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.
Literatur
Fanchao L, Molin E, Timmermans H, van Bee B (2019) Consumer preferences for business models in electric vehicle adoption. Transp Policy 73:12–24
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 2590–2595
Grubwinkler S, Lienkamp M (2013) A modular and dynamic approach to predict the energy consumption of electric vehicles. Conference on Future Automotive Technology München.
Ericsson E (2001) Independent driving pattern factors and their influence on fuel-use and exhaust emission factors. Transp Res D Transp Environ 6(5):325–345
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):543–554
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):43–50
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 71
Montazeri-Gh M, Mahmoodi‑K M (2016) Optimized predictive energy management of plug-in hybrid electric vehicle based on traffic condition. J Clean Prod 139:935–948
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):1796
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 1–10
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 1069–1076
Yoon J, Brian N, Mingyan L (2007) Surface street traffic estimation. Proceedings of the 5th international conference on Mobile systems, applications and services.
de Cauwer C, van Mierlo J, Coosemans T (2015) Energy consumption prediction for electric vehicles based on real-world data. Energies 8(8):8573–8593
Simonis C (2018) Routenspezifische Reichweitenprädiktion und Betriebsstrategie fur Elektrofahrzeuge: Mit Methoden des maschinellen Lernens. Master’s thesis, Technische Universitaet Muenchen
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
Mediatronic Pty Ltd. (2018) Freematics one (vehicle Telematics data logger V5). https://freematics.com/. Zugegriffen: März 2018
Skoda (2014) SKODA Fabia Betriebsanleitung. https://ws.skodaauto.com/OwnersManualService/Data/de/Fabia54/05-2014/Manual/Fabia/A05 Fabia OwnersManual.pdf. Zugegriffen: März 2018
IAV GmbH (2015) VeloDyn user manual. https://www.iav.com/sites/default/files/handouts/2014/de/iavvelodyn.pdf. Zugegriffen: Januar 2019
Lehrstuhl für Fahrzeugtechnik (FTM) (2015) FORELMO Smart Dokumentation
Steinstraeter M (2017) Modellbasierte Reichweitenprädiktion eines bat-terieelektrischen Fahrzeugs. Master’s thesis, Technische Universitaet Muenchen
Grubwinkler S (2016) Fahrprofilbasierte Energieverbrauchsprädiktion für Vernetzte Elektrofahrzeuge. PhD thesis, Technische Universitaet Muenchen
Papageorgiou M, Leibold M, Buss M (2015) Optimierung. Springer, Heidelberg, Berlin, New York
Fölliger O (2014) Optimale Regelung und Steuerung. Oldenbourg, München
Pieper M (2017) Mathematische Optimierung. Springer VS, Wiesbaden
Radke T (2014) Energieoptimale Langsführung von Kraftfahrzeugen durch Einsatz vorausschauender Fahrstrategien
Bussgeldkatalog.org (2019) https://www.bussgeldkatalog.org/mindestgeschwindigkeit/. Zugegriffen: Januar 2019
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.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
About this article
Cite this article
Sennefelder, R., Jahner, J. & Kettner, F. Energiebedarf batterieelektrischer Fahrzeuge in Abhängigkeit des Verkehrsaufkommens. Forsch Ingenieurwes 83, 863–873 (2019). https://doi.org/10.1007/s10010-019-00387-w
Received:
Accepted:
Published:
Issue Date:
DOI: https://doi.org/10.1007/s10010-019-00387-w