Analyse und Weiterentwicklung einer dynamischen Restreichweitenschätzung für Elektrofahrzeuge E-Book

Marcel Olbrich

• Herausgeber: GRIN Verlag
• Sprache: Deutsch

Veröffentlichungsjahr: 2015

Beschreibung

Bachelorarbeit aus dem Jahr 2015 im Fachbereich Ingenieurwissenschaften - Fahrzeugtechnik, Note: 1,3, Technische Universität Dortmund, Sprache: Deutsch, Abstract: Die Zahl der elektrisch angetriebenen Fahrzeuge in Deutschland steigt. Aufgrund der vergleichsweise geringen Reichweiten von Elektrofahrzeugen in Bezug auf Verbrennungsmotoren bedarf es in einem Elektroauto einer zuverlässigen Angabe der Restreichweite. Eine besondere Problematik obliegt dabei dem Zwiespalt zwischen der Dynamik und dem Komfort eines solchen Systems. Im Rahmen dieser Arbeit werden zwei verschiedene Fahrzeugtypen, welche sich vor allem durch ihre Leistung und den jeweils verbauten Batterietyp unterscheiden, objektorientiert implementiert. Zudem wird ein bestehendes Modell zur Restreichweitenschätzung analysiert und weiterentwickelt. Durch abschließende Simulationen unter variierenden Parametersätzen werden Aussagen über die Echtzeittauglichkeit der Restreichweitenschätzung getätigt, sowie Unterschiede zwischen beiden Modellen dargestellt.

Leseprobe

Impressum:

Copyright (c) 2015 GRIN Verlag / Open Publishing GmbH, alle Inhalte urheberrechtlich geschützt. Kopieren und verbreiten nur mit Genehmigung des Verlags.

Bei GRIN macht sich Ihr Wissen bezahlt! Wir veröffentlichen kostenlos Ihre Haus-, Bachelor- und Masterarbeiten.

Jetzt bei www.grin.com

Überblick

Die Zahl der elektrisch angetriebenen Fahrzeuge in Deutschland steigt. Aufgrund der vergleichsweise geringen Reichweiten von Elektrofahrzeugen in Bezug auf Verbrennungsmotoren bedarf es in einem Elektroauto einer zuverlässigen Angabe der Restreichweite. Eine besondere Problematik obliegt dabei dem Zwiespalt zwischen der Dynamik und dem Komfort eines solchen Systems.

Inhaltsverzeichnis

Inhaltsverzeichnis

Formelzeichen

Einleitung

1 Grundlagen

1.1 Entwicklungsmethode zur Modellierung der Elektrofahrzeuge

1.2 Physikalische Grundlagen

1.2.1 Beschleunigungswiderstand

1.2.2 Rollreibungswiderstand

1.2.3 Steigungswiderstand

1.2.4 Aerodynamischer Widerstand

1.3 Versuchsfahrzeuge

1.3.1 E-Polo

1.3.2 Nissan Leaf

1.4 Batteriemodelle

1.4.1 Innenwiderstandsmodell (ZEBRA Batterie)

1.4.2 RC-Modell (Li-Ionen Akkumulator)

1.5 Programmiertechnische Grundlagen

1.5.1 Einführung in die Entwicklungsumgebung Matlab

1.5.2 Objektorientierte Programmierung

1.5.3 Vorteile und Nachteile der objektorientierten Programmierung

2 Implementierung des Fahrzeugmodells

2.1 Klassenstruktur

2.2 Implementierung der Fahrzeugkomponenten

2.2.1 Kräftebilanz

2.2.2 Drehmomentumwandlung

2.2.3 Motorblock

2.3 Implementierung der Batteriemodelle

2.3.1 ZEBRA – Batterie

2.3.2 Li-Ionen Akkumulator

2.4 Vorstellung der Restreichweitenschätzung

3 Simulationen und Verifikation des Fahrzeugmodells

3.1 Simulation verschiedener Streckenprofile

3.1.1 Artemis Fahrzyklus

3.1.2 Teststrecke Köln – Dortmund

3.1.3 Teststrecke Köln – Dortmund mit Steigungsprofil

3.2 Auswirkungen der Rekuperation

3.2.1 Artemis Fahrzyklus

3.2.2 Teststrecke Köln – Dortmund

3.3 Restreichweitenschätzung anhand der Teststrecke Köln – Dortmund

3.4 Gegenüberstellung der Ergebnisse zwischen objektorientierter Programmierung und Simulink

3.4.1 E – Polo

3.4.2 Nissan Leaf

3.4.3 Restreichweitenschätzung

4 Zusammenfassung und Ausblick

5 Literaturverzeichnis

Abbildungsverzeichnis

Anhang

Formelzeichen

Einleitung

Die ersten Elektroautos gab es bereits vor der Erfindung des Verbrennungsmotors gegen Ende des 19. Jahrhunderts (1). Allerdings setzte sich damals der Verbrenner, aufgrund seiner höheren Reichweite und der geringen Aussicht auf Fortschritt in der Entwicklung der Elektromobilität, durch. Der Klimawandel, Ölknappheit, CO2 Emissionen, […] und technische Innovationen im Bereich der Elektromobilität ließen die Forschung Ende des 20. Jahrhunderts wieder aufleben. Aufgrund von umweltbezogenen und kostenbezogenen Vorteilen des Elektroautos hat sich die Bundesregierung zum Ziel gesetzt, bis 2020 eine Million Elektroautos auf deutsche Straßen zu bringen. Aktuell sind etwa 14.000 rein elektrisch betriebene Fahrzeuge und 90.000 Hybridfahrzeuge, in Summe also 104.000 Fahrzeuge mit Elektroantrieb in Deutschland angemeldet (2). Um dieses Ziel zu erreichen, werden Käufer von Elektrofahrzeugen für 10 Jahre von der Steuer befreit und durch weitere Zuschüsse von etwa einer Milliarde Euro die Forschung gefördert (3). Zwar bieten elektrisch angetriebene Fahrzeuge einige Vorteile hinsichtlich ihrer Betriebskosten (~1,50 € / 100 km), Umweltfreundlichkeit, […] – allerdings stehen diesen mindestens ebenso große Probleme gegenüber. Schwere Batterien mit geringer Lebensdauer im Vergleich zu Verbrennungsmotoren, eine Ladezeit im Bereich von mehreren Stunden gegenüber der geringen Reichweite von nur wenigen hundert Kilometern. Vor allem aber hohe Anschaffungskosten bereits im Kleinwagensektor halten viele potentielle Kunden trotz Bezuschussungen von einem Kauf ab.

Daher ist für Käufer eines Elektrofahrzeugs eine möglichst genaue, aber ebenso dynamische Prognose der Restreichweite nötig, um zuvor genannte Probleme zu minimieren. Eine besondere Problematik obliegt hierbei dem Zwiespalt zwischen Komfort und Dynamik einer solchen Anwendung. Während aus technischer Sicht eine möglichst genaue Prognose zu jedem Zeitpunkt das Ziel sein muss, darf der Komfort für den Anwender nicht verloren gehen.

Ziel dieser Bachelorarbeit ist die Umsetzung eines bestehenden Simulink Modells eines Elektrofahrzeugs in objektorientierten Code. Dies bietet vor allem in der späteren Anwendung im Auto große Vorteile, da diese oftmals auf Mikroprozessoren stattfindet. Auf weitere Vorteile, sowie Nachteile, wird im Rahmen dieser Arbeit näher eingegangen. Zunächst wird das Fahrzeugmodell objektorientiert implementiert, indem die einzelnen Komponenten des Antriebsstranges als Klassenobjekte realisiert werden. Dies wird anhand von zwei Versuchsfahrzeugen durchgeführt. Dazu dient zum einen ein VW E-Polo 9N3, welcher durch die Technische Universität Dortmund auf einen elektrischen Antrieb umgerüstet wurde. Zum andern wird das Fahrzeugmodell eines Nissan Leaf mit serienmäßigem Elektroantrieb implementiert. Die Kenndaten der Fahrzeuge sind aus Tabelle 1.1 in Kapitel 1.3 zu entnehmen. Dazu werden in Kapitel 1 einige physikalische Grundlagen wiederholt, sowie das bestehende Fahrzeugmodell vorgestellt (4). Des Weiteren wird eine kurze Einführung in die programmiertechnischen Grundlagen der objektorientierten Programmierung gegeben. Kapitel 2 zeigt im Anschluss die Implementierung der Elektrofahrzeuge als Klassenmodell. In diesem Zusammenhang wird auf die einzelnen Komponenten des Antriebsstrangs und deren objektorientierte Realisierung eingegangen. Ein besonderes Augenmerk liegt dabei auf der Implementierung zweier Batteriemodelle, zum einen der ZEBRA-Batterie des E-Polo und zum anderen des Li-Ionen Akkumulators des serienmäßigen Nissan Leaf. Anschließend werden einige Simulationen mit beiden Versuchsfahrzeugen unter verschiedenen Rahmenbedingungen durchgeführt, um einen Vergleich zwischen beiden Modellen zu ermöglichen. Zudem wird, basierend auf den Simulationsergebnissen einer vorangegangenen Masterarbeit (4), das verbesserte objektorientierte Modell validiert und verifiziert.

Abschließend werden die Ergebnisse der Arbeit zusammenfassend dargestellt und ein Ausblick auf künftige Arbeiten ermöglicht.

1 Grundlagen

1.1 Entwicklungsmethode zur Modellierung der Elektrofahrzeuge

Die Simulation von elektrisch angetriebenen Fahrzeugen, beziehungsweise ihrer Komponenten, kann auf Basis verschiedener Modelle durchgeführt werden. Grundsätzlich lässt sich zwischen zwei unterschiedlichen Methoden unterscheiden – der „Ursache-Effekt-Methode“ und der „Effekt-Ursache-Methode“. Bei ersterer stimmt die Richtung der Simulation mit der Richtung des positiven Leistungsflusses (Abbildung 1.1) überein. Die Simulation wird basierend auf dem Verhalten des Fahrers, beispielsweise einer Pedalstellung, durchgeführt. Der größte Vorteil dieser Methode liegt in der Mitberücksichtigung des Fahrerverhaltens. Aufgrund von zahlreichen Regelalgorithmen kann hierdurch jedoch eine sehr hohe Laufzeit der Simulation die Folge sein.