WO2022233524A1 - Wärmemanagementsystem für ein elektrifiziertes kraftfahrzeug - Google Patents

Wärmemanagementsystem für ein elektrifiziertes kraftfahrzeug Download PDF

Info

Publication number
WO2022233524A1
WO2022233524A1 PCT/EP2022/059054 EP2022059054W WO2022233524A1 WO 2022233524 A1 WO2022233524 A1 WO 2022233524A1 EP 2022059054 W EP2022059054 W EP 2022059054W WO 2022233524 A1 WO2022233524 A1 WO 2022233524A1
Authority
WO
WIPO (PCT)
Prior art keywords
heating
predicted
heat management
cooling effect
component
Prior art date
Application number
PCT/EP2022/059054
Other languages
English (en)
French (fr)
Inventor
Andreas BILLERT
Esther Alberts
Simone Fuchs
Original Assignee
Bayerische Motoren Werke Aktiengesellschaft
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bayerische Motoren Werke Aktiengesellschaft filed Critical Bayerische Motoren Werke Aktiengesellschaft
Priority to KR1020237026877A priority Critical patent/KR20230147606A/ko
Priority to JP2023562517A priority patent/JP2024519517A/ja
Priority to CN202280047987.5A priority patent/CN117897302A/zh
Priority to US18/283,137 priority patent/US20240166087A1/en
Publication of WO2022233524A1 publication Critical patent/WO2022233524A1/de

Links

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
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/24—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries
    • B60L58/26—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries by cooling
    • 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
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/24—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries
    • B60L58/27—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries by heating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
    • B60K1/00—Arrangement or mounting of electrical propulsion units
    • B60K2001/003—Arrangement or mounting of electrical propulsion units with means for cooling the electrical propulsion units
    • B60K2001/006—Arrangement or mounting of electrical propulsion units with means for cooling the electrical propulsion units the electric motors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
    • B60K1/00—Arrangement or mounting of electrical propulsion units
    • B60K2001/008—Arrangement or mounting of electrical propulsion units with means for heating the electrical propulsion units
    • 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
    • B60L2240/40—Drive Train control parameters
    • B60L2240/42—Drive Train control parameters related to electric machines
    • B60L2240/425—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
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/545—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
    • B60L2240/62—Vehicle position
    • 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
    • B60L2240/62—Vehicle position
    • B60L2240/622—Vehicle position by satellite navigation
    • 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
    • B60L2240/64—Road conditions
    • B60L2240/642—Slope of road
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/68—Traffic data
    • 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
    • B60L2250/00—Driver interactions
    • B60L2250/12—Driver interactions by confirmation, e.g. of the input
    • 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
    • B60L2260/46—Control modes by self learning
    • 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
    • B60L2260/56—Temperature prediction, e.g. for pre-cooling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/91—Electric vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/64—Electric machine technologies in electromobility
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Definitions

  • the invention relates to a thermal management system for an electrified motor vehicle, which in particular has a high-voltage storage device and various other components relevant to thermal management.
  • Heat management systems are already partially known, for example in the form of heating and/or air conditioning systems for interior and/or high-voltage storage temperature control (for heating and/or cooling), in particular for electrified motor vehicles.
  • Heat management for the interior and a high-voltage battery of an electrified vehicle is known, for example, from DE 102014226514 A1.
  • such a vehicle To drive an electric or hybrid vehicle, such a vehicle includes a drive train with an energy storage device for supplying energy.
  • This is typically a suitably dimensioned high-voltage battery, which is also referred to below as a high-voltage battery.
  • This usually heats up during charging or discharging processes, with excessive heating leading to the risk of a permanent degradation in performance or a reduction in the service life of the high-voltage battery. For this reason, it is usually cooled accordingly during operation and, for this purpose, is often connected to an air conditioning circuit of the vehicle, which is also used for interior air conditioning.
  • This air-conditioning circuit has a specific performance, ie a specific maximum cooling potential that can be used to cool the interior and the high-voltage battery.
  • a device for air-conditioning a passenger compartment and an energy storage unit for exchanging a cooling medium are required according to the prior art for example, thermally coupled to each other.
  • thermal energy, in particular waste heat, from the energy store is absorbed and delivered to the device for air conditioning the passenger compartment. This occurs as long as an actual temperature of the passenger compartment is within a predetermined temperature range. In this way, the energy store is cooled without having to activate the air conditioning device. The dissipated heat is released into the passenger compartment, but only as long as its temperature is within the specified temperature range.
  • an electric or hybrid vehicle has an interior and a high-voltage battery, both of which can be air-conditioned using an air-conditioning system in the vehicle, with the air-conditioning system having a specific cooling potential.
  • the high-voltage battery has a current HVS temperature and the interior has a current interior temperature. in one In the preconditioning mode, the high-voltage battery is supercooled by the air conditioning system to an HVS temperature below an HVS operating temperature for preconditioning the high-voltage battery.
  • the high-voltage battery is cooled by the air conditioning system even though there is currently no cooling requirement for the high-voltage battery and the current HVS temperature assumes a value below the HVS operating temperature.
  • the high-voltage storage device is thus advantageously supercooled below its HVS operating temperature.
  • a cold buffer is then generated in an advantageous manner, which postpones the time of a possible cooling request at the high-voltage battery. Due to the cold buffer, the high-voltage battery can be heated without performance degradation due to excessive heating, without having to use the air conditioning system to cool the high-voltage battery. This is then available exclusively for cooling the interior with full cooling potential. In this way, the high-voltage battery also forms a cold reservoir for its own air conditioning.
  • the preconditioning of the high-voltage battery takes place, in particular, with foresight in those phases in which there would normally be no or only little cooling of the high-voltage battery.
  • the HVS temperature is regulated to the HVS operating temperature, which is within a suitable HVS operating temperature range, in order to avoid performance degradation or damage.
  • WO 2019/238389 A1 discloses a prediction of the desire for preconditioning based on usage data, such as the weather and the expected length of stay.
  • usage data such as the weather and the expected length of stay.
  • the vehicle user receives a message and has to confirm the recommended preconditioning.
  • US 2019/0390867 A1 forms the state of the art, which uses the method of so-called "reinforcement learning" in connection with thermal management for air conditioning systems in order to fundamentally improve the quality of temperature control.
  • a heat management system is described as an air conditioning system for an electrified motor vehicle, which has an interior and a high-voltage battery, comprising an air conditioning system and an electronic control unit, the air conditioning system being designed both for air conditioning the interior and the high-voltage battery and wherein the controller includes a preconditioning module for performing a preconditioning mode during pre-trip charging of the parked vehicle.
  • the preconditioning module is designed in such a way that at least the length of the route and the outside temperature can be predicted over the length of the route and that, depending on this forecast, the high-voltage storage device can be used either as a heat storage device or as a cold storage device.
  • Essential to the invention is a thermal management system for an electrified motor vehicle with various defined components relevant to thermal management, in particular with a high-voltage storage device and with an electric machine, with at least one thermal module that can be controlled by a control module for each defined component, with a navigation system and with at least one electronic control unit comprising the control module and a prediction module such that by appropriate design of the prediction module while driving
  • a route section-related historical temperature profile for each component is detected by sensors
  • At least one section-related predicted heating or cooling effect course is determined and
  • a predicted temperature profile is determined for each component on the basis of the historical heating or cooling effect profile, the historical temperature profile and the predicted heating or cooling effect profile.
  • the invention is based on the following considerations:
  • the invention preferably uses what is known as “Reinforcement Learning”, which is basically known as a method of machine learning. This is intended to regulate by means of a prediction when the high-voltage battery and other heat management-relevant hardware components of a vehicle on-board energy system (have to) be cooled or heated.
  • Heat flows and the resulting component and interior temperatures are heavily dependent on the use of the vehicle, which includes the (individual) driving profile and external influences, e.g. due to the road profile or weather conditions.
  • the components and passengers have different requirements for their optimal operating temperatures and different thermal masses (or time constants).
  • the efficiency of heat transfer between these components and the coefficient of performance of heatsinks and sources also depend on various internal and external influences.
  • an optimized thermal management of the hardware components of the onboard energy system and the interior must follow complex interdependencies including external influences, which are not or at least not fully taken into account by current operating strategies. These interdependencies can preferably be considered with the help of a reinforcement learning approach in order to find optimal thermal management strategies for the driving profile and the external influences on a vehicle.
  • Some of the components relevant to thermal management can be the high-voltage storage device, the electric motor, the vehicle passenger compartment and other heating and cooling elements. In current thermal management systems, these heating and cooling components can be electric heaters, pumps, electric refrigerant compressors, intake air dampers, and cooling fans.
  • thermal management strategies The multitude of resulting combinations and situations that need to be addressed by thermal management strategies leads to an increasing demand for intelligent algorithms that can identify an optimal strategy for each situation.
  • current implementations use oversimplified functions and are therefore unable to accurately model the interdependencies and respond appropriately and flexibly.
  • the set of possible combinations and triggers is limited and therefore cannot address the variety of requirements and situations.
  • the basic idea according to the invention is to model the problem in order to predict when hardware components of the on-board power system should be actively cooled or heated as a reinforcement learning problem.
  • Requirements, as described in the technical problem section, can be modeled by individual rewards, e.g. with negative rewards for temperatures to avoid and (higher) positive rewards for optimal temperatures. This indicates, for example, that high-voltage batteries have an increased internal resistance, i.e. lower power availability, at low temperatures and increased aging at high temperatures. In addition to meeting component requirements, total energy consumption must be minimized and heat transfer efficiency must be considered.
  • Thermal management strategies can include actions such as activating and controlling components of the thermal management system that result in cooling or heating of the system or parts thereof. Actions of an intelligent algorithm (e.g. with reinforcement learning) can trigger a combination of these components depending on the situation. Such a situation is defined by various environmental parameters or conditions, which can include information about the components, the cabin, navigation data and weather information.
  • the environment is modeled with multiple on-board signals.
  • an "agent” learns to take action according to a policy.
  • the reward is influenced by several factors.
  • the invention proposes to train a network (DQN; Neural Network) that outputs actions based on states (by estimating q-values for state, pairs of actions).
  • DQN Neural Network
  • FIG. 1 shows a greatly simplified block diagram representation of the thermal management system according to the invention
  • FIG. 2 shows an exemplary embodiment of a predicted temperature profile for a high-voltage battery based on a historical heating or cooling effect profile (from NAV_hist and NAV_pred), the historical temperature profile and the predicted heating or cooling effect profile for the high-voltage battery,
  • Fig. 4 shows a schematic overview of the scheme of
  • Fig. 5 signals, actions and “rewards" in the case of the invention
  • FIG. 7 Effects according to the prior art for comparison with thermal module thermal control sequences shown in FIG. 7 and their effects according to the invention and FIG. 8 a possible processing sequence of the navigation data relevant to thermal management.
  • a thermal management system according to the invention is shown schematically as a block diagram.
  • the heat management system is provided for a plurality of defined different heat management-relevant components K1, K2, etc.—here, for example, a Flochvolt touched FIV and an electric machine EM. It has two heating and/or cooling thermal modules TM_HV and TM_EM that can be controlled by a control module (referred to here as an “agent” from “Reinforcing Learning”) for each defined component HV and EM. Furthermore, the thermal management includes a navigation system NAV and an electronic control unit SE, which contains the control module “agent” and a prediction module PM.
  • the prediction module PM is designed in particular by appropriate programming (computer program product) (see also Fig. 2 and Fig. 3) such that while driving
  • At least one route section-related historical heating or cooling effect course (1) is determined , - for the same specified period of time (history) using sensors (“state sensors”), a route section-related historical temperature profile (2) is recorded for each component HV and EM,
  • a predicted temperature profile (4) is determined.
  • a “thermo module” is a controllable module (e.g. “heat exchanger”) that can be used to cool or heat the associated component.
  • “Route sections” are defined route segments that can be foreseen by the navigation system NAV, as denoted by S1 to S4 in FIG. 3, for example. “Related to route sections” means related to such segments S1 to S4.
  • the prediction module PM can contain a partial prediction module P_FIV and P_EM or a partial component for a multivariate prediction for each component FIV and EM.
  • the predicted self-heating of the components FIV and EM is also taken into account when determining the predicted heating or cooling action curves (3).
  • heating or cooling effects is understood to mean in particular the influence of the route attributes on temperature.
  • the route attributes act like a virtual additional component-independent thermal module, so to speak.
  • the predicted temperature curve (4) is preferably determined in the form of a probability distribution W (over time).
  • Neuronal networks and “reinforcing learning” are preferably used as mathematical function modules.
  • the stored heating and/or cooling thresholds Thvs_s and Tem_s for controlling the thermal modules TMJHV and TM_EM of the components HV and EM can be changed proportionally to the predicted temperature curves (4) by designing the control module “Agent” appropriately.
  • Fig. 3 is a route example with exemplary route attributes for the necessary adjustments to the cooling hysteresis or the Temperature thresholds for the thermal modules of the components while driving based on the predicted temperature curves (4):
  • route attributes or heat management-relevant data or features M1, M2, M3 and M4 are assigned to the route sections S1 to S4, e.g. e.g.:
  • M3 High-speed route (e.g. motorway): High level of self-heating
  • route attributes P1 and P2 can be taken into account, e.g.: P1: end of journey or break: low self-heating P2: charging process: high self-heating
  • Different forecast horizons H1 e.g. for the electric motor EM
  • H2 for the high-voltage battery HV
  • Changes A1, A2 and A3 of the cooling hysteresis are made by the control module (or KL module, "agent” or controller) based on the respective prediction horizon.
  • An analysis of previously defined vehicle usage data can be carried out without entering the route destination in a navigation system.
  • previously defined and stored vehicle usage data can be analyzed to predict a minimum expected driving route.
  • FIGS. 4 and 5 outline the application of the reinforcement learning method to the basic idea of the invention.
  • Fig. 4 shows a rough overview of the principle of "reinforcing learning”.
  • FIG. 5 A detailed example of possible signals, actions and “rewards” when applying the “reinforcement learning” scheme according to the invention is shown in FIG. 5:
  • HVS High Voltage Storage
  • a “reward function” is, for example, the current and predicted consideration of individual efficiencies and total energy consumption.
  • the so-called “action” in the present application is the activation of the thermal modules TM_HV and TN_EM of the components K1 and K2 for heating or cooling by specifying a newly learned temperature threshold (e.g. T hvs_s, Tem_s in Fig. 1).
  • Figures 6 and 7 provide an overview of the difference between thermal module control processes and their effects according to the prior art (Fig. 6) and thermal module control processes and their effects according to the invention, preferably using "reinforcement learning”. RL) (Fig. 7) outlined.
  • Fig. 8 a possible processing sequence of the heat management relevant navigation data "State NAV" (see also Fig. 1) is shown as the basis for determining the historical and predicted heating or cooling effect curves (1) and (3) (see also Fig. 2). .

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Hybrid Electric Vehicles (AREA)
  • Navigation (AREA)

Abstract

Erfindungswesentlich ist ein Wärmemanagementsystem für ein elektrifiziertes Kraftfahrzeug mit verschiedenen definierten wärmemanagementrelevanten Komponenten, insbesondere mit einem Hochvoltspeicher und mit einer Elektromaschine, mit mindestens einem durch ein Steuermodul steuerbaren Thermomodul pro definierter Komponente, mit einem Navigationssystem und mit mindestens einer elektronischen Steuereinheit umfassend das Steuermodul und ein Prädiktionsmodul dergestalt, dass durch entsprechende Ausgestaltung des Prädiktionsmoduls während der Fahrt - auf Basis einer Mehrzahl von für eine vorgegebene Zeitdauer erfassten wärmemanagementrelevanten Daten des Navigationssystems mindestens ein streckenabschnittsbezogener historischer Heiz- oder Kühlwirkungsverlauf bestimmt wird, - für dieselbe vorgegebene Zeitdauer sensorisch ein streckenabschnittsbezogener historischer Temperaturverlauf für jede Komponente erfasst wird, - auf Basis der für mindestens einen vorgegebenen Horizont vorausschaubaren wärmemanagementrelevanten Daten des Navigationssystems mindestens ein streckenabschnittsbezogener prädizierter Heiz- oder Kühlwirkungsverlauf bestimmt wird und auf Basis des historischen Heiz- oder Kühlwirkungsverlaufs, des historischen Temperaturverlaufs und des prädizierter Heiz- oder Kühlwirkungsverlaufs für jede Komponente ein prädizierter Temperaturverlauf ermittelt wird.

Description

Wärmemanagementsystem für ein elektrifiziertes Kraftfahrzeug
Die Erfindung betrifft ein Wärmemanagementsystem für ein elektrifiziertes Kraftfahrzeug, das insbesondere einen Hochvoltspeicher und verschiedene weitere wärmemanagementrelevante Komponenten aufweist.
Wärmemanagementsysteme sind beispielsweise in Form von Heiz- und/oder Klimaanlagen zur Innenraum- und/oder Hochvoltspeicher-Temperierung (zum Heizen und/oder Kühlen) insbesondere für elektrifizierte Kraftfahrzeuge schon teilweise bekannt. Ein Wärmemanagement für den Innenraum und einen Hochvoltspeicher eines elektrifizierten Fahrzeugs ist beispielsweise aus der DE 102014226514 A1 bekannt.
Zum Antrieb eines Elektro- oder Hybridfahrzeugs umfasst ein solches einen Antriebsstrang mit einem Energiespeicher zur Energieversorgung. Dieser ist typischerweise eine entsprechend geeignet dimensionierte Hochvoltbatterie, welche im Folgenden auch als Hochvoltspeicher bezeichnet wird. Üblicherweise erwärmt sich dieser bei Lade- oder Entladevorgängen, wobei bei einer zu starken Erwärmung die Gefahr einer insbesondere permanenten Leistungsdegradation oder einer Reduktion der Lebensdauer des Hochvoltspeichers besteht. Daher wird dieser üblicherweise im Betrieb entsprechend gekühlt und hierzu häufig an einen Klimakreislauf des Fahrzeugs angeschlossen, welcher auch zur Innenraumklimatisierung verwendet wird. Dieser Klimakreislauf weist eine bestimmte Leistung, das heißt ein bestimmtes maximales Kühlpotential auf, das zur Kühlung des Innenraums sowie des Hochvoltspeichers herangezogen werden kann. Je nach Kühlbedarf der beiden Komponenten kommt es dabei möglicherweise zu einem Konflikt derart, dass das Kühlpotential nicht ausreicht, um den jeweiligen Kühlbedarf am Hochvoltspeicher und im Innenraum zu bedienen. Je nach Priorisierung der Verteilung des Kühlpotentials ist in diesem Fall entweder mit einer erhöhten thermischen Belastung des Hochvoltspeichers oder mit einer Komforteinbuße im Innenraum zu rechnen.
Um bei einem Elektro- oder Hybridfahrzeug den Energieverbrauch bei einer Klimatisierung des Innenraums zu reduzieren und eine erhöhte Reichweite des Fahrzeugs durch eine reduzierte Energieentnahme aus dem Hochvoltspeicherzu erhalten, werden nach dem Stand der Technik eine Einrichtung zur Klimatisierung eines Fahrgastraumes und ein Energiespeicher zum Austausch eines Kühlmediums beispielsweise thermisch miteinander gekoppelt. Dadurch ist es möglich, in bestimmten Situationen zunächst Wärme zwischen diesen beiden Komponenten auszutauschen, anstatt die Einrichtung zur Klimatisierung zu aktivieren. Beispielsweise wird thermische Energie, insbesondere Abwärme, des Energiespeichers aufgenommen und an die Einrichtung zur Klimatisierung des Fahrgastraums abgegeben. Dies geschieht so lange, wie eine tatsächliche Temperatur des Fahrgastraums innerhalb eines vorgegebenen Temperaturbereichs liegt. Auf diese Weise erfolgt eine Kühlung des Energiespeichers ohne die Einrichtung zur Klimatisierung aktivieren zu müssen. Die abgeführte Wärme wird in den Fahrgastraum abgegeben, jedoch nur so lange, wie dessen Temperatur in dem vorgegebenen Temperaturbereich liegt.
Bei dem oben genannten Stand der Technik weist ein Elektro- oder Hybridfahrzeug einen Innenraum sowie einen Hochvoltspeicher auf, welche beide mittels einer Klimaanlage des Fahrzeugs klimatisierbar sind, wobei die Klimaanlage ein bestimmtes Kühlpotential aufweist. Dabei weist der Hochvoltspeicher (HVS) eine aktuelle HVS-Temperatur auf und der Innenraum eine aktuelle Innenraum-Temperatur. In einem Vorkonditionierungsmodus wird der Hochvoltspeicher mittels der Klimaanlage auf eine HVS-Temperatur unter einer HVS-Betriebstemperatur unterkühlt, zur Vorkonditionierung des Hochvoltspeichers.
Dadurch wird der Hochvoltspeicher mittels der Klimaanlage gekühlt, obwohl gerade keine Kühlanforderung bezüglich des Hochvoltspeichers vorliegt und die aktuelle HVS-Temperatur nimmt einen Wert unterhalb der HVS- Betriebstemperatur an. Es erfolgt somit vorteilhaft eine Unterkühlung des Hochvoltspeichers unterhalb von dessen HVS-Betriebstemperatur. Durch diese sogenannte Vorkonditionierung wird dann auf vorteilhafte Weise ein Kältepuffer erzeugt, welcher den Zeitpunkt einer eventuellen Kühlanforderung am Hochvoltspeicher zeitlich hinausschiebt. Aufgrund des Kältepuffers ist eine Erwärmung des Hochvoltspeichers ohne Leistungsdegradation durch zu starke Erwärmung möglich, ohne die Klimaanlage zur Kühlung des Hochvoltspeichers heranziehen zu müssen. Diese steht dann insbesondere ausschließlich zur Kühlung des Innenraums mit vollem Kühlpotential zur Verfügung. Auf diese Weise bildet der Hochvoltspeicher auch ein Kältereservoir bezüglich dessen eigener Klimatisierung. Die Vorkonditionierung des Hochvoltspeichers erfolgt insbesondere vorausschauend bereits in solchen Phasen, in denen üblicherweise keine oder lediglich eine geringe Kühlung des Hochvoltspeichers erfolgen würde.
Außerhalb des Vorkonditionierungsmodus erfolgt insbesondere eine Regelung der HVS-Temperatur auf die HVS-Betriebstemperatur, welche innerhalb eines geeigneten HVS-Betriebstemperaturbereichs liegt, um eine Leistungsdegradation oder Beschädigung zu vermeiden.
In der DE 102014226514 A1 findet also zusammengefasst eine Vorkonditionierung des Hochvoltspeichers mit Berücksichtigung des Hochvoltspeichers als Kältepuffer zur Entlastung des Energiebedarfs der Klimaanlage für den Innenraum während der Fahrt statt. Dabei wird bereits die Möglichkeit berücksichtigt, zukünftige Temperaturen von Innenraum und Hochvoltspeicher auf Basis von Navigationsdaten bei der Unterkühlung zu berücksichtigen.
Weiterhin ist aus der WO 2019/238389 A1 eine Prädiktion des Wunsches nach Vorkonditionierung auf Basis von Nutzungsdaten, wie Wetter und voraussichtlicher Aufenthaltsdauer, bekannt. Der Fahrzeugnutzer erhält eine Nachricht und muss die empfohlene Vorkonditionierung bestätigen.
Schließlich bildet die US 2019/0390867 A1 Stand der Technik, der die Methode des sogenannten „Reinforcement Learning“ in Verbindung mit einem Wärmemanagement für Klimaanlagen anwendet, um die Qualität einer Temperaturregelung grundsätzlich zu verbessern.
In der nicht vorveröffentlichten DE 102021 101 513 derr Anmelderin ist ein Wärmemanagementsystem als Klimasystem für ein elektrifiziertes Kraftfahrzeug beschrieben, das einen Innenraum sowie einen Hochvoltspeicher aufweist, umfassend eine Klimaanlage sowie eine elektronische Steuereinheit, wobei die Klimaanlage sowohl zur Klimatisierung des Innenraums als auch des Hochvoltspeichers ausgebildet ist und wobei die Steuereinheit ein Vorkonditionierungs-Modul zur Durchführung eines Vorkonditionierungsmodus während des Ladens des abgestellten Fahrzeuges vor Fahrtbeginn aufweist. Das Vorkonditionierungs-Modul ist derart ausgestaltet, dass zumindest die Länge der Fahrstrecke und die Außentemperatur über die Länge der Fahrstrecke prognostizierbar sind und dass abhängig von dieser Prognose der Hochvoltspeicher entweder als Wärmespeicher oder als Kältespeicher nutzbar ist.
Es ist Aufgabe der Erfindung, das Wärmemanagement für diverse energieverbrauchende Komponenten in einem elektrifizierten Kraftfahrzeug, einschließlich dem Hochvoltspeicher, hinsichtlich Effizienz und Optimierung während der Fahrt zu verbessern. Die Aufgabe wird erfindungsgemäß mit den Merkmalen der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausgestaltungen, Weiterbildungen und Varianten sind Gegenstand der Unteransprüche.
Erfindungswesentlich ist ein Wärmemanagementsystem für ein elektrifiziertes Kraftfahrzeug mit verschiedenen definierten wärmemanagementrelevanten Komponenten, insbesondere mit einem Hochvoltspeicher und mit einer Elektromaschine, mit mindestens einem durch ein Steuermodul steuerbaren Thermomodul pro definierter Komponente, mit einem Navigationssystem und mit mindestens einer elektronischen Steuereinheit umfassend das Steuermodul und ein Prädiktionsmodul dergestalt, dass durch entsprechende Ausgestaltung des Prädiktionsmoduls während der Fahrt
- auf Basis einer Mehrzahl von für eine vorgegebene Zeitdauer erfassten wärmemanagementrelevanten Daten des Navigationssystems mindestens ein streckenabschnittsbezogener historischer Heiz- oder Kühlwirkungsverlauf bestimmt wird,
- für dieselbe vorgegebene Zeitdauer sensorisch ein streckenabschnittsbezogener historischer Temperaturverlauf für jede Komponente erfasst wird,
- auf Basis der für mindestens einen vorgegebenen Horizont vorausschaubaren wärmemanagementrelevanten Daten des Navigationssystems mindestens ein streckenabschnittsbezogener prädizierter Heiz- oder Kühlwirkungsverlauf bestimmt wird und
- auf Basis des historischen Heiz- oder Kühlwirkungsverlaufs, des historischen Temperaturverlaufs und des prädizierten Heiz- oder Kühlwirkungsverlaufs für jede Komponente ein prädizierter Temperaturverlauf ermittelt wird.
Der Erfindung liegen folgende Überlegungen zugrunde: Die Erfindung verwendet vorzugsweise das sogenannte „Reinforcement Learning“ („Bestärkendes Lernen“), das grundsätzlich als eine Methode des maschinellen Lernens bekannt ist. Damit soll mittels Vorhersage geregelt werden, wann der Hochvoltspeicher und andere wärmemanagementrelevante Hardware-Komponenten eines Fahrzeug-On- Board-Energiesystems gekühlt oder erhitzt werden (müssen).
Wärmeströme und die daraus resultierenden Bauteil- und Innenraumtemperaturen sind stark von der Nutzung des Fahrzeugs abhängig, das das (individuelle) Fahrprofil sowie äußere Einflüsse z.B. aufgrund des Straßenprofils oder der Witterungsbedingungen umfasst. Darüber hinaus haben die Komponenten und Passagiere unterschiedliche Anforderungen an ihre optimalen Betriebstemperaturen sowie unterschiedliche thermische Massen (bzw. Zeitkonstanten). Die Effizienz der Wärmeübertragung zwischen diesen Komponenten und der Leistungskoeffizient von Kühlkörpern und Quellen hängen ebenfalls von verschiedenen internen und externen Einflüssen ab.
Daher muss ein optimiertes Wärmemanagement der Hardwarekomponenten des Bordenergiesystems und des Innenraums komplexen Interdependenzen einschließlich externer Einflüsse folgen, die durch aktuelle Betriebsstrategien nicht oder zumindest noch nicht vollständig berücksichtigt werden. Diese Interdependenzen können vorzugsweise mit Hilfe eines Reinforcement Learning-Ansatzes in Betracht gezogen werden, um optimale Wärmemanagementstrategien für das Fahrprofil und die äußeren Einflüsse auf ein Fahrzeug zu finden. Ein Teil der wärmemanagementrelevanten Komponenten kann der Hochspannungsspeicher, der Elektromotor, die Fahrzeuginsassenkabine sowie weitere Heiz- und Kühlelemente sein. In aktuellen Wärmemanagementsystemen können diese Heiz- und Kühlkomponenten elektrische Heizgeräte, Pumpen, elektrische Kältemittelkompressoren, Einlassluftklappen und Kühlventilatoren sein. Technisches Problem:
Aktuelle Wärmemanagementstrategien sind nicht optimal an den Kunden und das Fahrverhalten des Kunden (z.B. Dauer, Beschleunigung) angepasst. Sie behandeln nicht alle (Kombinationen von) externen Einflüssen während der Fahrt, wie Informationen über das Verhalten des Fahrers und die vorausliegende Fahrstrecke. Unter Berücksichtigung individueller, teilweise entgegenstehender Anforderungen der Komponenten und Passagiere an ihre optimalen Temperaturen müssen komplexere Wärmemanagement- Strategien abgeleitet werden.
In aktuellen Lösungen, wie z.B. mittels individueller Kennfeld-Tabellen für jede Komponente des Wärmemanagements, wird Energie verschwendet, da Eigenschaften und Bedürfnisse nicht im Kontext des gesamten Systems und externer Einflüsse berücksichtigt werden. Darüber hinaus betrachten aktuelle Systeme keinen optimalen Punkt des Gesamtenergieverbrauchs über alle Komponenten, da die Abhängigkeit des Leistungskoeffizienten (COP) dieser Komponenten und die Abhängigkeit von Effizienzen für die Wärmeübertragung zwischen den Komponenten von externen Faktoren vernachlässigt werden.
Die Menge der resultierenden Kombinationen und Situationen, die durch Wärmemanagementstrategien angegangen werden müssen, führt zu einer steigenden Nachfrage nach intelligenten Algorithmen, die eine optimale Strategie für jede Situation identifizieren können. Im Gegensatz dazu nutzen aktuelle Implementierungen stark vereinfachte Funktionen und sind daher nicht in der Lage, die Interdependenzen genau zu modellieren und entsprechend und flexibel zu reagieren. In aktuellen Systemen ist der Satz möglicher Kombinationen und Trigger jedoch begrenzt und kann daher nicht auf die Vielfalt der Anforderungen und Situationen eingehen. Darüber hinaus fehlen aktuelle Strategien, die allen Kunden eine optimale Fahrleistung bis hin zu sehr dynamischem Fahrverhalten bieten, bei moderaten Beschleunigungsanforderungen an Effizienzoptimierung. Daher müssen individuelle Strategien für jeden Treiber abgeleitet werden.
Grundprinzip der Erfindung (Grundidee):
Die erfindungsgemäße Grundidee ist, das Problem zu modellieren, um vorherzusagen, wann Hardwarekomponenten des Bordenergiesystems aktiv gekühlt oder erhitzt werden sollen, als Verstärkungslernproblem.
Im „Bestärkenden Lernen“ lernt ein sogenannter „Agent“, Handlungen zu ergreifen, die auf Belohnungen und oder Strafen basieren (in Fig. 4 ist das an sich bekannte Prinzip des „Bestärkenden Lernens“ (RL) als mathematische Methode skizziert).
Anforderungen, wie im Abschnitt des technischen Problems beschrieben, können durch individuelle Belohnungen modelliert werden, z.B. mit negativen Belohnungen für zu vermeidende Temperaturen und (höheren) positiven Belohnungen für optimale Temperaturen. Dies spricht zum Beispiel davon, dass Hochspannungsbatterien einem erhöhten Innenwiderstand, also einer geringeren Leistungsverfügbarkeit, bei niedrigen Temperaturen und erhöhter Alterung bei hohen Temperaturen zugrunde liegen. Neben der Erfüllung der Anforderungen der Komponenten muss der Gesamtenergieverbrauch minimiert und die Effizienz der Wärmeübertragung berücksichtigt werden. Thermische Managementstrategien können Maßnahmen wie das Aktivieren und Steuern von Komponenten des Wärmemanagementsystems umfassen, die zur Kühlung oder Erwärmung des Systems oder Teilen davon führen. Aktionen eines intelligenten Algorithmus (z.B. mit Reinforcement Learning) können je nach Situation eine Kombination dieser Komponenten auslösen. Eine solche Situation wird durch verschiedene Umgebungsparameter oder Zustände definiert, die Informationen über die Komponenten, die Kabine, Navigationsdaten und Wetterinformationen enthalten können. Beispiel für die Umsetzung der Erfindung:
Im Folgenden werden nur die Hauptaspekte genannt. Vorteilhafte Ausgestaltungen der Erfindung werden anhand der Zeichnung näher erläutert:
- Die Umgebung wird mit mehreren On-Board-Signalen modelliert.
- Basierend auf den aktuellen und früheren Zuständen lernt ein „Agent“, Maßnahmen gemäß einer Richtlinie zu ergreifen.
- Die Belohnung wird durch mehrere Faktoren beeinflusst.
- Um die Richtlinie zu lernen, wird erfindungsgemäß vorgeschlagen, ein Netzwerk (DQN; Neuronales Netz) zu trainieren, das Aktionen basierend auf Zuständen ausgibt (durch Schätzungen q-Werte für Zustand, Aktionspaare).
Nachfolgend wird die Erfindung mittels einer Zeichnung anhand von Ausführungsbeispielen näher erläutert. Es zeigen:
Fig. 1 eine stark vereinfachte Blockschaltbild-Darstellung des erfindungsgemäßen Wärmemanagementsystems,
Fig. 2 ein Ausführungsbeispiel eines prädizierten Temperaturverlauf für einen Hochvoltspeicher auf Basis eines historischen Heiz oder Kühlwirkungsverlaufs (aus NAV_hist und NAV_präd), des historischen Temperaturverlaufs und des prädizierter Heiz- oder Kühlwirkungsverlaufs für den Hochvoltspeicher,
Fig. 3 ein Beispiel für eine prädizierte Fahrstrecke mit mehreren definierten Streckenabschnitten,
Fig. 4 einen schematischen Überblick über das Schema des
„Reinforcement Learning“ (grundsätzlich Stand der Technik),
Fig. 5 Signale, Aktionen und „Belohnungen“ bei erfindungsgemäßer
Anwendung des „Reinforcement Learning“-Schemas, Fig. 6 thermische Thermomodul-Steuerungsabläufe und deren
Wirkungen nach dem Stand der Technik zum Vergleich mit in Fig. 7 dargestellten thermischen Thermomodul-Steuerungsabläufen und deren Wirkungen nach der Erfindung und Fig. 8 ein möglicher Verarbeitungsablauf der wärmemanagementrelevanten Navigations-Daten.
In Fig. 1 ist ein erfindungsgemäßes Wärmemanagementsystem schematisch als Blockbild dargestellt.
Das erfindungsgemäße Wärmemanagementsystem ist für eine Mehrzahl von definierten verschiedenen wärmemanagementrelevanten Komponenten K1 , K2, usw. - hier beispielsweise ein Flochvoltspeicher FIV und eine Elektromaschine EM - vorgesehen. Es weist hier zwei durch ein Steuermodul (hier als „Agent“ aus dem „Bestärkenden Lernen“ bezeichnet) steuerbare heizenden und/oder kühlenden Thermomodule TM_HV und TM_EM pro definierter Komponente HV und EM auf. Weiterhin umfasst das Wärmemanagement ein Navigationssystem NAV und eine elektronische Steuereinheit SE, die das Steuermodul „Agent“ und ein Prädiktionsmodul PM enthält.
Das Prädiktionsmodul PM ist insbesondere durch entsprechende Programmierung (Com puterprogramm produkt) derart ausgestaltet (siehe auch Fig. 2 und Fig. 3), dass während der Fahrt
- auf Basis einer Mehrzahl von für eine vorgegebene Zeitdauer („Historie“ in Fig. 2; H1, H2 in Fig. 3) erfassten wärmemanagementrelevanten Daten „State NAV_hist“ des Navigationssystems NAV mindestens ein streckenabschnittsbezogener historischer Heiz- oder Kühlwirkungsverlauf (1) bestimmt wird, - für dieselbe vorgegebene Zeitdauer (Historie) sensorisch („State Sensoren“) ein streckenabschnittsbezogener historischer Temperaturverlauf (2) für jede Komponente HV und EM erfasst wird,
- auf Basis der für einen ersten Horizont H1 und für einen zweiten Horizont H2 vorausschaubaren wärmemanagementrelevanten Daten State NAV_präd des Navigationssystems NAV mindestens ein streckenabschnittsbezogener prädizierter Heiz- oder Kühlwirkungsverlauf (3) bestimmt wird und
- auf Basis des historischen Heiz- oder Kühlwirkungsverlaufs (1 ), des historischen Temperaturverlaufs (2) und des prädizierten Heiz- oder Kühlwirkungsverlaufs (3) für jede Komponente HV und EM ein prädizierter Temperaturverlauf (4) ermittelt wird.
„Wärmemanagementrelevante Daten“ „State NAV“ sind beispielsweise
Streckenattribute wie folgende:
- Fahrzeuggeschwindigkeit
- Straßentyp (inkl. Straßenbelag / Bodenunebenheiten)
- Steigung/Gefälle
- Bergab- oder Bergauffahrt
- Kurvenradius
- Außentemperatur
- Wetter (Sonneneinstrahlung, Eis, Schnee, ...)
- Tunnelfahrt
- RTTI (Stau, Gefahrenstelle und weitere Warnungen)
- Energieverbrauch
- usw.
Als „Thermomodul“ wird ein steuerbares Modul (z.B. „Wärmetauscher“) verstanden, durch das die zugehörige Komponente gekühlt oder geheizt werden kann. „Streckenabschnitte“ sind definierte durch das Navigationssystem NAV voraussehbare Fahrstrecken-Segmente, wie beispielsweise in Fig. 3 mit S1 bis S4 bezeichnet. „Streckenabschnittsbezogen“ meint bezogen auf derartige Segmente S1 bis S4.
Das Prädiktionsmodul PM kann für jede Komponente FIV und EM ein Teil- Prädiktionsmodul P_FIV und P_EM beziehungsweise eine Teilkomponente für eine multivariate Prädiktion enthalten.
Wie in Fig. 3 dargestellt, wird bei der Ermittlung der prädizierten Heiz- oder Kühlwirkungsverläufe (3) die prädizierte Eigenerwärmung der Komponenten FIV und EM mitberücksichtigt.
Unter „Heiz- oder Kühlwirkungsverläufen“ wird insbesondere die Temperaturbeeinflussung durch die Streckenattribute verstanden. Die Streckenattribute wirken sozusagen wie ein virtuelles zusätzliches komponentenunabhängiges Thermomodul.
Der prädizierte Temperaturverlauf (4) wird vorzugsweise in Form einer Wahrscheinlichkeitsverteilung W (über der Zeit) ermittelt.
Dabei werden vorzugsweise „Neuronale Netze“ und „Bestärkendes Lernen“ als mathematische Funktionsmodule eingesetzt.
Durch entsprechende Ausgestaltung des Steuermoduls „Agent“ sind insbesondere die abgespeicherten Heiz- und/oder Kühlschwellen Thvs_s und Tem_s für die Steuerung der Thermomodule TMJHV und TM_EM der Komponenten HV und EM proportional zu den prädizierten Temperaturverläufen (4) veränderbar.
In Fig. 3 ist ein Fahrstreckenbeispiel mit beispielhaften Streckenattributen für die notwendigen Anpassungen der Kühlhysterese bzw. der Temperaturschwellen für die Thermomodule der Komponenten während der Fahrt auf Basis der prädizierten Temperaturverläufe (4) dargestellt:
Es wird schematisch eine Fahrt mit sich ändernden Umwelt-Bedingungen dargestellt. Den Streckenabschnitten S1 bis S4 werden bestimmte Streckenattribute bzw. wärmemanagementrelevante Daten bzw. Merkmale M1, M2, M3 und M4 zugeordnet, z. B.:
M1: Bergauffahrt: Hohe Eigenerwärmung
M2: Bergabfahrt: Geringe Eigenerwärmung
M3: Strecke mit hoher Geschwindigkeit (z.B. Autobahn): Hohe Eigenerwärmung
M4: Stadtfahrt: Geringe Eigenerwärmung
Es können weitere Strecken-Attribute P1 und P2 berücksichtigt werden, z.B.: P1: Fahrtende oder Pause: Geringe Eigenerwärmung P2: Ladevorgang: Hohe Eigenerwärmung
Für die verschiedenen Komponenten K1, K2, K3, usw. können verschiedene Vorausschau-Horizonte H1 (z.B. für den Elektromotor EM) und H2 (für den Hochvoltspeicher HV) vorgegeben werden.
Es finden Änderungen A1 , A2 und A3 der Kühlhysterese durch das Steuermodul (bzw. Kl-Modul, „Agent“ oder Regler) auf Basis des jeweiligen Prädiktionshorizonts statt.
A1 : Es folgt eine Bergabfahrt mit geringer Eigenerwärmung: Höhere Kühlhysterese
A2: Falls zu hohe Eigenerwärmung auf anschließender Autobahn: Niedrigere Kühlhysterese A3: Anschließende Stadtfahrt bzw. Fahrtende mit geringer Eigenerwärmung: Flöhere Kühlhysterese
Ohne Eingabe des Routenziels in einem Navigationssystem kann eine Analyse früherer definierter Fahrzeugnutzungsdaten durchführbar sein.
Beispielsweise sind frühere definierte und gespeicherte Fahrzeugnutzungsdaten zur Prognose einer minimal erwarteten Fahrstrecke analysierbar.
In den Figuren 4 und 5 wird die Anwendung der Methode des Bestärkungs- Lernens auf die Grundidee der Erfindung skizziert. Fig. 4 zeigt einen groben Überblick über das Prinzip des „Bestärkenden Lernens“. Ein detailliertes Beispiel für mögliche Signale, Aktionen und „Belohnungen“ bei erfindungsgemäßer Anwendung des „Reinforcement Learning“-Schemas ist in Fig. 5 dargestellt:
Vorausschau Umwelt:
Folge-Zustand „State st+1“:
„State“: Eingangssignale (Sensorsignale, Navi-Output-Daten, ...) Komponenten-Temperaturen
- Hochspannungsspeicher (HVS)
- Elektronisches Steuermodul
- Elektromotor
- Leistungselektronik
- Ladeeinheit
- Strom kabel
Kabinentemperaturen
Aktuelle Temperatur - Zieltemperatur Routeninformationen
- Steigung
- Geschwindigkeitsbegrenzung
- Geschätzte Geschwindigkeit (z.B. verkehrsbedingt)
- Geschichte
- Aktive Navigation (Reisezeit, Ladestopps, Ziel) Wetterinformationen
- Umgebungstemperatur
- Feuchtigkeit
- Wind
- Sonneneinstrahlung Energieverbräuche
- aller Komponenten, insbesondere der in 'Action" deklarierten Komponenten.
Belohnungsfunktion „Reward rt+1“:
Belohnungsfunktion von Komponenten- & Kabinentemperaturen
- Aktuelle und vorhergesagte Einhaltung von Temperaturfenstern und Vermeidung von Temperaturspitzen.
- Unter Berücksichtigung der Auswirkungen auf temperaturabhängige Alterung und Leistungsgrenzen.
Eine „Belohnungsfunktion“ ist beispielsweise die aktuelle und vorhergesagte Berücksichtigung individueller Effizienzen und Gesamtenergieverbräuche.
Ein sogenannter „Agent“ entwickelt ähnlich wie ein Regler mit vorgegebener Strategie eine besser erlernte Strategie, die einen Steuereingriff (:= „Action“) auf Basis des ermittelten Folgezustands und der „Belohnungsfunktion“ generiert. Die sogenannte „Action“ ist in der vorliegenden Anwendung die Ansteuerung der Thermomodule TM_HV und TN_EM der Komponenten K1 und K2 zum Heizen oder Kühlen durch Vorgabe einer neu erlernten Temperaturschwelle (z.B. T hvs_s, Tem_s in Fig. 1).
Mit den Figuren 6 und 7 wird überblicksmäßig der Unterschied zwischen thermischen Thermomodul-Steuerungsabläufen und deren Wirkungen nach dem Stand der Technik (Fig. 6) und thermischen Thermomodul- Steuerungsabläufen und deren Wirkungen gemäß der Erfindung unter vorzugsweiser Anwendung des „Bestärkenden Lernens“ (Reinforcement Learning RL) (Fig. 7) skizziert.
In Fig. 8 ist ein möglicher Verarbeitungsablauf der wärmemanagementrelevanten Navigations-Daten „State NAV“ (siehe auch Fig. 1) als Grundlage der Ermittlung der historischen und prädizierten Heiz oder Kühlwirkungsverläufe (1) und (3) (siehe auch Fig. 2) dargestellt.

Claims

Patentansprüche
1. Wärmemanagementsystem für ein elektrifiziertes Kraftfahrzeug mit verschiedenen definierten wärmemanagementrelevanten Komponenten (K1, K2; HV, EM), insbesondere mit einem Hochvoltspeicher (HV) und mit einer Elektromaschine (EM), mit mindestens einem durch ein Steuermodul („Agent“) steuerbaren Thermomodul (TM_HV, TM_EM) pro definierter Komponente (HV, EM), mit einem Navigationssystem (NAV) und mit mindestens einer elektronischen Steuereinheit (SE) umfassend das Steuermodul („Agent“) und ein Prädiktionsmodul (PM) dergestalt, dass durch entsprechende Ausgestaltung des Prädiktionsmoduls (PM) während der Fahrt
- auf Basis einer Mehrzahl von für eine vorgegebene Zeitdauer erfassten wärmemanagementrelevanten Daten (State NAV_hist) des Navigationssystems (NAV) mindestens ein streckenabschnittsbezogener historischer Heiz- oder Kühlwirkungsverlauf (1) bestimmt wird,
- für dieselbe vorgegebene Zeitdauer sensorisch ein streckenabschnittsbezogener historischer Temperaturverlauf (2) für jede Komponente (HV, EM) erfasst wird,
- auf Basis der für mindestens einen vorgegebenen Horizont (H1 , H2) vorausschaubaren wärmemanagementrelevanten Daten (State NAV_präd) des Navigationssystems (NAV) mindestens ein streckenabschnittsbezogener prädizierter Heiz- oder Kühlwirkungsverlauf (3) bestimmt wird und
- auf Basis des historischen Heiz- oder Kühlwirkungsverlaufs (1 ), des historischen Temperaturverlaufs (2) und des prädizierter Heiz- oder Kühlwirkungsverlaufs (3) für jede Komponente (HV, EM) ein prädizierter Temperaturverlauf (4) ermittelt wird.
2. Wärmemanagementsystem nach Patentanspruch 1 , dadurch gekennzeichnet, dass bei der Ermittlung der prädizierten Heiz- oder Kühlwirkungsverläufe (3) die prädizierte Eigenerwärmung jeder Komponente (HV, EM) mitberücksichtig wird.
3. Wärmemanagementsystem nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass für jede Komponente (HV, EM) ein prädizierter Temperaturverlauf (4) in Form einer Wahrscheinlichkeitsverteilung (W) ermittelt wird.
4. Wärmemanagementsystem nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass durch entsprechende Ausgestaltung des Steuermoduls („Agent“) die abgespeicherten Heiz- und/oder Kühlschwellen (Thvs_s, Tem_s) für die Steuerung der Thermomodule (TMJHV, TM_EM) der Komponenten (HV, EM) proportional zu den prädizierten Temperaturverläufen (4) veränderbar sind.
5. Elektronische Steuereinheit (SE) für ein Wärmemanagementsystem nach einem der vorangegangenen Patentansprüche.
6. Fahrzeug mit einem Wärmemanagementsystem nach einem der vorangegangenen Patentansprüche.
PCT/EP2022/059054 2021-05-07 2022-04-06 Wärmemanagementsystem für ein elektrifiziertes kraftfahrzeug WO2022233524A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020237026877A KR20230147606A (ko) 2021-05-07 2022-04-06 전기 자동차용 열 관리 시스템
JP2023562517A JP2024519517A (ja) 2021-05-07 2022-04-06 電気自動車のための熱管理システム
CN202280047987.5A CN117897302A (zh) 2021-05-07 2022-04-06 用于电气化机动车的热管理***
US18/283,137 US20240166087A1 (en) 2021-05-07 2022-04-06 Heat Management System for an Electrified Motor Vehicle

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021111961.8 2021-05-07
DE102021111961.8A DE102021111961A1 (de) 2021-05-07 2021-05-07 Wärmemanagementsystem für ein elektrifiziertes Kraftfahrzeug

Publications (1)

Publication Number Publication Date
WO2022233524A1 true WO2022233524A1 (de) 2022-11-10

Family

ID=81595635

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/059054 WO2022233524A1 (de) 2021-05-07 2022-04-06 Wärmemanagementsystem für ein elektrifiziertes kraftfahrzeug

Country Status (6)

Country Link
US (1) US20240166087A1 (de)
JP (1) JP2024519517A (de)
KR (1) KR20230147606A (de)
CN (1) CN117897302A (de)
DE (1) DE102021111961A1 (de)
WO (1) WO2022233524A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116394711A (zh) * 2023-06-07 2023-07-07 江西五十铃汽车有限公司 汽车热管理方法、***、计算机及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014226514A1 (de) 2014-12-19 2016-06-23 Bayerische Motoren Werke Aktiengesellschaft Verfahren sowie Klimasystem zur Klimatisierung eines Elektro- oder Hybridfahrzeugs
DE102019101688A1 (de) * 2018-03-19 2019-09-19 Robert Bosch Gmbh Kraftfahrzeug-Kühlungssteuerungssystem und -verfahren
WO2019238389A1 (en) 2018-06-11 2019-12-19 Bayerische Motoren Werke Aktiengesellschaft Method and system for smart interior of a vehicle
US20190390867A1 (en) 2019-07-03 2019-12-26 Lg Electronics Inc. Air conditioner and method for operating the air conditioner
US20200376927A1 (en) * 2019-05-31 2020-12-03 Nio Usa, Inc. Artificial intelligence in conditioning or thermal management of electrified powertrain

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102005023365A1 (de) 2005-05-20 2006-11-23 Robert Bosch Gmbh Batterie-Management für Batterien in Hybrid-Fahrzeugen
DE102009046568A1 (de) 2009-11-10 2011-05-12 SB LiMotive Company Ltd., Suwon Verfahren und Anordnung zum Betrieb von Fahrzeugen mit elektrischem Antrieb sowie ein entsprechendes Computerprogramm und ein entsprechendes computerlesbares Speichermedium
DE102011101395A1 (de) 2011-05-13 2012-11-15 Daimler Ag Verfahren zur Optimierung eines Leistungsbedarfs eines Kraftfahrzeugs
US9834114B2 (en) 2014-08-27 2017-12-05 Quantumscape Corporation Battery thermal management system and methods of use
DE102018203974A1 (de) 2018-03-15 2019-09-19 Bayerische Motoren Werke Aktiengesellschaft Verfahren für eine Energiebedarfsprognose eines Fahrzeugs und System für eine Energiebedarfsprognose eines Fahrzeugs
DE102018209446A1 (de) 2018-06-13 2019-12-19 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Temperierung eines elektrischen Energiespeichers
DE102021101513A1 (de) 2021-01-25 2022-07-28 Bayerische Motoren Werke Aktiengesellschaft Klimasystem und Verfahren zur Klimatisierung eines elektrifizierten Kraftfahrzeugs

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014226514A1 (de) 2014-12-19 2016-06-23 Bayerische Motoren Werke Aktiengesellschaft Verfahren sowie Klimasystem zur Klimatisierung eines Elektro- oder Hybridfahrzeugs
DE102019101688A1 (de) * 2018-03-19 2019-09-19 Robert Bosch Gmbh Kraftfahrzeug-Kühlungssteuerungssystem und -verfahren
WO2019238389A1 (en) 2018-06-11 2019-12-19 Bayerische Motoren Werke Aktiengesellschaft Method and system for smart interior of a vehicle
US20200376927A1 (en) * 2019-05-31 2020-12-03 Nio Usa, Inc. Artificial intelligence in conditioning or thermal management of electrified powertrain
US20190390867A1 (en) 2019-07-03 2019-12-26 Lg Electronics Inc. Air conditioner and method for operating the air conditioner

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116394711A (zh) * 2023-06-07 2023-07-07 江西五十铃汽车有限公司 汽车热管理方法、***、计算机及可读存储介质
CN116394711B (zh) * 2023-06-07 2023-08-18 江西五十铃汽车有限公司 汽车热管理方法、***、计算机及可读存储介质

Also Published As

Publication number Publication date
CN117897302A (zh) 2024-04-16
JP2024519517A (ja) 2024-05-15
US20240166087A1 (en) 2024-05-23
DE102021111961A1 (de) 2022-11-10
KR20230147606A (ko) 2023-10-23

Similar Documents

Publication Publication Date Title
WO2016096612A1 (de) Verfahren sowie klimasystem zur klimatisierung eines elektro- oder hybridfahrzeugs
EP2765019B1 (de) Verfahren und Anordnung zur Optimierung der motorischen Verfügbarkeit einer mittels Kühlkreislauf gekühlten Elektromobilitätskomponente
DE102010048353B4 (de) Verfahren zur Zuteilung elektrischer Hochspannungsenergie an Fahrzeugsysteme beim Fahren
DE102012223054A1 (de) Verfahren und System für das thermische Management einer Hochspannungsbatterie für ein Fahrzeug
DE102009046568A1 (de) Verfahren und Anordnung zum Betrieb von Fahrzeugen mit elektrischem Antrieb sowie ein entsprechendes Computerprogramm und ein entsprechendes computerlesbares Speichermedium
DE102016217087A1 (de) Lade-Fahr-Assistent für Elektrofahrzeuge und Elektrofahrzeug
DE102019121711A1 (de) Wärmeverwaltungssystem für elektrifiziertes fahrzeug
DE102013215473A1 (de) Verfahren und Vorrichtung zum Regeln einer Standklimatisierung für ein Fahrzeug
DE102017219204A1 (de) Verfahren zum Laden eines Fahrzeugs mit elektrischem Antrieb, Ladesteuerung und Ladestation
DE102016210066A1 (de) Verfahren zum Betrieb eines Kraftfahrzeugs und Kraftfahrzeug
DE102014218564A1 (de) Steuervorrichtung und Verfahren zum prädiktiven, verbrauchsoptimierten Betrieb eines Hybridfahrzeugs
WO2022233524A1 (de) Wärmemanagementsystem für ein elektrifiziertes kraftfahrzeug
DE102005044829A1 (de) Energiemanagementsystem für ein Kraftfahrzeug
DE102019128122A1 (de) Verfahren zum Betreiben eines zumindest teilweise elektrisch angetriebenen Kraftfahrzeugs
EP4077039A1 (de) Prädiktive batterieladung für batteriebetriebene schienenfahrzeuge
DE102020203127A1 (de) Verfahren zur Steuerung der Längsdynamik eines Fahrzeugs
DE102019134614A1 (de) Verfahren und Steuervorrichtung zum vorausschauenden Temperieren eines elektrisch angetriebenen Kraftfahrzeugs
WO2022156968A1 (de) Klimasystem und verfahren zur klimatisierung eines elektrifizierten kraftfahrzeugs
DE102012024712A1 (de) Verfahren zum Betrieb einer Kühlkreisanordnung und Kühlkreisanordnung
DE102018104678A1 (de) Steuerung eines elektrischen Verbrauchers in einem Elektrofahrzeug während des Ladevorgangs
DE102018214679A1 (de) Verfahren zum Steuern einer Klimatisierungsvorrichtung
WO2016058858A1 (de) Antriebsvorrichtung für ein kraftfahrzeug
DE102022103231A1 (de) Steuersystem
DE102022103232A1 (de) Steuersystem
DE102018116439B4 (de) Verfahren für ein aktives Thermomanagement

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22722121

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20237026877

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 1020237026877

Country of ref document: KR

WWE Wipo information: entry into national phase

Ref document number: 18283137

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 2023562517

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 202280047987.5

Country of ref document: CN

122 Ep: pct application non-entry in european phase

Ref document number: 22722121

Country of ref document: EP

Kind code of ref document: A1