[Zurück]

T. Krenek:
"Verbrauchsminimierung eines Hybridfahrzeuges im Neuen Europäischen Fahrzyklus";
Betreuer/in(nen): G. Raidl, M. Ruthmair; Institut für Computergraphik und Algorithmen, 2011; Abschlussprüfung: 07/2011.

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

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

http://publik.tuwien.ac.at/files/PubDat_200747.pdf