DE102023122897A1 - Verfahren zur Vorhersage eines Leistungsbedarfs von Nebenaggregaten eines Fahrzeugs - Google Patents
Verfahren zur Vorhersage eines Leistungsbedarfs von Nebenaggregaten eines Fahrzeugs Download PDFInfo
- Publication number
- DE102023122897A1 DE102023122897A1 DE102023122897.8A DE102023122897A DE102023122897A1 DE 102023122897 A1 DE102023122897 A1 DE 102023122897A1 DE 102023122897 A DE102023122897 A DE 102023122897A DE 102023122897 A1 DE102023122897 A1 DE 102023122897A1
- Authority
- DE
- Germany
- Prior art keywords
- vehicle
- classification parameter
- auxiliary units
- power requirement
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000007613 environmental effect Effects 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 238000010438 heat treatment Methods 0.000 claims description 5
- 238000004378 air conditioning Methods 0.000 claims description 4
- 238000009423 ventilation Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L1/00—Supplying electric power to auxiliary equipment of vehicles
- B60L1/003—Supplying electric power to auxiliary equipment of vehicles to auxiliary motors, e.g. for pumps, compressors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L1/00—Supplying electric power to auxiliary equipment of vehicles
- B60L1/02—Supplying electric power to auxiliary equipment of vehicles to electric heating circuits
- B60L1/04—Supplying electric power to auxiliary equipment of vehicles to electric heating circuits fed by the power supply line
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/10—Vehicle control parameters
- B60L2240/34—Cabin temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/60—Navigation input
- B60L2240/66—Ambient conditions
- B60L2240/662—Temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/54—Energy consumption estimation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zur Vorhersage eines Leistungsbedarfs (PN,1) von Nebenaggregaten eines Fahrzeugs, ein zum Ausführen des Verfahrens eingerichtetes Steuergerät sowie ein Computerprogrammprodukt. Das Verfahren umfasst die Schritte:- Erfassen von Fahrzeugbetriebsdaten (B) und Umgebungsdaten (U);- Bereitstellen einer Mehrzahl von Vorhersagemodellen für den Leistungsbedarf (PN,1) der Nebenaggregate, wobei die Vorhersagemodelle über Wertebereiche (KM,1) eines ersten Klassifizierungsparameters klassifiziert sind, wobei ein aktueller Wert (KA,1) des ersten Klassifizierungsparameters Bestandteil der erfassten Fahrzeugbetriebsdaten (B) oder Umgebungsdaten (U) ist und wobei die Fahrzeugbetriebsdaten (B), die Umgebungsdaten (U) sowie eine vorhergesagte Geschwindigkeit (v̂) als Eingangsdaten der Vorhersagemodelle dienen;- Auswählen des Vorhersagemodells, dessen Wertebereich (KM,1) des ersten Klassifizierungsparameters den aktuellen Wert (KA,1) des ersten Klassifizierungsparameters beinhaltet;- Vorhersagen des Leistungsbedarfs (PN,1) der Nebenaggregate für eine vorausliegende Fahrstrecke oder für einen zukünftigen Zeitraum mittels des ausgewählten Vorhersagemodells.
Description
- Die Erfindung betrifft ein Verfahren zur Vorhersage eines Leistungsbedarfs von Nebenaggregaten eines Fahrzeugs, ein zum Ausführen des Verfahrens eingerichtetes Steuergerät sowie ein Computerprogrammprodukt.
- Aus der
EP2600106A1 ist eine Vorrichtung zur Berechnung des Leistungsbedarfs eines Fahrzeugs bekannt. In der Vorrichtung werden vorhergesagte Wetterdaten und vorhergesagte Einstellungen eines Klimatisierungssystems berücksichtigt und ein daraus resultierender Stromverbrauch berechnet. - Das erfindungsgemäße Verfahren zur Vorhersage eines Leistungsbedarfs (PN,1) eines oder mehrerer Nebenaggregate eines Fahrzeugs umfasst die Schritte:
- - Erfassen von Fahrzeugbetriebsdaten (B) und Umgebungsdaten (U);
- - Bereitstellen einer Mehrzahl von Vorhersagemodellen für den Leistungsbedarf (PN,1) der Nebenaggregate, wobei die Vorhersagemodelle über Wertebereiche (KM,1) eines ersten Klassifizierungsparameters klassifiziert sind, wobei ein aktueller Wert (KA,1) des ersten Klassifizierungsparameters Bestandteil der erfassten Fahrzeugbetriebsdaten (B) oder Umgebungsdaten (U) ist und wobei die Fahrzeugbetriebsdaten (B), die Umgebungsdaten (U) sowie eine vorhergesagte Geschwindigkeit (v̂) als Eingangsdaten der Vorhersagemodelle dienen;
- - Auswählen des Vorhersagemodells, dessen Wertebereich (KM,1) des ersten Klassifizierungsparameters den aktuellen Wert (KA,1) des ersten Klassifizierungsparameters beinhaltet;
- - Vorhersagen des Leistungsbedarfs (PN,1) der Nebenaggregate für eine vorausliegende Fahrstrecke oder für einen zukünftigen Zeitraum mittels des ausgewählten Vorhersagemodells.
- Durch die Vorhersage des Leistungsbedarfs der Nebenaggregate des Fahrzeugs ermöglicht das erfindungsgemäße Verfahren eine präzisere Vorhersage des gesamten Leistungsbedarfs des Fahrzeugs, eine verbesserte Reichenweitenbestimmung sowie präzisere Resultate für andere langfristige Vorhersagefunktionen, wie bspw. die Planung von Maßnahmen des Wärmemanagements.
- Die Verwendung mehrerer Vorhersagemodelle ermöglicht eine bessere Berücksichtigung saisonaler Effekte. Da die Vorhersage des Leistungsbedarfs in Abhängigkeit von den Randbedingungen über verschiedene Modelle erfolgt, wird vorteilhafterweise eine Überanpassung der Modelle verhindert. Zu einer solchen Überanpassung könnte es insbesondere kommen, wenn ein einziges Vorhersagemodell über einen längeren Zeitraum mit ähnlichen Randbedingungen trainiert wird. Treten schließlich doch veränderte Randbedingungen auf, ist ein überangepasstes Vorhersagemodell nicht in der Lage, eine ausreichend genaue Vorhersage zu liefern.
- Vorzugsweise handelt es sich bei den Vorhersagemodellen um Regressionsmodelle, für die in einem Trainingsmodus folgende Schritte durchgeführt werden:
- - Bestimmen des tatsächlichen Leistungsbedarfs (PN,0) von Nebenaggregaten des Fahrzeugs;
- - Erfassen von Fahrzeugbetriebsdaten (B) und Umgebungsdaten (U), umfassend einen tatsächlichen Wert (KA,2) eines zweiten Klassifizierungsparameters;
- - Auswählen des Vorhersagemodells, dessen Wertebereich (KM,2) des zweiten Klassifizierungsparameters mit dem tatsächlichen Wert (KA,2) des zweiten Klassifizierungsparameters übereinstimmt, als zu trainierendes Vorhersagemodell;
- - Trainieren des ausgewählten Vorhersagemodells mittels des tatsächlichen Leistungsbedarfs (PN,0), der Fahrzeugbetriebsdaten (B), der Umgebungsdaten (U) und der tatsächlichen Fahrzeuggeschwindigkeit (v).
- Die Schritte des Auswählens des zu trainierenden Vorhersagemodells über den zweiten Klassifizierungsparameter und des Trainierens des ausgewählten Vorhersagemodells mittels der genannten Größen (tatsächlicher Leistungsbedarf, Fahrzeugbetriebsdaten, Umgebungsdaten und aktuelle Fahrzeuggeschwindigkeit) ermöglichen, dass nur das für die jeweiligen Randbedingungen vorgesehene Vorhersagemodell trainiert wird und das Vorhersagemodell auf realen Daten beruht.
- Ein Einsatz des Trainingsmodus kann beispielsweise am Ende jeder Fahrt, in festgelegten zeitlichen Abständen, nach Zurücklegen einer bestimmten Strecke oder in Abhängigkeit von anderen Parametern erfolgen. Ein häufiges und regelmäßiges Trainieren steigert generell die Genauigkeit der Vorhersagemodelle.
- Vorzugsweise werden die zeitlichen Verläufe des tatsächlichen Leistungsbedarfs (PN,0), der erfassten Fahrzeugbetriebsdaten (B), der Umgebungsdaten (U) und der tatsächlichen Fahrzeuggeschwindigkeit (v) während des Betriebs des Fahrzeugs ermittelt und zwischengespeichert und bei einem Einsatz des Trainingsmodus zum Trainieren der Vorhersagemodelle verwendet. Entsprechend steht eine große Datenmenge zum Trainieren der Modelle zur Verfügung und es können, bei sich verändernden Bedingungen, auch mehrere Vorhersagemodelle während eines einzigen Einsatzes des Trainingsmodus trainiert werden.
- Grundsätzlich kann jedes mathematische oder statistische Modell, mit dessen Hilfe aus Eingangsvariablen (hier: Fahrzeugbetriebsdaten und Umgebungsdaten) auf Zielvariablen (hier: Leistungsbedarf von Nebenaggregaten) geschlossen werden kann, als Regressionsmodell eingesetzt werden. Dazu zählen bspw. Entscheidungsbaummodelle, Gauß-Prozess-Regressionsmodelle, künstliche neuronale Netze und multivariate polynomiale Regressionsmodelle.
- In einer bevorzugten Ausführung des Verfahrens wird im Rahmen des Trainierens der Vorhersagemodelle der tatsächliche Leistungsbedarf (PN,0) der Nebenaggregate aus der Differenz einer Leistung (PB) einer Batterie des Fahrzeugs und eines Leistungsbedarfs (PD) eines Antriebsstrangs des Fahrzeugs bestimmt. Dies ermöglicht eine einfache, aber zuverlässige Berechnung des tatsächlichen Leistungsbedarfs der Nebenaggregate. In alternativen Ausführungen sind die einzelnen Nebenaggregate dazu eingerichtet, ihren tatsächlichen Leistungsbedarf zu ermitteln und direkt an eine Recheneinheit zu übermitteln, bspw. über ein CAN-System.
- Die Nebenaggregate umfassen vorzugsweise eines oder mehrere der folgenden Systeme: ein Heizungs-, Lüftungs- und Klimatisierungssystem (HVAC-System), eine Fahrzeugbeleuchtung, eine Einrichtung zur Lenkkraftunterstützung, eine Vakuumpumpe, ein Scheibenwischermotor, eine Sensorik, ein Bordcomputer, ein Multimediasystem.
- Die Fahrzeugbetriebsdaten (B) umfassen bevorzugt einen oder mehrere der folgenden Parameter: verstrichene Zeit seit Beginn der aktuellen Fahrt, Fahrzeuggeschwindigkeit, Fahrereinstellungen der Nebenaggregate, Anzahl der Insassen, Innenraumtemperatur.
- Die Fahrereinstellungen der Nebenaggregate können beispielhaft eine Zielinnenraumtemperatur des HVAC-Systems, Einstellungen einer Sitzheizung oder Sitzkühlung, Einstellungen der Betriebsart des HVAC-Systems oder Einstellungen einer Scheibenheizung umfassen.
- Zu den Einstellungen der Betriebsart des HVAC-Systems zählen beispielhaft die Wahl eines Umluftbetriebes oder eines Außenluftbetriebes, sowie der Zustand (eingeschalteter oder ausgeschalteter Zustand, Intensitätsstufe) einzelner Lüfter.
- Die Umgebungsdaten (U) umfassen vorzugsweise einen oder mehrere der folgenden Parameter: Umgebungstemperatur, Luftfeuchtigkeit, Bestrahlungsstärke, Sichtverhältnisse, Niederschlagsintensität.
- In bevorzugten Ausführungen des Verfahrens ist der erste Klassifizierungsparameter gleich dem zweiten Klassifizierungsparameter, in besonders bevorzugten Ausführungen handelt es sich bei dem ersten und zweiten Klassifizierungsparameter um die Umgebungstemperatur TEnv. Die Umgebungstemperatur TEnv ist einer der größten Einflussfaktoren auf den Leistungsbedarf der Nebenaggregate und daher als Klassifizierungsparameter besonders geeignet.
- Alternativ werden für den ersten und zweiten Klassifizierungsparameter unterschiedliche Größen verwendet. Generell kommt eine Vielzahl von Parametern der Umgebungsdaten oder Fahrzeugbetriebsdaten für den ersten und zweiten Klassifizierungsparameter in Frage. Weiterhin ist es möglich, dass der erste oder zweite Klassifizierungsparameter mehrere physikalische Größen umfassen, bspw. die Umgebungstemperatur TEnv und die relative Luftfeuchtigkeit φ. Möglich ist es auch, dass der erste und zweite Klassifizierungsparameter aus einer Kombination mehrerer physikalischer Größen resultieren, bspw. aus dem Produkt der Umgebungstemperatur TEnv und einer weiteren Größe der Umgebungsdaten.
- Ein erfindungsgemäßes Steuergerät ist zum Ausführen des erfindungsgemäßen Verfahrens eingerichtet.
- Ein erfindungsgemäßes Computerprogrammprodukt umfasst Befehle, die bei der Ausführung des Programms durch ein Steuergerät dieses veranlassen, das erfindungsgemäße Verfahren auszuführen.
- Bevorzugte Ausführungsbeispiele werden anhand der folgenden Figuren näher erläutert. Dabei zeigt
-
1 schematisch ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens und -
2 schematisch das Prinzip des Trainingsmodus. -
1 zeigt schematisch ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens zur Vorhersage eines Leistungsbedarfs (PN,1) eines oder mehrerer Nebenaggregate eines Fahrzeugs. Im Ausführungsbeispiel umfassen die Nebenaggregate die Bestandteile eines Heizungs-, Lüftungs- und Klimatisierungssystems (HVAC-System). - Das Verfahren umfasst den Schritt des Erfassens von Fahrzeugbetriebsdaten (B) 20 und Umgebungsdaten (U) 10. In dieser Ausführungsform umfassen die Umgebungsdaten (U) 10 beispielhaft eine Umgebungstemperatur TEnv, eine Bestrahlungsstärke der Sonne qSun und eine relative Luftfeuchtigkeit φrel. Die Fahrzeugbetriebsdaten (B) 20 umfassen beispielhaft eine Zielinnenraumtemperatur TTgt und ein Parameter bSH zur Beschreibung der Einstellung einer Sitzheizung.
- Eine Mehrzahl von Vorhersagemodellen 50 für den Leistungsbedarf (PN,1) der Nebenaggregate wird bereitgestellt. Im Ausführungsbeispiel sind dies vier Vorhersagemodelle 50 (Ma, Mb, Mc, Md). Die Vorhersagemodelle 50 sind über Wertebereiche (KM,1) eines ersten Klassifizierungsparameters klassifiziert, wobei ein aktueller Wert (KA,1) des ersten Klassifizierungsparameters Bestandteil der erfassten Fahrzeugbetriebsdaten (B) 20 oder Umgebungsdaten (U) 10 ist und wobei die Fahrzeugbetriebsdaten (B) 20, die Umgebungsdaten (U) 10 sowie eine vorhergesagte Geschwindigkeit (v̂) als Eingangsdaten der Vorhersagemodelle 50 dienen. Im Ausführungsbeispiel handelt es sich bei dem ersten Klassifizierungsparameter um die Umgebungstemperatur TEnv. Die Wertebereiche (KM,1) des ersten Klassifizierungsparameters betragen:
- Die Vorhersage der Fahrzeuggeschwindigkeit v̂ in Schritt 30 erfolgt beispielhaft auf Basis einer in einem Navigationssystem des Fahrzeugs eingestellten Strecke sowie auf Basis von Informationen zu Geschwindigkeitsbegrenzungen, Verkehrszeichen, Lichtsignalanlagen, Verkehrsaufkommen, Umgebungsbedingungen, Geschwindigkeit anderer Fahrzeuge, Streckentopologie und Fahrverhalten des Fahrzeugführers.
- In einem Schritt 40 erfolgt ein Auswählen des Vorhersagemodells 51, dessen Wertebereich (KM,1) des ersten Klassifizierungsparameters den aktuellen Wert (KA,1) des ersten Klassifizierungsparameters beinhaltet. Bezogen auf das Ausführungsbeispiel wird also die aktuelle Umgebungstemperatur TEnv, die beispielhaft 17°C beträgt, mit den Wertebereichen der vier Vorhersagemodelle 50 verglichen und das passende Modell 51 ausgewählt, in diesem Fall Modell Mc.
- Als weiterer Schritt im Verfahren erfolgt ein Vorhersagen des Leistungsbedarfs (PN,1) der Nebenaggregate für eine vorausliegende Fahrstrecke oder für einen zukünftigen Zeitraum mittels des ausgewählten Vorhersagemodells 51.
- Das Verfahren kann kontinuierlich oder in diskreten Zeitabständen erfolgen, um ein akkurates Vorhersagen des Leistungsbedarfs (PN,1) der Nebenaggregate zu ermöglichen.
-
2 zeigt schematisch das Prinzip des Trainingsmodus des erfindungsgemäßen Verfahrens. - Der Einsatz des Trainingsmodus erfolgt im Ausführungsbeispiel am Ende jeder Fahrt oder einmal pro Stunde, abhängig davon, welche Bedingung zuerst eintritt.
- Im Trainingsmodus erfolgt in einem Schritt das Bestimmen des tatsächlichen Leistungsbedarfs (PN,0) von Nebenaggregaten des Fahrzeugs. Im Ausführungsbeispiel wird der tatsächliche Leistungsbedarf (PN,0) der Nebenaggregate aus der Differenz einer Leistung (PB) 80 einer Batterie des Fahrzeugs und eines Leistungsbedarfs (PD) 90 eines Antriebsstrangs des Fahrzeugs bestimmt.
- Auch im Trainingsmodus werden die Fahrzeugbetriebsdaten (B) 20 und die Umgebungsdaten (U) 10 erfasst. Diese umfassen einen tatsächlichen Wert (KA,2) eines zweiten Klassifizierungsparameters. Im Ausführungsbeispiel handelt es sich beim zweiten Klassifizierungsparameter um die Umgebungstemperatur TEnv. Entsprechend ist der zweite Klassifizierungsparameter im Ausführungsbeispiel gleich dem ersten Klassifizierungsparameter. Die Wertebereiche (KM,2) des zweiten Klassifizierungsparameters betragen, analog zum ersten Klassifizierungsparameter:
- In alternativen Ausführungen können sich die Wertebereiche (KM,2) des zweiten Klassifizierungsparameters von den Wertebereichen (KM,1) des ersten Klassifizierungsparameters unterscheiden, auch wenn für den ersten und zweiten Klassifizierungsparameter die gleiche physikalische Größe verwendet wird.
- In weiteren alternativen Ausführungen des Verfahrens werden für den ersten und zweiten Klassifizierungsparameter unterschiedliche Größen herangezogen, bspw. die Umgebungstemperatur TEnv als erster Klassifizierungsparameter und die relative Luftfeuchtigkeit φrel als zweiter Klassifizierungsparameter.
- In einem weiteren Schritt des Trainingsmodus erfolgt ein Auswählen des Vorhersagemodells 51 aus der Mehrzahl von Vorhersagemodellen 50, dessen Wertebereich (KM,2) des zweiten Klassifizierungsparameters mit dem tatsächlichen Wert (KA,2) des zweiten Klassifizierungsparameters übereinstimmt, als zu trainierendes Vorhersagemodell 51.
- Mittels des tatsächlichen Leistungsbedarfs (PN,0), der Fahrzeugbetriebsdaten (B) 20, der Umgebungsdaten (U) 10 und der tatsächlichen Fahrzeuggeschwindigkeit (v) 60 erfolgt das Trainieren des ausgewählten Vorhersagemodells 51.
- Dafür werden im Ausführungsbeispiel die zeitlichen Verläufe des tatsächlichen Leistungsbedarfs (PN,0), der Fahrzeugbetriebsdaten (B) 20, der Umgebungsdaten (U) 10 und der tatsächlichen Fahrzeuggeschwindigkeit (v) 60 während des Betriebs des Fahrzeugs ermittelt und zwischengespeichert. Das Trainieren erfolgt beispielhaft, indem die zeitlichen Verläufe in diskrete Zeitpunkte überführt werden und diese dem - für den jeweiligen Zeitpunkt passenden - Vorhersagemodell als Eingangsdaten zugeführt werden. Darauf basierend wird das Vorhersagemodell, in welchem der Leistungsbedarf die abhängige Variable darstellt und die übrigen Größen die unabhängigen Variablen darstellen, erstellt (bei einem ersten Trainieren der Vorhersagemodelle) bzw. optimiert.
- ZITATE ENTHALTEN IN DER BESCHREIBUNG
- Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
- Zitierte Patentliteratur
-
- EP 2600106 A1 [0002]
Claims (10)
- Verfahren zur Vorhersage eines Leistungsbedarfs (PN,1) eines oder mehrerer Nebenaggregate eines Fahrzeugs, umfassend die Schritte: - Erfassen von Fahrzeugbetriebsdaten (B) und Umgebungsdaten (U); - Bereitstellen einer Mehrzahl von Vorhersagemodellen für den Leistungsbedarf (PN,1) der Nebenaggregate, wobei die Vorhersagemodelle über Wertebereiche (KM,1) eines ersten Klassifizierungsparameters klassifiziert sind, wobei ein aktueller Wert (KA,1) des ersten Klassifizierungsparameters Bestandteil der erfassten Fahrzeugbetriebsdaten (B) oder Umgebungsdaten (U) ist und wobei die Fahrzeugbetriebsdaten (B), die Umgebungsdaten (U) sowie eine vorhergesagte Geschwindigkeit (v̂) als Eingangsdaten der Vorhersagemodelle dienen; - Auswählen des Vorhersagemodells, dessen Wertebereich (KM,1) des ersten Klassifizierungsparameters den aktuellen Wert (KA,1) des ersten Klassifizierungsparameters beinhaltet; - Vorhersagen des Leistungsbedarfs (PN,1) der Nebenaggregate für eine vorausliegende Fahrstrecke oder für einen zukünftigen Zeitraum mittels des ausgewählten Vorhersagemodells.
- Verfahren nach
Anspruch 1 , wobei es sich bei den Vorhersagemodellen um Regressionsmodelle handelt, für die in einem Trainingsmodus folgende Schritte durchgeführt werden: - Bestimmen des tatsächlichen Leistungsbedarfs (PN,0) von Nebenaggregaten des Fahrzeugs; - Erfassen von Fahrzeugbetriebsdaten (B) und Umgebungsdaten (U), umfassend einen tatsächlichen Wert (KA,2) eines zweiten Klassifizierungsparameters; - Auswählen des Vorhersagemodells, dessen Wertebereich (KM,2) des zweiten Klassifizierungsparameters mit dem tatsächlichen Wert (KA,2) des zweiten Klassifizierungsparameters übereinstimmt, als zu trainierendes Vorhersagemodell; - Trainieren des ausgewählten Vorhersagemodells mittels des tatsächlichen Leistungsbedarfs (PN,0), der Fahrzeugbetriebsdaten (B), der Umgebungsdaten (U) und der tatsächlichen Fahrzeuggeschwindigkeit (v). - Verfahren nach
Anspruch 2 , wobei der tatsächliche Leistungsbedarf (PN,0) der Nebenaggregate aus der Differenz einer Leistung (PB) einer Batterie des Fahrzeugs und eines Leistungsbedarfs (PD) eines Antriebsstrangs des Fahrzeugs bestimmt wird. - Verfahren nach einem der vorherigen Ansprüche, wobei die Nebenaggregate eines oder mehrere der folgenden Systeme umfassen: ein Heizungs-, Lüftungs- und Klimatisierungssystem (HVAC-System), eine Fahrzeugbeleuchtung, eine Einrichtung zur Lenkkraftunterstützung, eine Vakuumpumpe, ein Scheibenwischermotor, eine Sensorik, ein Bordcomputer, ein Multimediasystem.
- Verfahren nach einem der vorherigen Ansprüche, wobei die Fahrzeugbetriebsdaten (B) einen oder mehrere der folgenden Parameter umfassen: verstrichene Zeit seit Beginn der aktuellen Fahrt, Fahrzeuggeschwindigkeit, Fahrereinstellungen der Nebenaggregate, Anzahl der Insassen, Innenraumtemperatur.
- Verfahren nach einem der vorherigen Ansprüche, wobei die Umgebungsdaten (U) einen oder mehrere der folgenden Parameter umfassen: Umgebungstemperatur, Luftfeuchtigkeit, Bestrahlungsstärke, Sichtverhältnisse, Niederschlagsintensität.
- Verfahren nach einem der vorherigen Ansprüche, wobei der erste Klassifizierungsparameter gleich dem zweiten Klassifizierungsparameter ist.
- Verfahren nach
Anspruch 7 , wobei der erste und zweite Klassifizierungsparameter die Umgebungstemperatur TEnv ist. - Steuergerät, eingerichtet zum Ausführen des Verfahrens nach einem der vorherigen Ansprüche.
- Computerprogrammprodukt umfassend Befehle, die bei der Ausführung des Programms durch ein Steuergerät dieses veranlassen, das Verfahren nach einem der
Ansprüche 1 bis8 auszuführen.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022124335.4A DE102022124335A1 (de) | 2022-09-22 | 2022-09-22 | Verfahren zur Vorhersage eines Leistungsbedarfs von Nebenaggregaten eines Fahrzeugs |
DE102022124335.4 | 2022-09-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102023122897A1 true DE102023122897A1 (de) | 2024-03-28 |
Family
ID=85570650
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022124335.4A Withdrawn DE102022124335A1 (de) | 2022-09-22 | 2022-09-22 | Verfahren zur Vorhersage eines Leistungsbedarfs von Nebenaggregaten eines Fahrzeugs |
DE102023122897.8A Pending DE102023122897A1 (de) | 2022-09-22 | 2023-08-25 | Verfahren zur Vorhersage eines Leistungsbedarfs von Nebenaggregaten eines Fahrzeugs |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022124335.4A Withdrawn DE102022124335A1 (de) | 2022-09-22 | 2022-09-22 | Verfahren zur Vorhersage eines Leistungsbedarfs von Nebenaggregaten eines Fahrzeugs |
Country Status (1)
Country | Link |
---|---|
DE (2) | DE102022124335A1 (de) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116653600A (zh) * | 2023-05-16 | 2023-08-29 | 名商科技有限公司 | 一种精准控制功率的车载电源管理方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2600106A1 (de) | 2010-07-30 | 2013-06-05 | Nissan Motor Co., Ltd | Vorrichtung zur berechnung des stromverbrauchs eines fahrzeugs, informationen bereitstellende vorrichtung und informationen bereitstellendes verfahren |
-
2022
- 2022-09-22 DE DE102022124335.4A patent/DE102022124335A1/de not_active Withdrawn
-
2023
- 2023-08-25 DE DE102023122897.8A patent/DE102023122897A1/de active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2600106A1 (de) | 2010-07-30 | 2013-06-05 | Nissan Motor Co., Ltd | Vorrichtung zur berechnung des stromverbrauchs eines fahrzeugs, informationen bereitstellende vorrichtung und informationen bereitstellendes verfahren |
Also Published As
Publication number | Publication date |
---|---|
DE102022124335A1 (de) | 2023-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102014219684B4 (de) | Energiesparendes, automatisches Klimaanlagen-Steuersystem und Verfahren | |
EP3333036B1 (de) | Verfahren zum ermitteln eines fahrzustandes eines hybridfahrzeuges für streckensegmente einer vorausliegenden fahrstrecke und hybridfahrzeug | |
DE102015204959B4 (de) | Ermittlung von Verbrauchswerten und Reichweite eines Kraftfahrzeugs | |
WO2019243276A1 (de) | Verfahren zum ermitteln einer richtgeschwindigkeit für ein elektrisch betriebenes fahrzeug | |
DE102023122897A1 (de) | Verfahren zur Vorhersage eines Leistungsbedarfs von Nebenaggregaten eines Fahrzeugs | |
DE102019002790A1 (de) | Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug | |
EP3114001B1 (de) | Verfahren und vorrichtung zur prognose einer reichweitenveränderung durch ein- oder ausschalten einer fahrzeugfunktion eines fahrzeugs | |
DE102017009461A1 (de) | Energiebedarfsermittlungseinrichtung zum Durchführen eines Einsatzplanungsverfahrens zur Bestimmung des zu erwartenden Energiebedarfs eines elektromotorisch angetriebenen Nutzfahrzeuges | |
DE102018211575A1 (de) | Verfahren zum Betrieb eines elektrischen Bordnetzes eines Kraftfahrzeugs und Kraftfahrzeug | |
DE102020119861A1 (de) | Verfahren und Assistenzeinrichtung zum iterativ optimierten Betreiben eines Kraftfahrzeugs und Kraftfahrzeug | |
DE102015226229A1 (de) | Verfahren und Vorrichtung zur Reichweitenberechnung für ein Fahrzeug | |
DE102012023575B3 (de) | Verfahren zur fahrerspezifischen Anpassung eines synthetisch modulierten Geschwindigkeitsprofils entlang einer mit einem Fahrzeug gefahrenen Strecke sowie Steuergerät zur Durchführung des Verfahrens | |
WO2020216481A1 (de) | Verfahren zum bereitstellen einer fahrtroute für ein kraftfahrzeug mit mindestens einem fahrerassistenzsystem und kraftfahrzeug | |
EP4126621A1 (de) | Verfahren und vorrichtung zur erhöhung der anteile des automatisierten fahrens bei einem mindestens teilautomatisiert fahrenden fahrzeug | |
DE102020001182A1 (de) | Reichweitenprognose | |
DE112017002942T5 (de) | Verfahren und System zur Bewertung der Betriebsleistung von einem Fahrzeug zugeordneten Fahrerassistenzsystemen | |
DE102021001629A1 (de) | Verfahren zur Steuerung der longitudinalen Fahrgeschwindigkeit eines Fahrzeugs in einer Verkehrsumgebung | |
DE102018202498A1 (de) | Verfahren und Steuergerät zum Betreiben eines Antriebsstrangs | |
DE102019002739A1 (de) | Verfahren und Vorrichtung zum verbrauchsoptimierten Betrieb eines Fahrzeuges sowie Fahrzeug | |
DE102021207781A1 (de) | Verfahren, Steuereinrichtung und System zum Adaptieren einer assistierten oder automatisierten Fahrfunktion eines Fahrzeugs | |
EP4042107A1 (de) | Verfahren zur prädiktion eines geschwindigkeitsprofils eines fahrzeugs | |
DE102012202284A1 (de) | Vorausschauendes Energiemanagement | |
DE102014222140A1 (de) | Verfahren zum Bewerten des momentanen Kraftstoffverbrauchs eines Kraftfahrzeugs | |
DE102019106770A1 (de) | Verfahren und System zur On-Board-Diagnose in einem Fahrzeug | |
DE102019002609A1 (de) | Verfahren zur Steuerung eines Fahrzeugsystems eines Fahrzeugs einer Fahrzeugflotte, sowie Flottenverwaltungssystem |