kann erzielt werden, indem unter Verwendung der integrierten Sensoren (z. B. Lidar- oder Radardaten) ein Folgeabstand berechnet wird. Aus diesen Daten kann wiederum ein durchschnittlicher Folgeabstand berechnet werden. Unter Verwendung dieser Informationen lernt das Kurzstrecken-Fahrermodell den durchschnittlichen Abstand als den vom Fahrer präferierten Abstand. Als weitere Option kann eine vorhergesagte Reaktionszeit und/oder Abstand des Fahrers zu einer Verkehrsregelungsvorrichtung durch Erfassen von Bedingungen abgeleitet werden, die wahrscheinlich zu einem Fahrerstopp führen, wie etwa eine rote Ampel oder ein Stoppschild. Ein jeweiliger Abstand zu jedem Ziel wird ermittelt, wenn der Fahrer mit dem Abbremsen beginnt und das Kurzstrecken-Fahrermodell lernt einen durchschnittlichen Abstand bis zu einem vollständigen Halt, nachdem der Fahrer mit dem Abbremsen beginnt.
• Nachdem ein Motorsteuermodul (ECM) und ein Antriebsstrangsteuermodul (PCM) ein gewünschtes Fahrzeuggeschwindigkeits- und Drehmomentprofil für eine bestimmte Vorschauroute vorhergesagt haben, kann der Betrieb des HEV-Antriebsstrangs optimiert werden, indem das Antriebsdrehmoment (in jedem logischen Verhältnis) zwischen der Verbrennungsmotor- und der Elektromotordrehmomentleistung aufgeteilt wird, um den Kraftstoffverbrauch zu senken. Auf diese Weise kann die HEV-Steuerung für Serienfahrzeuge als reaktiv, z. B. auf die aktuelle Fahrzeuggeschwindigkeit und den Drehmomentbedarf, sowie als vorausschauend, z. B. auf die vorhergesagte Fahrzeuggeschwindigkeit und den Drehmomentbedarf, kalibriert werden, um die Energieeffizienz mit der SOC-Steuerung für eine bestimmte Fahrstrecke zu erreichen. Durch die Verwendung eines DNN-Fahrermodells kann die Fahrzeugsteuerung vorhersagen, wie ein bestimmter Fahrer ein Fahrzeug mit einer bestimmten Fahrzeugmasse wahrscheinlich betreiben wird, und kann gleichzeitig einen vorausschauenden Fahrzyklus in Echtzeit für eine vorhergesagte Geschwindigkeit und ein vorhergesagtes Drehmoment erzeugen. Mit diesen vorhergesagten Werten kann das ECM/PCM den gesamten HEV-Energieverbrauch optimieren, indem es den Energieverbrauch des Antriebs durch Aufteilen des Fahrerdrehmoments zwischen Verbrennungsmotordrehmoment und Elektromotordrehmoment reduziert.
• Eine vorausschauende fahrzyklusbasierte Hybridoptimierung kann durch Optimieren der folgenden Kostenfunktion erreicht werden: $$\begin{array}{l}J=\text{min}{\displaystyle \underset{0}{\overset{\text{T}}{\int }}\left(BSFC\left({\omega }_{eng},T_{eng}\right)P_{eng}\left({\omega }_{eng},T_{eng}\right)+s\cdot f_p\frac{P_{batt}}{Q_{LHV}}\right)dt}\hfill \\ =\text{min}{\displaystyle {\oint }_{v_p\left(t\right),A_p\left(t\right)}\left(BSFC\left({\omega }_{eng},T_{eng}\right)P_{eng}\left({\omega }_{eng},T_{eng}\right)+s\cdot f_p\frac{P_{batt}}{Q_{LHV}}\right)dt}\hfill \end{array}$$

  

  $$s=s\left(V_p\left(t\right),A_p\left(t\right),SOC\left(0\right)\right)$$

  

  vorbehaltlich der Einschränkungen: $$SOC\left(0\right)=SOC\left(T\right)+\epsilon$$

  

  $$T{q}_{des}=T{q}_{eng}+T{q}_{MGU}$$

  

  $$\frac{dSOC}{dt}=\frac{P_{batt}\left(T{q}_{MGU},N_{MGU}\right)}{V_L}$$

  

  $$SO{C}_{\text{min}}<SOC<SO{C}_{\text{max}},P_{bat{t}_{\text{min}}}<P_{batt}<P_{bat{t}_{\text{max}}},$$

  

  $$P_{MG{U}_{\text{min}}}<P_{MGU}<P_{MG{U}_{\text{max}}},P_{en{g}_{\text{min}}}<P_{eng}<P_{en{g}_{\text{max}}}$$

  

  wobei s ein Kraftstoffäquivalenzfaktor (elektrische Energie zur Kraftstoffäquivalenz), BSFC ein bremsspezifischer Kraftstoffverbrauchsfaktor, ω_eng eine Motordrehzahl, T_eng ein Motordrehmoment, Peng eine Motorleistung, P_batt eine Batterieleistung, Q_LHV ein niedrigerer Heizwert des Kraftstoffs, V_p eine vorhergesagte Fahrzeuggeschwindigkeit, A_p eine vorhergesagte Gaspedalstellung, SOC(0) ein Anfangsladezustand der Batterie und f_p eine Straffunktion ist, um den Motorantrieb zu deaktivieren, wenn der SOC (Ladezustand) minimale oder maximale Werte erreicht. Der bremsspezifische Kraftstoffverbrauch ist ein Indikator für die Effizienz des ICE-Kraftstoffverbrauchs und ε ein Indikator für einen Ladeerhaltungs- oder Ladeverlustzustand. P(*,*) ist ein Indikator für die Motorleistung als Funktion der Motordrehzahl und des Drehmoments, wobei die Motordrehzahl aus der Fahrzeuggeschwindigkeit und dem Übersetzungsverhältnis rückgerechnet werden kann. Darüber hinaus ist T_qeng ein vorhergesagtes gewünschtes Motordrehmoment, P_MGU eine Motorleistung, ω_MGU eine Motordrehzahl, T_qMGU ein vorhergesagtes gewünschtes Motordrehmoment und T_qdes ein vorhergesagtes Drehmoment aus dem Fahrermodell.
• Gesichtspunkte dieser Offenbarung können in einigen Ausführungsformen durch ein computerausführbares Programm von Anweisungen, wie etwa Programmmodule, die allgemein als Softwareanwendungen oder Anwendungsprogramme bezeichnet werden, die von einem integrierten Fahrzeugcomputer oder einem verteilten Netzwerk von residenten und Remote-Computervorrichtungen ausgeführt werden, umgesetzt werden. Software kann in nicht einschränkenden Beispielen Routinen, Programme, Objekte, Komponenten und Datenstrukturen einschließen, die bestimmte Aufgaben ausführen oder bestimmte Datentypen implementieren. Die Software kann eine Schnittstelle bilden, um es einer residenten Fahrzeugsteuerung oder einem Steuermodul oder einer anderen geeigneten integrierten Schaltung zu ermöglichen, gemäß einer Eingabequelle zu reagieren. Die Software kann auch mit anderen Codesegmenten zusammenarbeiten, um eine Vielzahl von Aufgaben als Reaktion auf Daten zu initiieren, die in Verbindung mit der Quelle der empfangenen Daten empfangen werden. Die Software kann auf einem beliebigen aus einer Vielzahl von Speichermedien, wie etwa CD-ROM, Magnetplatte, Blasenspeicher und Halbleiterspeicher (z. B. verschiedene Typen von RAM oder ROM) gespeichert sein.
• Darüber hinaus können Gesichtspunkte der vorliegenden Offenbarung mit einer Vielzahl von Computersystem- und Computernetzwerk Architekturen ausgeübt werden, einschließlich Multiprozessorsysteme, mikroprozessorbasierte oder programmierbare Unterhaltungselektronik, Minicomputer, Großrechner, Master-Slave, Peer-to-Peer, oder Systeme für paralleles Rechnen und dergleichen. Außerdem können Gesichtspunkte der vorliegenden Offenbarung in Umgebungen für verteiltes Rechnen praktiziert werden, in denen Aufgaben durch residente und Remote-Verarbeitungsvorrichtungen ausgeführt werden, die über ein Kommunikationsnetzwerk verbunden sind. In einer Umgebung für verteiltes Rechnen können Programmmodule sowohl in fahrzeugeigenen und fahrzeugexternen Computerspeichermedien einschließlich Speichervorrichtungen untergebracht sein. Gesichtspunkte der vorliegenden Offenbarung können daher in Verbindung mit verschiedener Hardware, Software oder einer Kombination davon in einem Computersystem oder einem anderen Verarbeitungssystem implementiert werden.
• Jedes der hierin beschriebenen Verfahren kann maschinenlesbare Anweisungen einschließen zur Ausführung durch: (a) einen Prozessor, (b) eine Steuereinheit, und/oder (c) eine beliebige andere geeignete Verarbeitungsvorrichtung. Jeder hierin offenbarte Algorithmus, Software, Steuerlogik, Protokoll oder Verfahren kann in Software enthalten sein, die auf einem konkreten Medium gespeichert ist, wie zum Beispiel einem Flash-Speicher, einer CD-ROM, einer Diskette, einer Festplatte, einer Digital Versatile Disc (DVD) oder anderen Speichervorrichtungen. Der gesamte Algorithmus, die Steuerlogik, das Protokoll oder Verfahren und/oder Teile davon können alternativ durch eine andere Vorrichtung als eine Steuereinheit ausgeführt und/oder in Firmware oder dedizierter Hardware in einer verfügbaren Weise ausgeführt werden (z. B. kann er durch eine anwendungsspezifische integrierte Schaltung (ASIC), einen programmierbaren Logikbaustein (PLD), einen feldprogrammierbaren Logikbaustein (FPLD), diskrete Logik usw. implementiert werden). Ferner gibt es, obwohl spezifische Algorithmen unter Bezugnahme auf hierin dargestellte Flussdiagramme beschrieben werden, viele andere Verfahren zum Implementieren der beispielhaften maschinenlesbaren Anweisungen, die alternativ verwendet werden können.
• Gesichtspunkte der vorliegenden Offenbarung sind unter Bezugnahme auf die dargestellten Ausführungsformen im Detail beschrieben worden; der Fachmann erkennt jedoch, dass viele Modifikationen hieran vorgenommen werden können, ohne vom Umfang der vorliegenden Offenbarung abzuweichen. Die vorliegende Offenbarung ist nicht auf die präzise Konstruktion und die hierin offenbarten Zusammensetzungen beschränkt; jegliche Modifikationen, Veränderungen und Variationen, die aus den vorangehenden Beschreibungen ersichtlich sind, liegen innerhalb des Schutzumfangs der Offenbarung, wie er durch die beiliegenden Ansprüche definiert ist. Außerdem schließen die vorliegenden Konzepte ausdrücklich jegliche Kombinationen und Unterkombinationen der vorstehenden Elemente und Merkmale ein.

Claims (11)

1. Beansprucht wird:
2. Verfahren zum Steuern des Betriebs eines Kraftfahrzeugs mit Elektroantrieb, wobei das Kraftfahrzeug mit Elektroantrieb einen Traktionsmotor einschließt, der zum Antreiben des Kraftfahrzeugs betreibbar ist, und eine residente Fahrzeugsteuerung, die zum Regeln des Traktionsmotorbetriebs programmiert ist, wobei das Verfahren Folgendes umfasst: Bestimmen eines Ausgangsstandorts des Fahrzeugs und eines Fahrzeugziels für das Kraftfahrzeug über die residente Fahrzeugsteuerung; Durchführen einer Geodatenabfrage, um eine bestimmte Route zu ermitteln, die dem Ausgangsstandort des Fahrzeugs und dem Fahrzeugziel entspricht, Empfangen von Straßendaten, die der vorhergesehenen Route zugeordnet sind, aus einer gespeicherten Kartendatenbank; Bestimmen einer vorhergesagten Motorgeschwindigkeit des Traktionsmotors für die vorgesehene Route, basierend auf den Straßendaten und Straßenverkehrs- und Störungsdaten für die vorgesehene Route; Schätzen eines vorhergesagten Motordrehmoments des Traktionsmotors durch Anwenden eines maschinell lernenden Fahrermodells als eine Funktion der Gaspedalstellung auf die vorhergesagte Motordrehzahl; Integrieren des vorhergesagten Motordrehmoments zum Berechnen eines Gesamtmotorenergieverbrauchs für den Traktionsmotor, um das Kraftfahrzeug über die vorgesehene Route vom Ausgangsstandort des Fahrzeugs zum Fahrzeugziel zu bewegen; und Übertragen eines Befehlssignals über die residente Fahrzeugsteuerung an ein residentes Fahrzeugsubsystem, um basierend auf dem Gesamtmotorenergieverbrauch einen Steuerungsbetrieb auszuführen.
3. Verfahren nach Anspruch 1, wobei das Kraftfahrzeug ferner ein Wechselrichtermodul und/oder einen AC-DC-Wandler einschließt, die jeweils betreibbar sind, um eine zum oder vom Traktionsmotor übertragene Spannung zu modulieren, wobei das Verfahren ferner umfasst: Berechnen eines Energieverlusts des Wechselrichters/Wandlers als Funktion der vorhergesagten Motordrehzahl und des vorhergesagten Motordrehmoments für die vorgesehene Route, wobei das Befehlssignal zum Ausführen des Steuerungsbetriebs ferner auf dem Energieverlust des Wechselrichters/Wandlers basiert.
4. Verfahren nach Anspruch 1, ferner umfassend: Berechnen eines Motorenergieverlusts des Traktionsmotors als Funktion der vorhergesagten Motordrehzahl und des vorhergesagten Motordrehmoments für die vorgesehene Route, wobei das Befehlssignal zum Ausführen des Steuerungsbetriebs ferner auf dem Motorenergieverlust basiert.
5. Verfahren nach Anspruch 1, ferner umfassend: Berechnen eines geschätzten Energieverbrauchs der Hilfsvorrichtung für eine oder mehrere integrierte Elektronikvorrichtungen, die während der vorgesehenen Route betrieben werden, wobei das Befehlssignal zum Ausführen des Steuerungsbetriebs ferner auf dem geschätzten Energieverbrauch der Hilfsvorrichtung basiert.
6. Verfahren nach Anspruch 1, ferner umfassend: Berechnen eines geschätzten Energieverbrauchs der Elektronik zum autonomen Fahren für einen oder mehrere integrierte Sensoren, Kameras und/oder Prozessoren, die während der vorgesehenen Route betrieben werden, wobei das Befehlssignal zum Ausführen des Steuerungsbetriebs ferner auf dem geschätzten Energieverbrauch der Elektronik zum autonomen Fahren basiert.
7. Verfahren nach Anspruch 1, wobei das Integrieren des vorhergesagten Motordrehmoments das Bestimmen des Gesamtmotorenergieverbrauchs als E_MGU einschließt, wobei der Gesamtmotorenergieverbrauch E_MGU folgendermaßen berechnet wird: $$E_{MGU}={\displaystyle {\int }_A^B\omega T_{MGU}dt-E_{RGN}}$$

   

   wobei ω die vorhergesagte Motordrehzahl ist, T_MGU das vorhergesagte Motordrehmoment ist, A und B auf den Ausgangsstandort des Fahrzeugs bzw. das Fahrzeugziel hinweisen und E_RGN die gesamte regenerierte Energie beschreibt.
8. Verfahren nach Anspruch 1, wobei das Kraftfahrzeug ferner einen Traktionsbatteriesatz einschließt, der zum Antreiben des Traktionsmotors betreibbar ist, wobei das Verfahren ferner das Bestimmen einer verbleibenden Batterieenergie ΔE des Traktionsbatteriesatzes einschließt, wenn das Kraftfahrzeug das Fahrzeugziel erreicht, wobei die verbleibende Batterieenergie ΔE folgendermaßen berechnet wird: $$\mathrm{\Delta }E={\displaystyle {\int }_a^{SOC}{V}_{oc}dSOC-Ep\left(A:B\right)-E{\left(T\right)}_{battloss}}$$

   

   wobei a ein minimaler Ladezustand (SOC) ist, um den Traktionsbatteriepack in einem gesunden Zustand zu halten, Voc eine Leerlaufspannung des Traktionsbatteriepacks, Ep(A:B) ein vorhergesagter Gesamtenergieverbrauch und E(T)_battloss der Batterieenergieverlust des Traktionsbatteriepacks als Funktion der Batterietemperatur T ist.
9. Verfahren nach Anspruch 1, ferner umfassend: Berechnen eines vorhergesagten Gesamtladestroms, basierend auf dem Gesamtmotorenergieverbrauch, um mit dem Kraftfahrzeug die vorgesehene Route vom Ausgangsstandort des Fahrzeugs zum Fahrzeugziel zurückzulegen, wobei das Befehlssignal zum Ausführen des Steuerungsbetriebs ferner auf dem geschätzten Energieverbrauch basiert.
10. Verfahren nach Anspruch 8, wobei das Kraftfahrzeug ferner einen Traktionsbatteriesatz einschließt, der zum Antreiben des Traktionsmotors betreibbar ist, wobei das Verfahren ferner das Bestimmen eines verbleibenden Ladezustands SOC(B) des Traktionsbatteriepacks einschließt, wobei der verbleibende Ladezustand SOC(B) folgendermaßen berechnet wird: $$SOC\left(B\right)=SOC\left(A\right)-\frac{1}{C}{\displaystyle {\int }_A^{B}I\left(t\right)dt}$$

    

    wobei SOC(A) ein Anfangsladezustand des Traktionsbatteriepacks am Ausgangsstandort des Fahrzeugs, C eine Batteriekapazität und ${\displaystyle {\int }_A^{B}I\left(t\right)dt}$

    

    der vorhergesagte Gesamtladestrom ist.
11. Verfahren nach Anspruch 1, wobei das Kraftfahrzeug ferner einen Traktionsbatteriesatz einschließt, der zum Antreiben des Traktionsmotors betreibbar ist, wobei das Verfahren ferner umfasst: Berechnen eines vorhergesagten Gesamtenergieverbrauchs, basierend auf dem Gesamtmotorenergieverbrauch, um mit dem Kraftfahrzeug vom Ausgangsstandort des Fahrzeugs zum Fahrzeugziel zu fahren; Bestimmen, ob ein aktueller Ladezustand (SOC) des Traktionsbatteriesatzes größer als der vorhergesagte Gesamtenergieverbrauch ist; und als Reaktion auf eine Bestimmung, dass der aktuelle SOC nicht größer als der vorhergesagte Gesamtenergieverbrauch ist, Durchführen einer zweiten Geodatenabfrage, um eine alternative Route zu ermitteln, die dem Ausgangsstandort des Fahrzeugs und dem Fahrzeugziel entspricht.

Images