Die Kraftstoffeffizienz serieller Hybridelektrofahrzeuge hängt entscheidend von der Leistungsaufteilung zwischen den Energiewandlern und der Ansteuerung des Motor-Start-Stopp-Systems, auch Schaltstrategie genannt, ab. Eine vorausschauende deterministische Schaltstrategie erfordert eine möglichst genaue Vorhersage der zukünftigen Leistungsanforderung, was im urbanen Umfeld durch zahlreiche zufällige Störeinflüsse erschwert wird. Im Gegensatz dazu können stochastische Energiemanagement-Strategien zufällige Störungen anhand ihrer Wahrscheinlichkeitsverteilungen berücksichtigen. Das hierbei zugrundeliegende Markow-Entscheidungsproblem kann mittels stochastischer Dynamischer Programmierung optimal gelöst werden, was wegen des hohen Rechenaufwands in der Regel nur offline möglich ist. Folglich kann sich die resultierende Schaltstrategie während des Betriebs nicht auf veränderte Wahrscheinlichkeitsverteilungen, wie wechselnde Fahrer oder Verkehrssituationen, anpassen.

Um diesen Nachteil zu überwinden, stellt diese Arbeit eine neuartige lernende Online-Energiemanagement-Strategie vor. Hierbei wird nur die Schaltstrategie mittels stochastischer Dynamischer Programmierung bestimmt, während die Leistungsaufteilung ohne Vorausschau auf Grundlage des deterministischen Pontrjaginschen Maximumprinzips ermittelt wird. In zahlreichen Simulationen realer Fahrprofile übertrifft diese Strategie die etablierte nicht-prädiktive Energie Consumption Minmization Strategy durch einen geringeren Kraftstoffverbrauch und eine niedrigere Schalthäufigkeit. Mit Hilfe dieser neuartigen Methode lassen sich zukünftige Start-Stopp-Systeme und Automatikgetriebe an die aktuelle Fahrweise des Fahrers anpassen, wodurch sich sowohl die Kraftstoffeffizienz als auch das Schaltverhalten verbessern lassen.