Einsatzindividuelles, intelligentes Energiemanagement im hybriden Nutzfahrzeug

Hybridfahrzeuge können insbesondere im Schwerlastverkehr dazu beitragen, die seitens der EU vorgegebenen Ziele zur CO₂-Flottenreduktion zu erreichen. Aufgrund des Kompromisses zwischen Emissionsreduktion bei weiterhin hoher Reichweite ist eine große Kundenakzeptanz solcher Fahrzeuge zu erwarten. Um das Potential der Hybridantriebe möglichst weit ausnutzen zu können, sind geeignete, intelligente Energiemanagementstrategien erforderlich. Heute werden hierfür meist regelbasierte oder lokal optimierende Verfahren verwendet. In der Wissenschaft gibt es jedoch auch erste Ansätze, die auf Maschinellen Lernverfahren beruhen. Solche Lernverfahren zeigen in anderen Anwendungen bereits hervorragende Ergebnisse, sodass ihr Potential auch für das Energiemanagement im Hybridfahrzeug untersucht werden sollte. 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. Methoden zur Erzeugung einsatzindividueller, synthetischer Fahrprofile sind vorhanden, wurden bisher aber nicht als Trainingsdaten verwendet.

In der vorliegenden Arbeit wird deshalb 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. Als Beispielanwendung wird ein hybrider Kühlsattelzug betrachtet, der aus einer konventionellen Zugmaschine und einem elektrifizierten Kühlsattelauflieger besteht. Es werden zwei Varianten hinsichtlich der vorhandenen Ladeinfrastruktur betrachtet. Aus einer Literaturrecherche heraus wird der TD3-Algorithmus als Lernverfahren gewählt. Für die Erzeugung der einsatzindividuellen synthetischen Fahrprofile aus einer vorliegenden Messdatenbasis wird eine bestehende Methode adaptiert. 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. Außerdem wird zur Abschätzung des Kraftstoffeinsparpotentials ein konventionelles Fahrzeug simuliert. Die verschiedenen Steuerstrategien werden hinsichtlich ihres Gesamtkraftstoffverbrauchs und der Betriebskosten verglichen.

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. Gegenüber der konventionellen Fahrt können ohne Ladeinfrastruktur etwa 6 % Kraftstoff eingespart werden, mit Infrastruktur durchschnittlich 13 %. Die regelbasierten Strategien liefern noch bessere Ergebnisse, sie sind jedoch schlechter auf andere Streckenlängen und elektrische Systeme übertragbar.