Kritikalitätsbewertung und Bordnetzsteuerung für ein prädiktives Leistungsmanagement

Das elektrische Bordnetz in heutigen Fahrzeugen versorgt die elektrischen Verbraucher mit Energie und setzt sich aus Generator, DC-DC-Wandlern, Batterien, Verbrauchern sowie Leitungen zusammen. Aufgrund der zunehmenden Elektrifizierung von Verbrauchern in Folge der steigenden Umweltschutzanforderungen sowie der Weiterentwicklung des automatisierten Fahrens steigt der Leistungsbedarf im Bordnetz stark an. Die heutigen Bordnetze können diese erhöhten Leistungsanforderungen nur durch leistungsstärkere Generatoren, DC-DC-Wandler und Batterien erfüllen, womit die Kosten, aber auch Bauraum und Gewicht des Bordnetzes zunehmen. In der vorliegenden Dissertation wird die Kritikalitätsbewertung und die Bordnetzsteuerung für ein prädiktives Leistungsmanagement entwickelt, mit dessen Hilfe die steigenden Leistungsanforderungen in einem heutigen Bordnetz ohne größere oder zusätzliche Komponenten erfüllt werden können. Das prädiktive Leistungsmanagement basiert auf einer Prognose der Verbraucherzustände, welche aus den in zukünftigen und automatisierten Fahrzeugen vorhandenen Umfeldinformationen, der Trajektorienplanung und Daten von intelligenten Verbrauchern abgeleitet werden kann. Das Ziel des prädiktiven Leistungsmanagements ist die Vermeidung von leistungskritischen Situationen, die zu Spannungseinbrüchen führen können. Dafür wird zunächst ein Zielspannungsbereich festgelegt, welcher in der Folge zur Bewertung der erwarteten Situationen genutzt wird. Die Stromaufnahme der Verbraucher im Bordnetz wird modellbasiert je nach vorliegendem Verbrauchertyp prognostiziert und zu einem erwarteten Summenstrom aller Verbraucher zusammengefasst. Die versorgenden Komponenten im Bordnetz müssen den Summenstrom zur Verfügung stellen und reagieren darauf unter Umständen mit Schwankungen in der Systemspannung. Mithilfe einer Leistungsspezifikation für elektrische Quellen und einem Batteriemodell kann die Systemspannung im Prognosehorizont abgeschätzt werden. Zur Bewertung der Kritikalität der erwarteten Situation wird die prognostizierte Systemspannung mit dem definierten Zielspannungsbereich abgeglichen. Ergibt sich daraus eine erwartete, leistungskritische Situation im Prognosehorizont, werden performante Gegenmaßnahmen ausgewählt und eingeleitet. Dafür werden im Rahmen der Dissertation mögliche Gegenmaßnahmen aufgezeigt und gewichtet. In der Echtzeitanwendung wird der Zeitpunkt bestimmt, zu dem die Gegenmaßnahme eingeleitet werden muss. Dieser liegt entsprechend dem prädiktiven Ansatz zeitlich vor dem Eintritt der leistungskritischen Situation. Die entwickelten Algorithmen werden zur Validierung in einem Demonstrator-Fahrzeug als Echtzeitanwendung implementiert und entsprechend der Randbedingungen des Demonstrator-Fahrzeugs parametrisiert. Zur Validierung wird eine Notbremsung auf ein stehendes Hindernis durchgeführt, welche reproduzierbar zu einer leistungskritischen Situation führt. Durch die Aktivierung des entwickelten prädiktiven Leistungsmanagements werden frühzeitige Gegenmaßnahmen eingeleitet, welche die Systemspannung stabil und die Situation unkritisch halten. Außerdem wird die Robustheit der Algorithmen gegenüber fehlerhaften Prognosen untersucht.