Advertisement

Forschung im Ingenieurwesen

, Volume 83, Issue 4, pp 863–873 | Cite as

Energiebedarf batterieelektrischer Fahrzeuge in Abhängigkeit des Verkehrsaufkommens

  • Roman SennefelderEmail author
  • Johann Jahner
  • Florian Kettner
Originalarbeiten/Originals
  • 34 Downloads

Zusammenfassung

Die Reichweitenprognose für batterieelektrische Fahrzeuge (engl. battery electric vehicles (BEV)) unterliegt einer Vielzahl äußerer Einflüsse, die durch eine hohe zeitliche und örtliche Variabilität gekennzeichnet sind. Einer dieser Einflussfaktoren ist das Verkehrsaufkommen auf der Route, für die der zukünftige Energieverbrauch zur Schätzung der verbleibenden Reichweite prädiziert werden soll. In der vorliegenden Arbeit wird ein Verfahren vorgestellt, mit dem sich die Auswirkung des Verkehrs auf den Traktionsenergiebedarf von BEV evaluieren lässt. Hierfür werden statistische Kennzahlen aus Fahrprofilaufzeichnungen ermittelt und der Quantifizierung des Verkehrsaufkommens, definiert durch den Verkehrsindex (engl. traffic index TI), zugrunde gelegt. Dieses Verfahren steht im Kontext einer datenbasierten Energiebedarfsprädiktion, bei der das zu erwartende Fahrprofil aus Strecken- und Umgebungsmerkmalen, insbesondere dem Verkehr, prädiziert werden soll. Diesem Konzept, der Berücksichtigung realer und variabler Einflussfaktoren auf einer Route, steht die Vorgabe eines synthetischen, energieoptimalen Geschwindigkeitsverlaufs gegenüber. Eine Gegenüberstellung der Energieverbräuche für reale Fahrszenarien und für Fahrten mit optimiertem Fahrprofil zeigt die Signifikanz des Verkehrs als Ursache für Schwankungen des Energiebedarfs. Dieses Ergebnis und der Befund, dass verkehrsbedingte Schwankungen im Energiebedarf um bis zu 20 % gegenüber dem Mittelwert für vereinzelte Streckenabschnitte auftreten, unterstreicht die Relevanz der Berücksichtigung des Verkehrs in Verfahren zur Energiebedarfs- und Reichweitenprädiktion für BEV.

Notes

Danksagung

Die Untersuchungen wurden im Forschungsverbundprojekt NEmo der Bayerischen Forschungsstiftung durchgeführt. Unser Dank gilt den Verbundpartnern und dem Förderträger. Der wissenschaftliche Austausch in Form von Kooperationsprojekten zwischen Industriepartnern, Forschungsinstituten und Universitäten ist ein Gewinn für alle Beteiligten.

Literatur

  1. 1.
    Fanchao L, Molin E, Timmermans H, van Bee B (2019) Consumer preferences for business models in electric vehicle adoption. Transp Policy 73:12–24CrossRefGoogle Scholar
  2. 2.
    Birell SA, McGordon A, Jennings PA (2014) Defining the accuracy of real-world range estimations of an electric vehicle. 2014 IEEE 17th International Conference on Intelligent Transportation Systems (ITSC), S 2590–2595Google Scholar
  3. 3.
    Grubwinkler S, Lienkamp M (2013) A modular and dynamic approach to predict the energy consumption of electric vehicles. Conference on Future Automotive Technology München.Google Scholar
  4. 4.
    Ericsson E (2001) Independent driving pattern factors and their influence on fuel-use and exhaust emission factors. Transp Res D Transp Environ 6(5):325–345CrossRefGoogle Scholar
  5. 5.
    Tong HY, Hung WT, Cheung CS (2000) On-road motor vehicle emissions and fuel consumption in urban driving conditions. J Air Waste Manag Assoc 50(4):543–554CrossRefGoogle Scholar
  6. 6.
    Van Mierlo J, Maggetto G, Van de Burgwal E, Gense R (2004) Driving style and traffic measures-influence on vehicle emissions and fuel consumption. Proc Inst Mech Eng Part D J Automob Eng 218(1):43–50CrossRefGoogle Scholar
  7. 7.
    Treiber M, Kesting A, Thiemann C (2008) How much does traffic congestion increase fuel consumption and emissions? Applying a fuel consumption model to the ngsim trajectory data. 87th Annual Meeting of the Transportation Research Board, Washington, DC, S 71Google Scholar
  8. 8.
    Montazeri-Gh M, Mahmoodi‑K M (2016) Optimized predictive energy management of plug-in hybrid electric vehicle based on traffic condition. J Clean Prod 139:935–948CrossRefGoogle Scholar
  9. 9.
    Hongwen H, Guo J, Nana Z, Sun C, Peng J (2017) Freeway driving cycle construction based on real-time traffic information and global optimal energy management for plug-in hybrid electric vehicles. Energies 10(11):1796CrossRefGoogle Scholar
  10. 10.
    Oliva JA, Weihrauch C, Bertram T (2013) Modelbased remaining driving range prediction in electric vehicles by using particle filtering and markov chains. Electric Vehicle Symposium and Exhibition (EVS27), 2013 World, S 1–10Google Scholar
  11. 11.
    Grubwinkler S, Hirschvogel M, Lienkamp M (2014) Driverand situation-specific impact factors for the energy prediction of evs based on crowd-sourced speed profiles. Intelligent Vehicles Symposium Proceedings, 2014 IEEE, S 1069–1076Google Scholar
  12. 12.
    Yoon J, Brian N, Mingyan L (2007) Surface street traffic estimation. Proceedings of the 5th international conference on Mobile systems, applications and services.CrossRefGoogle Scholar
  13. 13.
    de Cauwer C, van Mierlo J, Coosemans T (2015) Energy consumption prediction for electric vehicles based on real-world data. Energies 8(8):8573–8593CrossRefGoogle Scholar
  14. 14.
    Simonis C (2018) Routenspezifische Reichweitenprädiktion und Betriebsstrategie fur Elektrofahrzeuge: Mit Methoden des maschinellen Lernens. Master’s thesis, Technische Universitaet MuenchenGoogle Scholar
  15. 15.
    Adermann J, Kreibich J, Lienkamp M (2017) Experimental study of energy consumption variation in recurring driving trips. J Electr Eng.  https://doi.org/10.17265/2328-2223/2017.05.004 CrossRefGoogle Scholar
  16. 16.
    Mediatronic Pty Ltd. (2018) Freematics one (vehicle Telematics data logger V5). https://freematics.com/. Zugegriffen: März 2018
  17. 17.
  18. 18.
    IAV GmbH (2015) VeloDyn user manual. https://www.iav.com/sites/default/files/handouts/2014/de/iavvelodyn.pdf. Zugegriffen: Januar 2019
  19. 19.
    Lehrstuhl für Fahrzeugtechnik (FTM) (2015) FORELMO Smart DokumentationGoogle Scholar
  20. 20.
    Steinstraeter M (2017) Modellbasierte Reichweitenprädiktion eines bat-terieelektrischen Fahrzeugs. Master’s thesis, Technische Universitaet MuenchenGoogle Scholar
  21. 21.
    Grubwinkler S (2016) Fahrprofilbasierte Energieverbrauchsprädiktion für Vernetzte Elektrofahrzeuge. PhD thesis, Technische Universitaet MuenchenGoogle Scholar
  22. 22.
    Papageorgiou M, Leibold M, Buss M (2015) Optimierung. Springer, Heidelberg, Berlin, New YorkCrossRefGoogle Scholar
  23. 23.
    Fölliger O (2014) Optimale Regelung und Steuerung. Oldenbourg, MünchenGoogle Scholar
  24. 24.
    Pieper M (2017) Mathematische Optimierung. Springer VS, WiesbadenCrossRefGoogle Scholar
  25. 25.
    Radke T (2014) Energieoptimale Langsführung von Kraftfahrzeugen durch Einsatz vorausschauender FahrstrategienGoogle Scholar
  26. 26.
    Bussgeldkatalog.org (2019) https://www.bussgeldkatalog.org/mindestgeschwindigkeit/. Zugegriffen: Januar 2019

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.TM-DIAV GmbHMünchenDeutschland

Personalised recommendations