Die Elektromobilität erlebt weltweit einen rasanten Aufstieg, doch die Herausforderungen bei der Energieverwaltung bleiben groß. Besonders das Niederspannungssystem – das für Sicherheitskomponenten, Fahrfunktionen und Komforteinrichtungen verantwortlich ist – spielt eine zentrale Rolle für die Gesamteffizienz von Elektrofahrzeugen. Eine kürzlich in der Journal of Guangxi University of Science and Technology veröffentlichte Studie präsentiert innovative Ansätze, um dieses System zu optimieren: Durch intelligente Lastklassifizierung, genetische Algorithmen und eine verbesserte Ladestrategie konnten Energieverbrauch reduziert und Ladeeffizienz gesteigert werden. Die Forschung wurde von Peng Fan und Luo Wenguang von der Guangxi University of Science and Technology durchgeführt und könnte künftig die Entwicklung von Elektrofahrzeugen maßgeblich beeinflussen.
Warum das Niederspannungssystem so wichtig ist
Obwohl die Hochspannungssysteme in Elektrofahrzeugen die Antriebskraft liefern, hängt die Zuverlässigkeit des Fahrzeugs in hohem Maße von der Niederspannungseinheit ab. Diese versorgt Komponenten wie Bremsleitungen, Scheibenwischer, Beleuchtung, Lenkhilfe sowie Unterhaltungssysteme mit Strom – oft über eine 12-V-Lithiumbatterie. Mit der steigenden Zahl an elektrischen Einrichtungen in modernen Fahrzeugen wächst der Energiebedarf, was eine effiziente Verwaltung des Niederspannungssystems zu einer dringenden Aufgabe macht. Eine schlechte Energieverwaltung kann zu kurzer Reichweite, häufigeren Ladevorgängen und sogar zu Betriebsstörungen führen – beispielsweise wenn die Niederspannungsbatterie leerläuft und das Fahrzeug nicht gestartet werden kann.
„Frühere Ansätze konzentrierten sich häufig nur auf einzelne Aspekte, wie z. B. die Ladegeschwindigkeit, aber vernachlässigten die dynamischen Anforderungen im Fahrbetrieb“, erklärt Peng Fan. „Unsere Arbeit zielt darauf ab, ein ganzheitliches Konzept zu entwickeln, das sowohl die Sicherheitsfunktionen gewährleistet als auch den Energieverbrauch minimiert.“
Die Methode: Lastklassifizierung und genetische Algorithmen
Die Studie kombiniert zwei innovative Ansätze, um das Niederspannungssystem zu optimieren: eine detaillierte Lastklassifizierung und die Anwendung von genetischen Algorithmen zur Optimierung der Ladezustandsgrenzwerte (State of Charge, SOC).
Lastklassifizierung: Priorisierung nach Wichtigkeit
Die Forscher klassifizierten die elektrischen Verbraucher in vier Kategorien:
- Sicherheitsrelevante Lasten: Diese umfassen Komponenten wie Bremslichter, Airbags und essentielle Beleuchtung. Sie haben höchste Priorität, da sie die Sicherheit von Fahrer und Insassen gewährleisten.
- Fahrrelevante Lasten: Dazu gehören Lenkhilfe, Traktionskontrolle und Antriebssteuerung. Sie beeinflussen direkt die Fahrleistung und werden nur in extremen Fällen reduziert.
- Komfortlasten: Klimaanlage, Sitzheizung und Spiegelheizung gehören hierher. Ihr Energieverbrauch wird je nach Ladezustand der Batterie angepasst.
- Unterhaltungslasten: Radio, Infotainment-Systeme und USB-Anschlüsse zählen zu dieser Kategorie. Sie können bei niedrigem SOC vorübergehend deaktiviert werden, um Energie zu sparen.
Um die saisonalen Schwankungen des Energiebedarfs zu berücksichtigen, wurden Gewichtungsfaktoren eingeführt. Beispielsweise steigt der Verbrauch in winterlichen Schneenächten durch Heizung und Scheibenwischer, während sommerliche Regennächte den Einsatz von Klimatisierung und Regensensoren erfordern. Durch die Analyse von drei typischen Szenarien – winterliche Schneenächte, normale Nächte und sommerliche Regennächte – konnten die Forscher realistische Energieverbrauchswerte für ein Elektrofahrzeug der Marke Dongfeng Liuqi berechnen.
Genetische Algorithmen zur Optimierung des SOC
Der SOC (Ladezustand) der Batterie ist ein entscheidender Parameter: Er gibt an, wie viel Energie noch verfügbar ist. Die Studie nutzte genetische Algorithmen, um die SOC-Grenzwerte zu optimieren, die bestimmen, wann welche Lasten deaktiviert werden. Ziel war es, den verbleibenden SOC zu maximieren – also den Energieverbrauch zu minimieren – ohne die Funktionalität zu beeinträchtigen.
Genetische Algorithmen arbeiten nach dem Prinzip der natürlichen Selektion: Sie generieren eine Population von Lösungen (hier: SOC-Grenzwerte), wählen die besten aus, kombinieren sie („Kreuzung“) und lassen sie zufällig variieren („Mutation“), um stetig bessere Ergebnisse zu erzielen. In der Studie wurden 50 Individuen pro Generation und 300 Generationen simuliert, mit einer Kreuzungswahrscheinlichkeit von 90 % und einer Mutationswahrscheinlichkeit von 0,1 %.
„Die Optimierung der SOC-Grenzwerte ermöglicht es, Energie genau dort zu sparen, wo es sicher ist, ohne die Fahrerfahrung zu beeinträchtigen“, betont Luo Wenguang. „So wird beispielsweise das Radio erst deaktiviert, wenn der SOC unter einen bestimmten Wert fällt – aber niemals die Bremslichter oder die Lenkhilfe.“
Revolutionäre Ladestrategie: Vierstufige Konstantstromladung
Neben der Energieverwaltung während des Fahrbetriebs fokussierte sich die Studie auch auf die Ladeeffizienz der Niederspannungsbatterie. Die herkömmliche Methode – Konstantstrom-Konstantspannung-Ladung (CC-CV) – hat Nachteile: Sie ist langsam, insbesondere wenn die Batterie fast voll ist, und verursacht Energieverluste durch Wärmeentwicklung.
Die Forscher entwickelten eine alternative Strategie: die vierstufige Konstantstromladung, die auf dem SOC basiert. Statt einen konstanten Spannungsteil zu verwenden, werden vier verschiedene Stromstärken angewendet – je nach Ladezustand der Batterie. Hohe Ströme werden in den frühen Phasen eingesetzt (wenn die Batterie viel Energie aufnehmen kann), während niedrigere Ströme in späteren Phasen verhindern, dass die Batterie überhitzt.
In Simulationen zeigte sich, dass diese Methode die Ladezeit signifikant verkürzt: Eine 12-V-Lithiumbatterie mit 22 Ah Kapazität wurde von 35 % auf 95 % SOC in 410 Sekunden aufgeladen – im Vergleich zu 490 Sekunden bei der herkömmlichen CC-CV-Methode. Das entspricht einer Reduktion um 16 %. Zudem stieg die Ladeeffizienz, da weniger Energie als Wärme verloren ging.
Simulationen und Ergebnisse: Verbesserte Effizienz in verschiedenen Fahrbedingungen
Um die Effektivität ihrer Strategien zu überprüfen, nutzten die Forscher die Software AVL-Cruise und MATLAB-Simulink, um ein virtuelles Modell des Elektrofahrzeugs zu erstellen. Das Modell umfasste Fahrzeugdynamik, Batterieverhalten und Energiefluss. Sie testeten es unter vier gängigen Fahrzyklen:
- NEDC (Neuer Europäischer Fahrzyklus)
- CLTC (Chinesischer Fahrzyklus für leichte Fahrzeuge)
- WLTC (Weltweiter harmonisierter Fahrzyklus für leichte Fahrzeuge)
- 60-km/h-Dauerfahrt
Die Ergebnisse waren überzeugend: Nach der Implementierung der optimierten Strategien sank der Energieverbrauch in allen Testzyklen. Der größte Rückgang wurde im CLTC-Zyklus beobachtet (-3,34 %), gefolgt von NEDC (-1,30 %). Selbst in der 60-km/h-Dauerfahrt – einem Szenario mit stabilen Energieansprüchen – reduzierte sich der Verbrauch um 0,81 %.
„Diese Zahlen zeigen, dass unsere Methode nicht nur in theoretischen Modellen funktioniert, sondern auch in realen Fahrbedingungen praktisch anwendbar ist“, betont Luo Wenguang. „Jede Prozentreduktion des Energieverbrauchs bedeutet für Fahrer mehr Reichweite und weniger Ladeaufwand.“
Auswirkungen für die Automobilindustrie
Die Forschung von Peng Fan und Luo Wenguang bietet Automobilherstellern einen kosteneffizienten Weg, die Effizienz von Elektrofahrzeugen zu steigern. Im Gegensatz zu teuren Umbauten der Hochspannungssysteme kann die Optimierung des Niederspannungssystems relativ einfach in bestehende Fahrzeuge integriert werden – mit sofortigen Vorteilen für Fahrer und Umwelt.
„Die Elektromobilität braucht nicht nur leistungsstärkere Batterien, sondern auch smartere Wege, um Energie zu verwalten“, erklärt Peng Fan. „Unsere Arbeit zeigt, dass kleine Anpassungen im Niederspannungssystem große Auswirkungen haben können.“
Zukünftige Pläne der Forschergruppe umfassen die Validierung der Strategien in realen Fahrzeugen. Sie wollen auch untersuchen, ob maschinelles Lernen die Lastklassifizierung weiter verbessern kann – beispielsweise durch die Anpassung an individuelle Fahrgewohnheiten.
Fazit
Mit der wachsenden Bedeutung der Elektromobilität werden innovative Lösungen für die Energieverwaltung zunehmend essenziell. Die Studie von Peng Fan und Luo Wenguang liefert einen wichtigen Beitrag, indem sie eine Kombination aus Lastklassifizierung, genetischen Algorithmen und verbesserter Ladestrategie vorstellt. Diese Methoden reduzieren den Energieverbrauch, verkürzen Ladezeiten und steigern die Zuverlässigkeit von Elektrofahrzeugen – alles ohne Kompromisse bei Sicherheit oder Fahrerkomfort.
Für Verbraucher bedeutet das: Mehr Reichweite, weniger Ladevorgänge und eine längere Lebensdauer der Batterie. Für die Automobilindustrie ist es ein Schritt nach vorn auf dem Weg zu nachhaltigeren und effizienteren Elektrofahrzeugen.
Über die Autoren:
Peng Fan und Luo Wenguang sind tätig an der School of Automation und dem Guangxi Key Laboratory of Automobile Components and Vehicle Technology der Guangxi University of Science and Technology in Liuzhou, China.
Zeitschrift und DOI:
Peng Fan, Luo Wenguang. „Study on optimal strategy of low-voltage power supply management for pure electric vehicles.“ Journal of Guangxi University of Science and Technology, Band 35, Heft 2, Juni 2024. DOI: 10.16375/j.cnki.cn45-1395/t.2024.02.008.