Jiao Li

Predictive Multi-objective Operation Strategy Considering Battery Cycle Aging for Hybrid Electric Vehicles


voorkant	achterkant

ISBN:

978-3-8440-7605-9

Reeks:

Schriftenreihe des Instituts für Verbrennungskraftmaschinen und Fahrzeugantriebe
Uitgever: Prof. Dr. techn. Christian Beidl
Darmstadt

Volume:

Trefwoorden:

Hybrid Electric Vehicles; Multi-objective Operation Strategy; Battery Aging; Prediction

Soort publicatie:

Dissertatie

Taal:

Engels

Pagina's:

186 pagina's

Gewicht:

276 g

Formaat:

21 x 14,8 cm

Bindung:

Softcover

Prijs:

48,80 € / 61,10 SFr

Verschijningsdatum:

Oktober 2020

Kopen:

DOI:

10.2370/9783844076059 (Online-Publicatie-Document)

Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.


	Document		Document
	Soort bestand		PDF
	Kosten		36,60 EUR
	Acties		Tonen en kopen van het bestand - 9,6 MB (10045850 Byte)
	Acties		Kopen en downloaden van het bestand - 9,6 MB (10045850 Byte)


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 1,4 MB (1433907 Byte)
	Acties		downloaden van het bestand - 1,4 MB (1433907 Byte)

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:	niet aangemeld
Acties:	aanmelden/registreren Paswoord vergeten?

Aanbevelen:

Wilt u dit boek aanbevelen?

Recensie-exemplaar

Bestelling van een recensie-exemplaar.

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

Due to the future CO2 targets for vehicles, electrification of powertrains and operation strategies for electrified powertrains have drawn more attention. This work presents a predictive multi-objective operation strategy for hybrid electric vehicles (HEVs), which simultaneously minimizes the fuel consumption and the cycle aging of traction batteries by using the predictive information.

In this work, the benefits of different operation strategies are demonstrated in a full HEV with P2-configuration. For the cycle aging of a lithium-ion battery, an empirical model is built up with Gaussian processes based on measurement data. Two different optimization algorithms, “Deterministic Dynamic Programming” and extended “Multi-Objective Equivalent Consumption Minimization Strategy”, are carried out with a priori knowledge of cycle information, to obtain the Pareto front between fuel consumption and battery cycle aging. A meaningful weighting factor for battery cycle aging is chosen based on the Pareto front.

In order to achieve the maximal potential of the multi-objective operation strategy for in-vehicle optimization, a predictive operation strategy (pMO-ECMS) is further developed based on acausal MO-ECMS. Different methods are considered to incorporate predictive information into the operation strategies.

This pMO-ECMS has been implemented in an experimental vehicle. It optimizes the torque split between Internal Combustion Engine and Electric Drive real-time. The measurements on a realistic driving cycle show that the developed multi-objective operation strategy can reduce the battery cycle aging significantly and the prediction makes sense to reduce the fuel consumption in real driving conditions. In the end, this proposed strategy shows high robustness and wide application.