Login| Sign Up| Help| Contact|

Patent Searching and Data


Title:
COMPUTER-IMPLEMENTED METHOD FOR OPTIMIZING A STATE OF CHARGE CURVE OF A HYBRID ELECTRIC VEHICLE, CONTROLLER, COMPUTER PROGRAM, COMPUTER-READABLE DATA CARRIER AND DATA CARRIER SIGNAL FOR OPEN-LOOP AND/OR CLOSED-LOOP CONTROL OF A HYBRID ELECTRIC VEHICLE
Document Type and Number:
WIPO Patent Application WO/2021/239402
Kind Code:
A1
Abstract:
The invention relates to a computer-implemented method for optimizing a state of charge curve (SoC) of a hybrid electric vehicle (HEV), having the steps of: determining a first probability distribution of routes from a route history (V1), wherein the route history is determined or provided (V1a) from at least first and second data, and the first data comprises driver data from driving operations and the second data comprises vehicle data; obtaining a time input (TS) (V2); determining probabilities of future routes from the first probability distribution of routes for the time input (TS) (V3); and processing the future routes using a first optimization algorithm (Opt1) which comprises commands that cause a state of charge curve to be optimized for a current route with respect to charge usage, fuel usage, and/or the energy storage device on the basis of the probabilities of the future routes when the first optimization algorithm (Opt1) is processed (V4).

Inventors:
RATHGEB HEIDI (DE)
KASTENS JENS (DE)
WOLFGANG WERNER (DE)
BAYDAR MARIO (DE)
KEMLER JOHANNES (DE)
SHEN XIANGHUI (DE)
KADGIEHN SVEN (DE)
GRAF ALEXANDER (DE)
UMMER BERND (DE)
BLUM NICOLAS (DE)
HAINZL FABIAN (DE)
Application Number:
PCT/EP2021/061653
Publication Date:
December 02, 2021
Filing Date:
May 04, 2021
Export Citation:
Click for automatic bibliography generation   Help
Assignee:
ZAHNRADFABRIK FRIEDRICHSHAFEN (DE)
International Classes:
B60W20/10; B60W20/11; B60W20/12; B60W20/15
Foreign References:
US20110087390A12011-04-14
US20130073113A12013-03-21
US20190232943A12019-08-01
EP2692604A12014-02-05
Download PDF:
Claims:
Patentansprüche

1. Computerimplementiertes Verfahren zum Optimieren eines Ladungszustandsver laufs (SoC) eines Hybrid-Elektro-Fahrzeuges (HEV) umfassend die Schritte:

• Bestimmen einer ersten Wahrscheinlichkeitsverteilung (PR) von Routen aus einer Routenhistorie (V1 ), wobei die Routenhistorie aus zumindest ersten und zweiten Daten bestimmt wird oder bereitgestellt ist (V1a), wobei die ersten Da ten Fahrerdaten (DID) aus Fährbetrieben und die zweiten Daten Fahrzeugda ten (VD) umfassen,

• Erhalten einer Zeiteingabe (TS) (V2),

• Bestimmen von Wahrscheinlichkeiten von zukünftigen Routen aus der ersten Wahrscheinlichkeitsverteilung von Routen für die Zeiteingabe (TS) (V3) und

• Prozessieren der zukünftigen Routen durch einen ersten Optimierungsalgo rithmus (Opt1 ), der Befehle umfasst, die bewirken, dass in Abhängigkeit der Wahrscheinlichkeiten der zukünftigen Routen ein Ladungszustandsverlauf hin sichtlich Ladungsverbrauch, Kraftstoffverbrauch und/oder Energiespeicher für eine aktuelle Route optimiert wird, wenn der erste Optimierungsalgorithmus (Opt1 ) prozessiert wird (V4).

2. Verfahren nach Anspruch 1 , wobei eine zweite Verteilung an Drehmoment- und/o der Leistungsbedarf (TPD) für Routenabschnitte aus einer Hybridregelungshistorie, die aus zumindest den ersten und zweiten Daten bestimmt wird oder bereitgestellt ist, bestimmt wird und in den ersten Optimierungsalgorithmus (Opt1 ) zusammen mit den zukünftigen Routen eingegeben wird und/oder ein zweiter Optimierungsalgorith mus (Opt2) in Abhängigkeit der Wahrscheinlichkeit einer der zukünftigen Routen den Drehmoment- und/oder Leistungsbedarf (TPD) für die aktuelle Route optimiert.

3. Verfahren nach Anspruch 1 oder 2, wobei die Routenhistorie, die zukünftigen Rou ten und/oder Hybridregelungshistorie aus dritten Daten bestimmt werden oder bereit gestellt sind, wobei die dritten Daten Routenparameter (RP), Verkehrsdaten, Infra strukturdaten, Wetterdaten und/oder Veranstaltungsdaten umfassen.

4. Verfahren nach einem der Ansprüche 1 bis 3, wobei bei der Optimierung des La dungszustandsverlaufs (SoC) und/oder des Drehmoment- und/oder Leistungsbedarfs (TPD) Geofencing-Bereiche (GF) auf Routen, in denen ein elektrischer Betrieb des Hybrid-Elektro-Fahrzeuges (HEV) zu aktivieren ist oder automatisiert aktiviert wird, berücksichtigt werden.

5. Verfahren nach einem der Ansprüche 1 bis 4, wobei die erste Wahrscheinlichkeits verteilung und/oder die zweite Verteilung statistisch bestimmt oder maschinell gelernt werden mittels Gauß Mischverteilungsmodellen, Gauß-Prozessen, Support-Vector- Machine Algorithmen, Random-Forest-Tree Algorithmen oder Gradienten basierten Lernen künstlicher neuronaler Netzwerke.

6. Verfahren nach einem der Ansprüche 1 bis 5, wobei für das Optimieren des La dungszustandsverlauf (SoC) und/oder des Drehmoment- und/oder Leistungsbedarfs (TPD) der erste und/oder der zweite Optimierungsalgorithmus (Opt1 , Opt2) Befehle zum Lösen von Bellman-Gleichungen umfassen und/oder der Ladungszustandsver lauf (SoC) und/oder der Drehmoment- und/oder Leistungsbedarf (TPD) durch ver stärktes Lernen oder einen evolutionären Algorithmus optimiert werden.

7. Verfahren nach einem der Ansprüche 1 bis 6, wobei durch eine Langzeit-Optimie rung und/oder eine Kurzzeit-Optimierung Routenabschnitte und/oder Routen berück sichtigt werden, die Kraftstoff- und/oder Ladungsverbrauch einsparen.

8. Verfahren nach einem der Ansprüche 1 bis 7, wobei der erste Optimierungsalgo rithmus (Opt1 ) auf einer Cloud-Plattform und/oder der zweite Optimierungsalgorith mus (Opt1 ) auf einem Steuergerät (ECU) des Hybrid-Elektro-Fahrzeuges (HEV) aus geführt werden.

9. Verwendung des Verfahrens nach einem der Ansprüche 1 bis 8 für eine Optimie rung eines Ladungszustandsverlaufs bei einem batterieelektrischem Fahrzeug.

10. Steuergerät (ECU) zum Regeln/und oder Steuern eines Hybrid-Elektro-Fahrzeu ges (HEV) umfassend • eine erste Schnittstelle (Int1), um einen nach einem der Verfahren der Ansprü che 1 bis 9 optimierten Ladungszustandsverlauf (SoC) zu erhalten,

• eine Kontrolleinheit (Cont), die Regelungs- und/oder Steuerungssignale für eine Hybridregelung bestimmt, um einen Energiespeicher und/odereinen An triebsstrang des Hybrid-Elektro-Fahrzeuges (HEV) gemäß des Ladungszu standsverlaufs (SoC) zu betreiben, und

• eine zweite Schnittstelle (Int2), die die Regelungs- und/oder Steuerungssig nale der Hybridregelung bereitstellt.

11. Steuergerät (ECU) nach Anspruch 10, wobei die Kontrolleinheit (Cont) einen zweiten Optimierungsalgorithmus (Opt2) nach Anspruch 2, 5, oder 6 ausführt.

12. Steuergerät (ECU) nach Anspruch 10 oder 11, wobei das Steuergerät (ECU) über die erste Schnittstelle (Int1 ) eine Information über einen Eintritt und/oder Austritt des Hybrid-Elektro-Fahrzeuges (HEV) in und/oder aus einem Geofencing-Bereich (GF) erhält und während eines Durchfahrens des Geofencing-Bereichs (GF) einen Elektromotor des Hybrid-Elektro-Fahrzeuges (HEV) ansteuert.

13. Computerprogramm zum Regeln/und oder Steuern eines Hybrid-Elektro-Fahr zeuges (HEV), umfassend Befehle, die bewirken, dass ein Computer die Schritte ei nes der Verfahren nach einem der Ansprüche 1 bis 9 ausführt und einen optimierten Ladungszustandsverlauf (SoC) einem Steuergerät (ECU) nach einem der Ansprüche 10 bis 12 bereitstellt, wenn das Programm auf dem Computer läuft, und/oder.

14. Computerlesbarer Datenträger zum Regeln/und oder Steuern eines Hybrid- Elektro-Fahrzeuges (HEV), auf dem das Computerprogramm nach Anspruch 13 ge speichert ist.

15. Datenträgersignal zum Regeln/und oder Steuern eines Hybrid-Elektro-Fahrzeu ges (HEV), das eine Ausgabe des Computerprogramms nach Anspruch 13 überträgt.

Description:
Computerimplementiertes Verfahren zum Optimieren eines Ladunqszustands- verlaufs eines Hybrid-Elektro-Fahrzeuges und Steuergerät, Computerproqramm, computerlesbarer Datenträger und Datenträqersiqnal zum Reqeln/und oder Steuern eines Hybrid-Elektro-Fahrzeuges

Die Erfindung bezieht sich auf ein computerimplementiertes Verfahren zum Optimie ren eines Ladungszustandsverlaufs eines Hybrid-Elektro-Fahrzeuges und ein Steuer gerät, ein Computerprogramm, einen computerlesbaren Datenträger und ein Daten trägersignal zum Regeln/und oder Steuern eines Hybrid-Elektro-Fahrzeuges.

Die im Stand der Technik bekannten Verfahren zur Bestimmung eines Ladungszu standsverlaufs benötigen deterministische Vorabinformationen zu Routen, um einen Ladungsverbrauch vorherzubestimmen.

Beispielsweise ist in EP 2 692 604 A1 ein Verfahren zum Steuern des Ladezustands eines Energiespeichers eines Hybridfahrzeugs offenbart, das vorsieht, den Ladezu stand an den für die Zukunft erwarteten Energiebedarf des Hybridfahrzeugs anzu passen, wobei eine voraussichtliche Fahrtstrecke unter Verwendung der Position und der Fahrtrichtung des Hybridfahrzeugs mittels einer Positionsbestimmungseinheit er mittelt wird.

Von diesem Stand der Technik geht die Erfindung aus. Der Erfindung hat die Auf gabe zugrunde gelegen, den Ladungszustandsverlauf verbessert zu bestimmen, um einen hinsichtlich Leistungsverbrauch, Kraftstoffverbrauch und/oder Energieeffizienz optimalen Betrieb des Hybrid-Elektro-Fahrzeuges zu ermöglichen.

Das Verfahren gemäß Anspruch 1 , das Steuergerät gemäß Anspruch 10, das Com puterprogramm gemäß Anspruch 13, der computerlesbare Datenträger gemäß An spruch 14 und das Datenträgersignal gemäß Anspruch 15 lösen jeweils diese Auf gabe. Ein Aspekt der Erfindung betrifft ein computerimplementiertes Verfahren zum Opti mieren eines Ladungszustandsverlaufs eines Hybrid-Elektro-Fahrzeuges. Das Ver fahren umfasst die Schritte:

• Bestimmen einer ersten Wahrscheinlichkeitsverteilung von Routen aus einer Routenhistorie, die Routenhistorie aus zumindest ersten und zweiten Daten bestimmt wird oder bereitgestellt ist, wobei die ersten Daten Fahrerdaten aus Fährbetrieben und die zweiten Daten Fahrzeugdaten umfassen,

• Erhalten einer Zeiteingabe,

• Bestimmen von Wahrscheinlichkeiten von zukünftigen Routen aus der ersten Wahrscheinlichkeitsverteilung von Routen für die Zeiteingabe und

• Prozessieren der zukünftigen Routen durch einen ersten Optimierungsalgo rithmus, der Befehle umfasst, die bewirken, dass in Abhängigkeit der Wahr scheinlichkeiten der zukünftigen Routen ein Ladungszustandsverlauf hinsicht lich Ladungsverbrauch, Kraftstoffverbrauch und/oder Energiespeicher für eine aktuelle Route optimiert wird, wenn der erste Optimierungsalgorithmus prozes siert wird.

Ein weiterer Aspekt der Erfindung betrifft ein Steuergerät zum Regeln/und oder Steu ern eines Hybrid-Elektro-Fahrzeuges. Das Steuergerät umfasst eine erste Schnitt stelle. Über die erste Schnittstelle wird ein gemäß des erfindungsgemäßen Verfah rens optimierter Ladungszustandsverlauf erhalten. Ferner umfasst das Steuergerät eine Kontrolleinheit. Die Kontrolleinheit bestimmt Regelungs- und/oder Steuerungs signale für eine Hybridregelung, um einen Energiespeicher und/oder einen Antriebs strang des Hybrid-Elektro-Fahrzeuges gemäß des Ladungszustandsverlaufs zu be treiben. Außerdem umfasst das Steuergerät eine zweite Schnittstelle, die die Rege lungs- und/oder Steuerungssignale der Hybridregelung bereitstellt.

Ein weiterer Aspekt der Erfindung betrifft ein Computerprogramm zum Regeln/und oder Steuern eines Hybrid-Elektro-Fahrzeuges. Das Computerprogramm umfasst Befehle. Die Befehle bewirken, dass ein Computer die Schritte des erfindungsgemä ßen Verfahrens ausführt und den optimierten Ladungszustandsverlauf einem erfin dungsgemäßen Steuergerät bereitstellt, wenn das Programm auf dem Computer läuft.

Ein weiterer Aspekt der Erfindung betrifft einen computerlesbaren Datenträger zum Regeln/und oder Steuern eines Hybrid-Elektro-Fahrzeuges. Auf dem Datenträger ist das erfindungsgemäße Computerprogramm gespeichert.

Ein weiterer Aspekt der Erfindung betrifft ein Datenträgersignal zum Regeln/und oder Steuern eines Hybrid-Elektro-Fahrzeuges. Das Datenträgersignal überträgt eine Aus gabe des erfindungsgemäßen Computerprogramms.

Vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Unteransprüchen, der Zeichnung und der Beschreibung bevorzugter Ausführungsbeispiele.

Computerimplementiert bedeutet, dass die Schritte des Verfahrens von einer Daten verarbeitungsvorrichtung, beispielsweise einem Computer, einem Rechensystem, ei nem Rechnernetzwerk, beispielsweise einem Cloud-System, oder Teilen davon, aus geführt werden.

Ein Hybrid-Elektro-Fahrzeug umfasst einen Verbrennungsmotor und einen Elektro motor als Antriebsaggregate. Der Verbrennungsmotor wird aus einem Kraftstofftank mit chemischer Energie in Form von Benzin, Diesel, LPG, oder Wasserstoff versorgt. Der Elektromotor wird aus einem wiederaufladbaren Energiespeicher mit elektrischer Energie versorgt. Der Energiespeicher ist beispielsweise eine Batterie, ein Akkumula tor, ein Kondensatorenblock oder eine Brennstoffzelle.

Nach einem Aspekt der Erfindung wird für den Fall, dass der Energiespeicher eine wiederaufladbare Batterie oder ein sonstiger Akkumulator ist, eine Akkulebensdauer als zusätzliche Optimierungsgröße durch den ersten Optimierungsalgorithmus pro zessiert. Überschüssige Energie des Verbrennungsmotors wird unter Verwendung eines Ge nerators in elektrische Energie umgewandelt werden, mit welcher der Energiespei cher des Hybridelektrofahrzeugs aufgeladen werden kann.

Nach einem Aspekt der Erfindung ist das Hybrid-Elektro-Fahrzeug ein Plugin-Hybrid- Elektro-Fahrzeug, auch Plugin-Hybrid-Electric-Vehicle, abgekürzt PHEV, genannt. Der Energiespeicher eines PHEV kann zusätzlich über ein Stromnetz, beispielsweise Ladestationen für Elektrofahrzeuge, aufgeladen werden.

Ein weiterer Aspekt betrifft eine erfindungsgemäße Optimierung des Ladungszu standsverlaufs und/oder eine Verwendung der Erfindung bei einem batterieelektri schem Fahrzeug, auch Battery-Electric-Vehicle, abgekürzt BEV, genannt. Ein batte rieelektrisches Fahrzeug nutzt ausschließlich Energie gespeichert in wiederaufladba ren Batterien und keine weiteren Antriebe wie einen Verbrennungsmotor als An triebsquelle. Bei einem batterieelektrischem Fahrzeug wird das Drehmoment des Elektromotors über einer Trajektorie anhand der erfindungsgemäßen Optimierung gesteuert werden.

Nach einem weiteren Aspekt der Erfindung wirkt sowohl der Elektromotor als auch der Verbrennungsmotor direkt auf den Antriebsstrang. Dies hat den Vorteil, dass bei einem hohen Antriebsleistungsbedarf, beispielsweise beim Beschleunigen oder bei einer Bergauffahrt, der Elektromotor und der Verbrennungsmotor das Hybrid-Elektro- Fahrzeug gemeinsam antreiben. Beim Langstreckenbetrieb, beispielsweise bei einer Autobahnfahrt, wird das Hybrid-Elektro-Fahrzeug vom Verbrennungsmotor allein an getrieben, wobei beispielsweise der Elektroantriebsmotor vom Antriebsstrang mecha nisch entkoppelt wird. Besteht ein ausreichend niedriger Antriebsleistungsbedarf, bei spielsweise bei geringer Geschwindigkeit, fungiert der Elektromotor als vom Antriebs strang angetriebener Generator, der Bewegungsenergie in elektrische Energie um wandelt, mit welcher der Energiespeicher aufgeladen wird. Bei besonders niedrigem Antriebsleistungsbedarf, beispielsweise beim Ausparken oder im Schubbetrieb oder im Stop-and-Go-Betrieb, wird der Elektromotor das Hybrid-Elektro-Fahrzeug allein antreiben, wobei der Verbrennungsmotor abgeschaltet und beispielsweise vom An triebsstrang mechanisch entkoppelt wird. Diese verschiedenen Betriebsarten des Hybrid-Elektro-Fahrzeuges werden von einer Hybridregelung, beispielsweise in Form eines Steuergeräts, geregelt. Die Hybridre gelung wird auch Hybrid Power Coordinator genannt. Das erfindungsgemäße Steuer gerät regelt und/oder steuert die Hybridregelung. Beispielsweise werden Drehmo mente des Verbrennungsmotors geregelt, um Drehmoment auf den Antriebsstrang zu leiten oder um den Energiespeicher des Elektromotors aufzuladen.

In Abhängigkeit der verschiedenen Antriebsleistungsbedarfe stellt sich ein jeweiliger Ladungszustand des Energiespeichers ein. Die Erfindung ermöglicht es, dass aus Routenhistorien Ladungszustandsverläufe, auch state-of-charge, abgekürzt SoC, ge nannt, gelernt und vorherbestimmt werden und für eine aktuelle Route ein Ladungs zustandsverlauf hinsichtlich Ladungsverbrauch, Kraftstoffverbrauch und/oder Ener giespeicher optimiert wird, vorteilhafterweise ohne deterministische Routen-Vorabin- formationen, beispielsweise über das Navigationssystem. Die Hybridregelung regelt und/oder steuert die Antriebsaggregate gemäß des optimierten Ladungszustandsver laufs.

Beispielsweise benutzt der klassische Pendler zwischen vor Ort und Stadt in der Re gel kein Navigationssystem, da die Route bereits bekannt ist. Eine konventionelle Hybridregelung würde versuchen, den Energiegehalt beispielsweise eines Batterie speichers schnellst möglich zu verbrauchen. Unter der Annahme, dass die Pendel strecke die ersten 75% aus Überlandfahrt, beispielsweise Landstraße oder Auto bahn, und die letzten 25% aus Stop-and-Go-Betrieb in einer Stadt bestehen, so würde die konventionelle Strategie den Batteriegehalt für die Überlandfahrt benutzen, so dass später in der Stadt keine elektrische Energie zur Verfügung steht. Die erfin dungsgemäße Lösung hat dagegen bereits auch vergangenen Fahrten gelernt, wel che Strecke der Pendler an Arbeitstagen oder einer sonstigen Zeiteingabe wahr scheinlich zurücklegen wird. Daraus würde sich beispielsweise ergeben, dass der erste Optimierungsalgorithmus vorschlagen wird, den Energiegehalt nicht für die ver gleichsweise effiziente Überlandfahrt zu investieren, sondern für die ineffiziente Stop- and-Go Fahrt in der Stadt. Damit wird mit der Erfindung eine CO2 Emission um 10 bis 20 % reduziert. Erfindungsgemäß wird dann der gesamte Streckenverbrauch optimiert, was alleine mit einer Kurzstrecken/-zeit-Optimierung nicht möglich ist. Er findungsgemäß sind keine deterministischen Informationen zu der Route notwendig, da das Fahrzeugverhalten durch das vorherige Verhalten gelernt wurde.

Fahrerdaten aus Fährbetrieben, das heißt aus zurückliegenden, historischen Fährbe trieben, umfassen gefahrene Routen des Fahrers zusammen mit einer Zeiteingabe und Beschleunigungsverhalten, Bremsverhalten und/oder Gangwahl des Fahrers auf diesen Routen. Die zweiten Daten umfassen Geschwindigkeitsdaten, Motordaten, Getriebedaten, Positionsdaten, Energiespeicherdaten und Leistungsbedarf. Erfin dungsgemäß werden die ersten und zweiten Daten als Verfahrensschritt bestimmt, beispielsweise eingefahren oder simuliert, beispielsweise in Software-, hardware- oder vehicle-in-the-loop, oder sind bereitgestellt.

Nach einem Aspekt werden die ersten und die zweiten und dritte Daten und der Energieverbrauch während der gesamten Laufzeit des Hybrid-Elektro-Fahrzeuges gemessen und gespeichert. Damit ermöglicht es die Erfindung, Verbrauchsdaten zu rückzuverfolgen.

Aus den ersten und zweiten Daten werden Routenhistorien bestimmt, die beispiels weise umfassen, welche Routen ein erster Fahrer zu welchen Uhrzeiten an welchen Wochentag fährt. Aus diesen Routenhistorien wird erfindungsgemäß gelernt, wie wahrscheinlich es ist, dass der erste Fahrer eine aktuelle Route fährt in Abhängigkeit einer Zeiteingabe. Die aktuelle Route ist die Route, die der Fahrer zu dieser Zeitein gabe beabsichtigen wird zu fahren.

Zeiteingaben umfassen Uhrzeiten, Wochentage oder Jahrestage als Datum. Nach ei nem Aspekt der Erfindung umfassen Zeiteingaben länderspezifische Feiertage, um den Ladungszustand auch in Abhängigkeit eines an Feiertagen gelernten und zu er wartenden Verkehrsaufkommens zu optimieren.

Nach einem weiteren Aspekt der Erfindung werden Fahreridentifikation und Zeitein gaben erhalten. Fahreridentifikation, auch Driver ID genannt, kennzeichnet den je weiligen Fahrer eindeutig. Damit werden erfindungsgemäß Fahrerprofile im Zusammenhang mit Routenhistorien gelernt. Beispielsweise ermöglicht es damit die Erfindung, für einen ersten Fahrer und zumindest einen zweiten Fahrer einen ersten und zweiten Ladungszustandsverlauf zu optimieren. Beispielweise pendelt der erste Fahrer zu einer ersten Zeiteingabe zwischen Stadt und Land. Der zweite Fahrer fährt zu einer zweiten Zeiteingabe Autobahn. Für diese unterschiedlichen Routen ergeben sich die unterschiedlich optimierten ersten und zweiten Ladungszustandsverläufe.

Dies ist insbesondere für Flottenfahrzeuge von Vorteil, aber auch im Sinne von Mobi- lity-as-a-Service, in dem das Hybrid-Elektro-Fahrzeug als, beispielsweise buchbare, Dienstleistung, verschiedenen Fahrern angeboten wird. Nach einem Aspekt der Er findung umfasst die Fahreridentifikation Fahrer spezifische Einstellungen des Hybrid- Elektro-Fahrzeuges, beispielsweise Sitzeinstellungen.

Die zukünftigen Routen sind die möglichen Routen, die ein bestimmter Fahrer in Ab hängigkeit der Zeiteingabe fahren könnte.

Der erste Optimierungsalgorithmus ist nach einem Aspekt der Erfindung ein stochas tischer Optimierer. Der erste Optimierungsalgorithmus ist ein SoC-Optimizer.

Nach einem Aspekt der Erfindung führt der erste Optimierungsalgorithmus periodisch oder zyklisch eine Langzeit-Optimierung des Ladungszustandsverlauf durch, bei spielsweise für jeweils mehr als 30 Sekunden für die aktuelle Route. Dies hat den Vorteil, dass auch eine Änderung der aktuell gefahrenen Route berücksichtigt wird.

Befehle umfassen Softwarecodeabschnitte, Maschinencode oder Binärcode.

Mit anderen Worten werden historische Fahrzeug- und Fahrerdaten verwendet, um ein stochastisches Modell zu trainieren, um so Wahrscheinlichkeiten für potenzielle, zu künftige Routen zu erhalten. Auch werden beispielsweise das Fahrer- und Verkehrs verhalten mitgelernt. Anschließend wird über eine stochastische Optimierung der Er wartungswert für eine Kenngröße wie der Gesamteffizienz, Gesamtenergieverbrauch oder nur Benzinverbrauch minimiert. Ergebnis der Optimierung ist dabei die erwartete Ideal-Trajektorie für den SoC-Verlauf als auch ein variables Toleranzband um diese Trajektorie, in dem eine unterliegende Hybridregelung, in der Regel Drehmomentver teilung, den Energiespeicher betreiben soll.

Das erfindungsgemäße Verfahren wird nach einem Aspekt der Erfindung von einem Rechensystem ausgeführt. Das Rechensystem ist beispielsweise eine Cloud-Platt- form, beispielsweise eine Cloud-Plattform einen Flottenbetreibers der Hybrid-Elektro- Fahrzeuge. Das Rechensystem umfasst gemäß einer Ausführungsform beispiels weise wenigstens einen Mehrkernprozessor umfassend mehrere Zentralprozessoren, um Rechenressourcen bereitzustellen, und wenigstens einen Grafikprozessor umfas send eine Mikroarchitektur für paralleles Prozessieren von Abläufen. Bei einem Mehrkernprozessor sind mehrere Kerne auf einem einzigen Chip angeordnet. Mehr kernprozessoren erreichen eine höhere Rechenleistung und sind kostengünstiger in einem Chip zu implementieren im Vergleich zu Mehrprozessorsystemen, bei denen jeder einzelne Kern in einem Prozessorsockel angeordnet ist und die einzelnen Pro zessorsockel auf einer Hauptplatine angeordnet sind. Zentralprozessoren sind soge nannte central Processing units, abgekürzt CPU. Die Zentralprozessoren haben bei spielsweise eine 64-bit Architektur. Der Grafikprozessor, im Englischen graphic Pro cessing unit, abgekürzt GPU, genannt, umfasst vorzugsweise wenigstens eine Pro zesseinheit zum Ausführen von Tensor -und/oder Matrixmultiplikationen. Tensor- und/oder Matrixmultiplikationen sind die zentralen Rechenoperationen für das Deep Learning, einer Form von künstlicher Intelligenz. Das Rechensystem umfasst auch eine Programmierschnittstelle zur Verwendung des Grafikprozessors als Koprozes sor der Zentralprozessoren. Die Programmierschnittstelle ist beispielsweise eine CUDA-API. Ferner umfasst das Rechensystem wenigstens einen Speicher und ein Bussystem für einen Datenaustausch mit den Prozessoren und Peripheriegeräten. Beispielsweise ist der Speicher ein double data rate synchronous dynamic RAM, ab gekürzt DDR SDRAM, Speicher.

Das Steuergerät, im Englischen electronic control unit, abgekürzt ECU, genannt, be reitet Eingangssignale auf, verarbeitet diese mittels einer elektronischen Schaltung und stellt Logik- und/oder Leistungspegel als Regel- und/oder Steuersignale bereit. Das erfindungsgemäße Steuergerät ist skalierbar für assistiertes Fahren bis hin zu vollautomatisiertes/autonomes/fahrerloses Fahren. Die Kontrolleinheit umfasst beispielsweise eine programmierbare elektronische Schaltung. Nach einem Aspekt der Erfindung ist die Kontrolleinheit oder das Steuer gerät als ein System-on-Chip ausgeführt.

Das Computerprogramm wird beispielsweise in einen Speicher des erfindungsgemä ßen Steuergeräts geladen oder ist in diesem Speicher bereits geladen. Das Compu terprogramm wird beispielsweise durch den computerlesbaren Datenträger oder das Datenträgersignal in den Speicher geladen. Damit wird die Erfindung auch als eine Aftermarket-Lösung realisiert.

Der computerlesbare Datenträger ist beispielsweise ein solid-state-drive oder ein Cloud-Speicher.

Das Datenträgersignal überträgt den optimierten Ladungszustandsverlauf an ein erfin dungsgemäßes Steuergerät, beispielsweise drahtlos mittels Funktechnologie, bei spielsweise mittels LTE oder 5G Standard.

Durch die erfindungsgemäße Optimierung des Ladungszustandsverlaufs wird Reku- perationsenergie eingespart.

Gemäß einer Ausgestaltung des Verfahrens wird eine zweite Verteilung an Drehmo ment- und/oder Leistungsbedarf für Routenabschnitte aus einer Hybridregelungshis torie bestimmt. Die Hybridregelungshistorie wird aus zumindest den ersten und zwei ten Daten bestimmt oder ist basierend auf diesen bereitgestellt. Die zweite Verteilung wird in den ersten Optimierungsalgorithmus zusammen mit den zukünftigen Routen eingegeben. Zusätzlich oder alternativ optimiert ein zweiter Optimierungsalgorithmus in Abhängigkeit der Wahrscheinlichkeit einer der zukünftigen Routen den Drehmo ment- und/oder Leistungsbedarf für die aktuelle Route.

Damit wird vorteilhafterweise die Drehmomentverteilung für die aktuelle Route opti miert. Insbesondere wird aus der Hybridregelungshistorie gelernt, zu welchen Zeiten auf einer Route die Hybridregelung den Energiespeicher betreiben soll. Der zweite Optimierungsalgorithmus ist ein Torque-Distribution-Optimizer.

Nach einem Aspekt der Erfindung führt der zweite Optimierungsalgorithmus perio disch oder zyklisch eine Kurzzeit-Optimierung der Drehmomentverteilung durch, bei spielsweise für jeweils weniger als 30 Sekunden für die aktuelle Route. Damit wird auf einen Drehmomentbedarf des Hybrid-Elektro-Fahrzeuges und/oder eines Nutzers des Hybrid-Elektro-Fahrzeuges in relativ kurzen Abständen reagiert. Der Drehmo mentbedarf ist ein Kontrollparameter für den Ladungszustandsverlauf.

In einer weiteren Ausgestaltung werden die Routenhistorie, die zukünftige Routen und/oder Hybridregelungshistorie aus dritten Daten bestimmt oder sind basierend auf den dritten Daten bereitgestellt. Die dritten Daten umfassen Routenparameter, Ver kehrsdaten, Infrastrukturdaten, Wetterdaten und/oder Veranstaltungsdaten. Routen parameter umfassen Steigung, Gefälle, Positionen von Ladungsstationen für Elektro fahrzeuge und Geschwindigkeitsbegrenzungen. Bei der Bestimmung von Wahr scheinlichkeiten von zukünftigen Routen für die Zeiteingabe werden dann auch zu künftig wahrscheinliche Routenparameter, Verkehrsabläufe, Wetter und/oder Veran staltungen bestimmt, nach einem Aspekt der Erfindung zyklisch pro Routenabschnitt, und durch den ersten Optimierungsalgorithmus prozessiert.

Befinden sich Ladungsstationen auf einer Route, kann ein Energiespeicher eines Plugin-Hybrid-Elektro-Fahrzeuges an diesen Ladungsstationen geladen werden.

Nach einem Aspekt der Erfindung gehen die Positionen von Ladungsstationen in die Optimierung des Ladungszustandsverlaufs für Plugin-Hybrid-Elektro-Fahrzeuge ein.

Verkehrsdaten umfassen Verkehrsflüsse, Baustellen, Straßensperrungen und/oder Durchfahrtsverbote. Infrastrukturdaten umfassen Schaltzeiten von Lichtanlagen, bei spielsweise Ampeln, und Geofencing-Bereiche, beispielsweise Eco-Zonen in Städ ten. Wetterdaten sind Daten zum aktuellen du zukünftigen Wetter, beispielsweise Re genprognosen. Veranstaltungsdaten umfassen beispielsweise Messen. Bei Messen ist insbesondere auf Routen, die das Einzugsgebiet einer Messe umfassen, mit ei nem hohen Verkehrsaufkommen zu rechnen. Mittels der dritten Daten wird eine Optimierung des Ladungszustandsverlauf auf bestimmte Streckenabschnitte, Ver kehrsaufkommen, beispielsweise Staus, und Wetter angepasst und damit weiter ver bessert. Beispielsweise wird ein Stop-und-Go-Betrieb auf die aktuelle oder wahr scheinlich aktuelle Verkehrssituation angepasst.

In einer weiteren Ausgestaltung werden bei der Optimierung des Ladungszustands verlaufs und/oder des Drehmoment- und/oder Leistungsbedarfs Geofencing-Bereiche auf Routen, in denen ein elektrischer Betrieb des Hybrid-Elektro-Fahrzeuges zu akti vieren ist oder automatisiert aktiviert wird, berücksichtigt. Geofencing-Bereiche sind beispielsweise Eco-Zonen, beispielsweise in Städten. Damit ist dann in der Vorher sage des Ladungszustandsverlaufs berücksichtigt, dass das Hybrid-Elektro-Fahrzeug beispielsweise in Städten elektrisch fährt.

In einer weiteren Ausgestaltung werden die erste Wahrscheinlichkeitsverteilung und/oder die zweite Verteilung statistisch bestimmt oder maschinell gelernt. Das Be stimmen oder das Lernen erfolgt mittels Gauß Mischverteilungsmodellen, Gauß-Pro- zessen, Support-Vector-Machine Algorithmen, Random-Forest-Tree Algorithmen o- der Gradienten basierten Lernen künstlicher neuronaler Netzwerke. Maschinelles Lernen ist eine Technologie, die Computern und anderen Datenverarbeitungsvorrich tungen die Ausführung von Aufgaben durch Lernen aus Daten lehrt, anstatt für die Aufgaben programmiert zu werden.

Gauß Mischverteilungsmodelle und Gauß-Prozesse sind rückverfolg bar und erlauben damit gegebenenfalls eine relativ bessere Fehlerrückverfolgung.

Eine Support-Vector-Machine ist ein Klassifikator, die eine Menge von Objekten der art in Klassen, beispielsweise Verbrennerbetrieb und Elektrobetrieb, unterteilt, dass um Klassengrenzen herum ein möglichst breiter Bereich frei von Objekten bleibt.

Random Forest ist ein Klassifikator umfassend unkorrelierte Entscheidungsbäume, die nach einer bestimmten Randomisierung während eines Lernprozesses wachsen. Für eine Klassifikation darf jeder Baum in diesem Wald eine Entscheidung treffen und die Klasse mit den meisten Stimmen entscheidet die endgültige Klassifikation. Bei einer Gesamtanzahl von beispielsweise zwei Merkmalen, beispielsweise Routen abschnitte mit Verbrennerbetrieb und Routenabschnitte mit Elektrobetrieb, werden beispielsweise zwei Entscheidungsbäume verwendet, für die jeweils eines dieser Merkmale gewählt wird. Zusätzlich werden Entscheidungsbäume verwendet, für die jeweils zwei dieser Merkmale gewählt werden, beispielsweise Verbrennerbetrieb und Elektrobetrieb. Die Anzahl k von Merkmalen und die Anzahl der Entscheidungs bäume sind Parameter für den Random Forest Klassifikator. Vorteile des Random Forest sind unter anderem, dass er relativ schnell trainiert wird aufgrund kurzen Trai nings- und/oder Aufbauzeiten eines einzelnen Entscheidungsbaums und dass Evalu ierungen aufgrund mehrerer Bäume parallelisierbar sind.

Gradienten basiertes Lernen künstlicher neuronaler Netzwerke ist eine Form des überwachten Lernens. Dabei werden Datenpaare umfassen erste Daten, die auszu werten sind, und zweite Daten, die bereits das Ist-Ergebnis der Auswertung umfas sen, durch das künstliche neuronale Netzwerk vorwärtsgespeist und in Rück wärtsspeisungen über Gradientenbildung zwischen Ist- und Soll-Ausgabe von Neuro nen Gewichte angepasst, damit eine Gesamtkostenfunktion des künstlichen neuro nalen Netzwerks minimiert wird. Datenpaare zum Trainieren einer Vorhersage von wahrscheinlichen Routen umfassen als erste Daten beispielsweise Routendaten um fassend Positionsdaten und Zeitdaten, um zu lernen, zu welcher Zeiteingabe welche Route gefahren wird. Beispielsweise umfasst der erste Optimierungsalgorithmus re kurrente künstliche neuronale Netzwerke oder konvolutionale Netzwerke. Nach ei nem Aspekt der Erfindung umfasst das rekurrente künstliche neuronale Netzwerk Long-Term-Short-Memory, abgekürzt LSTM, Einheiten. Damit werden vorteilhafter weise zeitliche Zusammenhänge in der Routenhistorie und/oder der Hybridrege lungshistorie gelernt.

In einer weiteren Ausgestaltung umfassen für das Optimieren des Ladungszustands verlauf und/oder des Drehmoment- und/oder Leistungsbedarfs der erste und/oder der zweite Optimierungsalgorithmus Befehle zum Lösen von Bellman-Gleichungen und/oder der Ladungszustandsverlauf und/oder der Drehmoment- und/oder Leis tungsbedarf werden durch verstärktes Lernen oder einen evolutionären Algorithmus optimiert. Bei verstärktem Lernen, auch reinforcement learning genannt, lernt eine Maschine aus Interaktionen mit einer Umgebung. Dabei führt die Maschine eine Aktion aus und beobachtet eine Reaktion der Umgebung auf diese Aktion. Tritt ein beabsichtigter Er folg ein, wird die Maschine belohnt, andernfalls bestraft. Erfindungsgemäß wird mit tels verstärkten Lernens eine SoC-Policy und/oder eine Strategie für den Drehmo ment- und/oder Leistungsbedarf derart gelernt, dass der erwartete Gewinn, das heißt die Gesamteffizienz des Hybrid-Elektro-Fahrzeuges, maximiert wird. Eine Policy bil det Zustände auf Aktionen ab. Die SoC-Policy bildet beispielsweise Batterierestlauf zeit auf Drehmomentregelung ab. Eine Wertefunktion für einen Zustand und eine Po licy beschreibt den Gewinn, der von diesem Zustand aus erreicht wird. Für die Werte funktion gelten die Bellman-Gleichungen.

Ein evolutionäres Algorithmus prozessiert die Routenhistorien, Hybridregelungshisto rien und/oder Ladungszustandsverläufe nach folgenden Schritten:

• Initialisierung: Die erste Generation von Lösungskandidaten, das heißt La dungszustandsverläufen, von zukünftigen Routen und/oder Drehmomentver teilungen wird erzeugt.

• Evaluation: Jedem Lösungskandidaten der Generation wird entsprechend sei ner Güte ein Wert einer Fitnessfunktion zugewiesen. Die Fitnessfunktion ist die Zielfunktion des evolutionären Algorithmus. Die erfindungsgemäße Fit nessfunktion ist beispielsweise die Gesamteffizienz.

• Durchlaufe die folgenden Schritte, bis ein Abbruchkriterium erfüllt ist: o Selektion: Auswahl von Individuen für die Rekombination o Rekombination: Kombination der ausgewählten Individuen o Mutation: Zufällige Veränderung der Nachfahren o Evaluation: Jedem Lösungskandidaten der Generation wird entspre chend seiner Güte ein Wert der Fitnessfunktion zugewiesen o Selektion: Bestimmung einer neuen Generation. Nach einem Aspekt der Erfindung wird das verstärkte Lernen mittels des evolutionä ren Algorithmus ausgeführt.

In einer weiteren Ausgestaltung wird die aktuelle Route zusammen mit dem optimier ten Ladungszustandsverlauf und/oder dem Drehmoment- und/oder Leistungsbedarf dem visualisiert.

Beispielsweise wird eine Karte ausgegeben, die den vorhergesagten SoC-Verlauf für die vorausliegenden 30 Sekunden darstellt. Die Karte wird beispielsweise durch ein Infotainment-System des Hybrid-Elektro-Fahrzeuges einem Nutzer dargestellt oder in einer Cloud-Anwendung dargestellt.

Nach einem Aspekt der Erfindung wird die Karte zusammen mit dem vorhergesagten SoC-Verlauf periodisch, beispielsweise alle 30 Sekunden, aktualisiert. Nach einem weiteren Aspekt der Erfindung wird die Karte und der SoC-Verlauf in einer Cloud- Plattform bestimmt und aktualisiert.

In einer weiteren Ausgestaltung werden durch die Langzeit-Optimierung des ersten Optimierungsalgorithmus und/oder die Kurzzeit-Optimierung des zweiten Optimie rungsalgorithmus Routenabschnitte und/oder Routen berücksichtigt werden, die Kraftstoff- und/oder Ladungsverbrauch einsparen. Damit wird der Ladungszustands verlauf in Situationen optimiert, die potentiell Kraftstoff und/oder Ladungsverbrauch wahrscheinlich einsparen können. Beispielsweise wird bei der Optimierung des SoC- Verlaufs und/oder der Torque Distribution jeweils ein Margin, das heißt ein Toleranz band, Begrenzung, Spielraum oder Seitenränder bestimmt, in dem Kraftstoff und/o der Ladungsverbrauch potentiell eingespart werden könnten.

In einer weiteren Ausgestaltung werden der erste Optimierungsalgorithmus auf einer Cloud-Plattform und/oder der zweite Optimierungsalgorithmus auf einem Steuergerät des Hybrid-Elektro-Fahrzeuges ausgeführt.

Über die Cloud-Plattform wird Speicherplatz, Rechenleistung und/oder Computerpro gramme als Dienstleistung bereitgestellt. Das Ergebnis des erfindungsgemäßen Computerprogramms, nämlich der optimierte Ladungszustandsverlauf, werden erfin dungsgemäßen Steuergeräten Hybrid-Elektro-Fahrzeugen zur Verfügung gestellt, ohne dass diese Computerprogramme auf den Steuergeräten installiert sein müssen.

Gemäß einer Ausgestaltung des Steuergeräts führt die Kontrolleinheit einen zweiten erfindungsgemäßen Optimierungsalgorithmus aus. In einer Ausgestaltung der Erfin dung wird damit der SoC Optimizer in der Cloud betrieben und derTorque Distribu tion Optimizer auf dem erfindungsgemäßen Steuergerät.

In einer weiteren Ausgestaltung ist die erste Schnittstelle des Steuergeräts ausge führt, Umfelddaten zu erhalten, die bei der Optimierung berücksichtigt werden, insbe sondere bei der Optimierung des Drehmoment- und/oder Leistungsbedarfs durch den zweiten Optimierungsalgorithmus. Alternativ umfasst das Steuergerät eine weitere Eingangsschnittstelle, um die Umfelddaten zu erhalten. Umfelddaten werden bei spielsweise von Umfelderfassungssensoren des Hybrid-Elektro-Fahrzeuges erhalten und umfassen auch Verkehrsdaten. Vorteilhafterweise ist das Hybrid-Elektro-Fahr- zeug für einen SAE J3016 Level 2 bis 5 Betrieb ausgeführt, das heißt es umfasst Umfelderfassungssensoren, beispielsweise Sensoren basierend auf Radar-, Kamera- und/oder Lidartechnologie, zur Perzeption des Umfeldes. Erfindungsgemäß werden die mit diesen Umfelderfassungssensoren gesammelten Umfelddaten zur Optimie rung des Ladungszustandsverlaufs und/oder des Drehmoment- und/oder Leistungs bedarfs verwendet.

In einer weiteren Ausgestaltung erhält das Steuergerät über die erste Schnittstelle eine Information übereinen Eintritt und/oder Austritt des Hybrid-Elektro-Fahrzeuges in und/oder aus einem Geofencing-Bereich. Während eines Durchfahrens des Ge- ofencing-Bereichs steuert das Steuergerät einen Elektromotor des Hybrid-Elektro- Fahrzeuges an.

Die Erfindung wird in den folgenden Ausführungsbeispielen verdeutlicht. Es zeigen: Fig. 1 ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens, Fig. 2 ein Ausführungsbeispiel eines erfindungsgemäß optimierten Ladungszu standsverlaufs,

Fig. 3a ein Ausführungsbeispiel einer Visualisierung eines Ladungszustandsverlaufs, fig. 3b ein Ausführungsbeispiel eines Geofencing -Bereichs,

Fig. 4 ein Ausführungsbeispiel einer Visualisierung eines Drehmomentbedarfs,

Fig. 5 ein Ausführungsbeispiel einer Cloud-Anwendung und

Fig. 6 ein weiteres Ausführungsbeispiel eines erfindungsgemäßen Verfahrens.

In den Figuren bezeichnen gleiche Bezugszeichen gleiche oder funktionsähnliche Bezugsteile. Übersichtshalber werden in den einzelnen Figuren nur die jeweils rele vanten Bezugsteile hervorgehoben.

Fig. 1 zeigt beispielhaft den Ablauf eines erfindungsgemäßen computerimplementier ten Verfahrens. In einem Verfahrensschritt V1a wird eine Routenhistorie aus Fahrer daten DID und Fahrzeugdaten VD bestimmt aus einem Dauerlaufbetrieb eines Hyb- rid-Elektro-Fahrzeuges HEV. Aus dieser Routenhistorie wird in einem Verfahrens schritt V1 eine Wahrscheinlichkeitsverteilung PR von Routen bestimmt. In einem Ver fahrensschritt V2 wird eine Zeiteingabe TS erhalten, beispielsweise ein Datum und eine Uhrzeit. Für diese Zeiteingabe TS werden in einem Verfahrensschritt V3 Wahr scheinlichkeiten von zukünftigen Routen bestimmt. In einem Verfahrensschritt V4 werden die zukünftigen Routen durch einen ersten Optimierungsalgorithmus Opt1 prozessiert und dabei ein Ladungszustandsverlauf SoC hinsichtlich Ladungsver brauch, Kraftstoffverbrauch und/oder Energiespeicher für eine aktuelle Route opti miert.

Fig. 2 zeigt einen erfindungsgemäß bestimmten optimierten Ladungszustandsverlauf SoC für eine spezifische Route. Das Optimierungsziel lautet keine Energie zu ver schwenden und den Energiespeicher zu sichern. Dargestellt sind auch Toleranzbänder, um in Energie sparenden Situationen innerhalb des Toleranzbandes entsprechend reagieren zu können. Ausgegangen wird beispielsweise von einer Pendlerstrecke, die die ersten 75% aus Überlandfahrt und die letzten 25% aus Stop- and-Go-Betrieb in einer Stadt besteht. Erfindungsgemäß wurde dieser Streckenver lauf und der benötigte Energiebedarf gelernt. Der erste Optimierungsalgorithmus Opt1 schlägt vor, den Energiegehalt nicht für die vergleichsweise effiziente Überland fahrt zu investieren, sondern für die ineffiziente Stop-and-Go Fahrt in der Stadt. An einem Arbeitstag, an dem ein Pendler diese Strecke als aktuelle Route fährt, steuert das erfindungsgemäße Steuergerät ECU entsprechend dieses Ladungszustandsver laufs SoC.

Fig. 3a zeigt den erfindungsgemäß optimierten Ladungszustandsverlauf SoC visuell in einer Karte. Die Karte zeigt eine für jeweils mehr als 30 Sekunden vorherbe stimmte SoC-Policy und wird alle 30 Sekunden aktualisiert. Die Karte wird auf Fahr erdaten DID, Fahrzeugdaten VD, Verkehrsvoraussagen TP und/oder Daten aus ei nem Flottenbetrieb von Hybrid-Elektro-Fahrzeugen HEV aufgebaut und umfasst Ge- fencing-Bereiche GF. Ein Geofencing-Bereich GF, in dem das Hybrid-Elektro-Fahr- zeug HEV elektrisch zu betreiben ist, ist in Fig. 3b gezeigt.

Fig. 4 zeigt den erfindungsgemäß bestimmten erwarteten Verlauf des Drehmoment- und/oder Leistungsbedarf TPD auf Routenabschnitten. Eine dunklere Schraffierung bedeutet dabei einen höheren Drehmoment- und/oder Leistungsbedarf TPD.

Das in Fig. 5 gezeigte Hybrid-Elektro-Fahrzeug HEV ist ein Plugin-Hybrid-Elektro- fahrzeug, dessen Energiespeicher über ein Stromnetz an Ladestationen aufgeladen werden kann. Der erste Optimierungsalgorithmus Opt1 wird in einer Cloud-Plattform prozessiert und der optimierte Ladungszustandsverlauf SoC über Funktechnologie einem Steuergerät ECU des Hybrid -Elektro-Fahrzeuges HEV bereitgestellt. Das Steuergerät ECU umfasst eine erste Schnittstelle Int1 , über die Daten aus der Cloud- Plattform einer Kontrolleinheit Cont des Steuergeräts ECU bereitgestellt werden. Die Kontrolleinheit Cont führt einen zweiten Optimierungsalgorithmus Opt2 aus, der den Drehmoment- und Leistungsbedarf TPD optimiert. Die Kontrolleinheit Cont bestimmt Regelungs- und/oder Steuerungssignale für eine Hybridregelung, um den Energiespeicher und/oder einen Antriebsstrang des Hybrid-Elektro-Fahrzeuges HEV gemäß des optimierten Ladungszustandsverlaufs SoC zu betreiben. Die Regelungs und/oder Steuerungssignale werden der Hybridregelung über eine zweite Schnitt stelle Int2 des Steuergeräts ECU bereitgestellt.

Fig. 6 zeigt eine weitere erfindungsgemäße Ausführungsform des vorgeschlagenen Verfahrens. In einem ersten Abschnitt des Verfahrens, dem Routen-Vorherbestim- mer, werden Routen vorherbestimmt. Dieser Abschnitt umfasst die Verfahrens schritte V1 und V1a. In einem zweiten Abschnitt, dem Verkehr-Vorherbestimmer, werden die Verkehrsvoraussagen TP bestimmt. In einem dritten Abschnitt, dem Drehmoment- und/oder Leistungs-Vorherbestimmer, werden die Drehmoment- und Leistungsbedarfe TPD bestimmt. In einem vierten Abschnitt, dem SoC-Strategie-Op- timierer, wird eine optimierte Ladungszustandsverlauf-Policy bestimmt. Der vierte Ab schnitt umfasst die Verfahrensschritte V2, V3 und V4. Ausgaben der einzelnen Ab schnitte sind Eingaben für die jeweils folgenden Abschnitte. Nach einem Aspekt der Erfindung entspricht jedem Abschnitt ein eigener Softwarecodeabschnitt. Jeder die ser Softwarecodeabschnitte umfassend eine jeweilige Input-Output-Struktur ist ein eigenständiges Softwaremodul.

Eingaben für den ersten Abschnitt umfassen Fahrerdaten DID, Fahrzeugdaten VD und Zeiteingaben TS. Die Fahrerdaten DID umfassen eine Fahreridentifikation, um zwischen mehreren Fahrern unterscheiden zu können. In Abhängigkeit dieser Daten wird eine Routenhistorie erstellt. In Abhängigkeit der Routenhistorie wird die Wahr scheinlichkeitsverteilung PR von Routen bestimmt. Ausgehend von der Zeiteingabe TS und der Wahrscheinlichkeitsverteilung PR wird die aktuelle, das heißt die erwar tete, Route als Ausgabe bestimmt zusammen mit entsprechenden Routenparame tern RP, beispielsweise Positionen von Ladestationen auf der Route.

Eingaben für den zweiten Abschnitt umfassen Fahrzeugdaten VD, Wetterdaten WD, Routenparameter RP, Zeiteingaben TS und externe Daten ED. Die externen Daten umfassen beispielsweise Kartendaten von Kartenanbietern, um Verkehrsflüsse anzu zeigen. Die Eingaben umfassen beispielsweise Listen von vorherzubestimmenden Straßenabschnitten. Ausgabe des zweiten Abschnittes ist die Verkehrsvoraussage TP umfassend Beschleunigungen und Geschwindigkeiten des Verkehrs pro Routen abschnitt in Abhängigkeit der zu erwarteten Route. Durch die Verkehrsvoraussage TP wird ein Stop-und-Go-Betrieb des Hybrid-Elektro-Fahrzeuges HEV vorteilhafter weise auf eine wahrscheinlich aktuelle Verkehrssituation angepasst.

Eingaben für den dritten Abschnitt umfassen Fahrerdaten DID, Fahrzeugdaten VD, Wetterdaten WD, Routenparameter RP, Zeiteingaben TS und die Verkehrsvoraus sage TP. Ausgaben des dritten Abschnittes umfassen den Drehmoment- und/oder Leistungsbedarf TPD pro Routenabschnitt in Abhängigkeit der Verkehrsvoraussage TP. Der Drehmoment- und/oder Leistungsbedarf TPD wird kurzzeitig optimiert und umfasst eine Gangwahl.

Eingaben für den vierten Abschnitt umfassen die Wahrscheinlichkeitsverteilung PR von Routen zusammen mit den Routenparametern RP, die Verkehrsvoraussage TP, den Drehmoment- und/oder Leistungsbedarf TPD und gegebenenfalls Bedingungen oder Einschränkungen an den Ladungszustandsverlauf SoC. Ziel des ersten Opti mierungsalgorithmus ist es, einen Ladungszustandsverlauf SoC zu finden, der mög lichst keine Energie verschwendet und den Energiespeicher schont.

Bezuqszeichen

SoC Ladungszustandsverlauf

HEV Hybrid-Elektro-Fahrzeug

PR Wahrscheinlichkeitsverteilung von Routen

DID Fahrerdaten

VD Fahrzeugdaten

TS Zeiteingabe

WD Wetterdaten

ED externe Daten

Opt1 erster Optimierungsalgorithmus

Opt2 zweiter Optimierungsalgorithmus

TP Verkehrsvoraussage

RP Routenparameter

TPD Drehmoment- und/oder Leistungsbedarf

GF Geofencing-Bereich

ECU Steuergerät

Int1 erste Schnittstelle

Int2 zweite Schnittstelle

Cont Kontrolleinheit

V1 -V4 Verfahrensschritte