Autoren

H. Lee, M. S. Song, T. W. Yoon, H. J. Lee, J. S. Lee, Hyundai Motor Company, Hwaseong, Korea

Jahr

2026

Druckinfo

Eigenproduktion ÖVK

Zusammenfassung

Um die Energieeffizienz von Hybrid-Elektrofahrzeugen (HEVs) zu maximieren, sind präzise Energiemanagementstrategien, die zukünftige Fahrbedingungen berücksichtigen, unerlässlich. Diese Studie schlägt zwei fortschrittliche prädiktive Modelle zur kurzfristigen Leistungsvorhersage vor – ein neuronales Netzwerk und ein physikalisch geleitetes neuronales Netzwerk (PGNN) –, um die untere Ebene eines hierarchischen prädiktiven Regelsystems (HPC) zu verbessern. Im Gegensatz zu herkömmlichen linearen Regressionsmethoden, die nichtlineare Wechselwirkungen zwischen Variablen wie Straßenneigung und relativer Geschwindigkeit nicht erfassen können, wurden die vorgeschlagenen Modelle mithilfe von überwachtem Lernen auf der Grundlage realer Fahrdaten trainiert, um den Energiebedarf für die nächsten 1 bis 5 Sekunden vorherzusagen. Eine vergleichende Analyse auf der Grundlage statistischer Kennzahlen und Fahrszenarien zeigte, dass das neuronale Netzwerkmodell eine überlegene Genauigkeit lieferte, insbesondere bei längeren Zeithorizonten, bei denen die Leistung des linearen Modells nachließ. Während das PGNN Vorteile bei der Verallgemeinerung bot, erwies sich das neuronale Netzwerk für die unmittelbare Anwendung als effektiver. Um den rechnerischen Einschränkungen von Fahrzeugsteuerungen und der „Black-Box“-Natur der KI Rechnung zu tragen, wurde das trainierte neuronale Netzwerk in eine interpretierbare Lookup-Table-Struktur (LUT) kalibriert. Dieser Ansatz gewährleistet Echtzeit-Reaktionsfähigkeit ohne hohe Rechenlast. Simulationsergebnisse bestätigten, dass die verbesserte HPC-Logik eine um etwa 17 % höhere Vorhersagegenauigkeit für den 5-Sekunden-Horizont erzielte als bestehende Methoden, was schnellere, präventive Motor-Ein-/Aus-Reaktionen und eine deutlich verbesserte Energieeffizienz und SOC-Optimierung ermöglichte.

ISBN

978-3-9504969-5-6

DOI

https://doi.org/10.62626/u94c-7og6 Link kopieren

Bestellen Mitglieder-Login