Multikriterielle Optimierung von Hybridantriebskonzepten hinsichtlich Verbrauch und Dynamik

Durch unterschiedliche Architekturen und die Auslegung der einzelnen Komponenten wird in hybriden Antriebskonzepten nicht nur der Verbrauch beeinflusst, sondern auch die Fahrzeuglängsdynamik wird in einem großen Bereich variabel. Im Vergleich zu konventionellen Fahrzeugen entsteht daher eine größere Anzahl an Möglichkeiten, die Charakteristik eines Fahrzeugs hinsichtlich des Antriebs zu verändern. Zum Beispiel kann durch einen kleineren Verbrennungsmotor ein Verbrauchsvorteil erzielt werden, jedoch wird dadurch die Beschleunigungsfähigkeit beeinträchtigt. Insbesondere beim Parallelhybrid kann der Antrieb durch die Addition der Momente aber auch dynamischer ausgelegt werden. Die computergestützten Methoden der Simulation und der Optimierung bieten sich an, um die Zusammenhänge zu analysieren, formal zu bewerten und die Komponenten optimal aufeinander abzustimmen.

Bisherige Untersuchungen beschränken sich zumeist auf den Verbrauch als Kriterium und setzen Nebenbedingungen ein, um eine ganz bestimmte Dynamik zu gewährleisten. In dieser Dissertation wird hingegen erstmals eine Methode angegeben, die mit dem Werkzeug der multikriteriellen Optimierung bestmögliche Kombinationen von Komponenten für Hybridantriebe findet und explizit den Kompromiss zwischen Verbrauch und Dynamik visualisiert und quantifiziert. Für die Simulation stand innerhalb des bearbeiteten Projekts Energiemanagement II in der Forschungskooperation CAR@TUM zwischen BMW und der Technischen Universität München ein Gesamtfahrzeugmodell in der objektorientierten, Modelica-basierten Simulationsumgebung Dymola zur Verfügung, das alle wesentlichen Energieflüsse im Fahrzeug abbildet und skalierbare Teilmodelle für die Antriebsauslegung enthält. Dadurch wurden in dieser Dissertation keine Kompromisse bezüglich der Genauigkeit der Modellierung eingegangen, während die zuvor bekannten Methoden in ähnlichen Problemstellungen auf stark vereinfachte Modelle angewiesen waren. Allerdings stellte das hochdimensionale, nichtlineare, zeitkontinuierliche Modell eine besondere Herausforderung für die Optimierung dar. Bei der Entwicklung der Optimierungsmethodik wurde darauf in mehrfacher Hinsicht reagiert: Durch Auswahl eines passenden Optimierungsalgorithmus und dessen Effizienzsteigerung, durch Parallelisierung der Simulationen, durch geschickte Definition von Zielfunktionen sowie Variablen und durch Ersatzmodelle. Das Optimierungsproblem wurde nach den Pareto-Prinzipien mit Vektoren aus Zielfunktionen aufgestellt, kam so ohne die Vorab-Festlegung von Präferenzen aus und erlaubt Entscheidungsträgern die Auswahl einer Lösung aus einer Menge an Kompromissen. Zur Lösung wurde ein multikriterieller Genetischer Algorithmus auf Basis des NSGA-II eingesetzt. Neben der Entwicklung des Algorithmus war die Formulierung des Optimierungsproblems selbst wichtig für den Erfolg, denn dadurch wird die Komplexität der Aufgabe und die Anschaulichkeit der Lösung bestimmt. Dies zeigte sich beim betrachteten System eines Parallelhybriden, bei dem neben der Dimensionierung der Antriebskomponenten auch die Betriebsstrategie, die das Zusammenspiel der Komponenten steuert, für beste Effizienz betrachtet werden muss. Durch die neuartige Auftrennung des Gesamtoptimierungsproblems in zwei kleinere Probleme konnte eine deutliche Reduktion des Zeitaufwands um mehr als 50% erreicht werden.

Anhand konkreter Beispiele wird zunächst für den NEFZ gezeigt, wie die Betriebsstrategie durch die Optimierung parametriert und verbessert wird und wie der Gesamtprozess Lösungen anbietet, aus denen entweder die ökonomischste, die dynamischste oder eine beliebige Kompromisslösung ausgewählt werden kann. Die Lösungen werden jeweils durch Kombinationen aus E-Maschine, Verbrennungsmotor, Hinterachsübersetzung und Batterien gebildet. In einem Beispiel besteht die Möglichkeit der Verbesserung der Dynamik um 27% bei einer Verbrauchszunahme um lediglich 3% gegenüber der ökonomischsten Lösung. Die anschließende Anwendung der Methodik auf stark unterschiedliche Zukunftsszenarios für China, USA und Deutschland zeigt zudem auf, wie mit Hilfe der Optimierung attraktive Angebote für verschiedene Zielmärkte und deren Bedürfnisse konzipiert werden können.