Hybridfahrzeuge gewinnen an Bedeutung, da sie Kraftstoffverbrauch und Emissionen reduzieren können. Ihr Potenzial liegt in der Verteilung der Leistungsanforderungen auf mehrere Energiewandler. Die optimale Steuerung dieser Energiewandler stellt jedoch eine zentrale Herausforderung dar. Angesichts der Notwendigkeit, fossile Energieträger zu minimieren, ist die Nutzung dieses Potenzials essenziell.
In dieser Arbeit wird eine Entwicklungsumgebung geschaffen, um eine prädiktive Betriebsstrategie zu untersuchen. Diese schätzt zukünftige Leistungsanforderungen anhand eines Prädiktionshorizonts ab und optimiert die Drehmomentverteilung zwischen Verbrennungs- und Elektromotor. Dafür wird ein validiertes Gesamtfahrzeugmodell in einer Co-Simulationsumgebung entwickelt, das Fahrzeugparameter, ein Fahrermodell und reale Messdaten integriert. Simulationen vergleichen das Modell mit realer Hardware.
Ein speziell entwickelter Optimierer bewertet die Effizienz beider Motoren anhand einer dynamischen Kostenfunktion. Dabei passt sich der Äquivalenzfaktor an prädizierte Lastanforderungen an, was eine vorausschauende Entscheidungsfindung ermöglicht. Geodaten und Fahrerdaten aus Messungen sowie Routeninformationen aus Cloud-Diensten fließen in die Berechnung ein. Ein Modul integriert diese Daten in die Co-Simulation, um Prädiktionsvektoren zu generieren. Anschließende Simulationen dienen der Kalibrierung der Strategie und der Analyse ihres Einflusses auf Energieverbrauch und Fahrkomfort.
Die Ergebnisse zeigen Kraftstoffeinsparungen von bis zu 14 % bei perfekter und 12 % bei berechneter Geschwindigkeitsprädiktion. Die Robustheit der Strategie bleibt auch bei Abweichungen oder Störungen erhalten, was ihren praktischen Nutzen unterstreicht.