Kerstin PalmEinsatzindividuelles, intelligentes Energiemanagement im hybriden Nutzfahrzeug | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
ISBN: | 978-3-8440-9400-8 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Series: | Forschungsberichte aus dem Institut für mobile Maschinen und Nutzfahrzeuge Herausgeber: Freundes- und Förderkreis des Instituts für mobile Maschinen und Nutzfahrzeuge e.V. Braunschweig | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Keywords: | Energiemanagement; KI; Maschinelles Lernen; Hybridfahrzeug; Simulation | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Type of publication: | Thesis | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Language: | German | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Pages: | 162 pages | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Figures: | 50 figures | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Weight: | 220 g | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Format: | 21 x 14,8 cm | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Binding: | Paperback | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Price: | 58,80 € / 73,60 SFr | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Published: | February 2024 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Buy: | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Download: | Available PDF-Files for this title: You need the Adobe Reader, to open the files. Here you get help and information, for the download. These files are not printable.
User settings for registered users You can change your address here or download your paid documents again.
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Recommendation: | You want to recommend this title? | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Review copy: | Here you can order a review copy. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Link: | You want to link this page? Click here. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Export citations: |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Abstract: | Hybridfahrzeuge können insbesondere im Schwerlastverkehr dazu beitragen, die seitens der EU vorgegebenen Ziele zur CO2-Flottenreduktion zu erreichen. Um das Potential der Hybridantriebe möglichst weit ausnutzen zu können, sind geeignete, intelligente Energiemanagementstrategien erforderlich. In der Wissenschaft gibt es hierfür erste Ansätze, die auf Maschinellen Lernverfahren beruhen. Neben der Wahl des Algorithmus und seiner Parametrierung haben die verwendeten Trainingsdaten einen wesentlichen Einfluss auf die erlernten Strategien. In den bisher veröffentlichten Ansätzen werden einzelne aufgezeichnete Messfahrten, deren Repräsentativität zu hinterfragen ist, oder standardisierte Fahrprofile verwendet, die wiederum sehr allgemein gehalten sind und vom tatsächlichen Fahrzeugeinsatz abweichen können. In der vorliegenden Arbeit wird untersucht, ob einsatzindividuelle, synthetische Fahrprofile in Simulationsmodellen für das Training solcher Maschineller Lernverfahren zum Energiemanagement geeignet sind und welche Vorteile sich gegenüber einem Training mit standardisierten Profilen ergeben. Es werden zwei Varianten hinsichtlich der vorhandenen Ladeinfrastruktur betrachtet. Das Training erfolgt einerseits mit den einsatzindividuellen und andererseits mit standardisierten Profilen. Als weitere Varianten werden mittels der Dynamischen Programmierung global optimierte Lösungen sowie daraus abgeleitete regelbasierte Steuerstrategien betrachtet. Es zeigt sich, dass die einsatzindividuell trainierten Reinforcement Learning-Agenten zum Energiemanagement sowohl hinsichtlich des Kraftstoffverbrauchs wie auch der Betriebskosten deutlich bessere Ergebnisse liefern als die standardisiert trainierten. Von der optimierten Lösung weichen die einsatzindividuellen Agenten um etwa 2 % ab. |