Optimierte E-Antriebsstrang-Parameter steigern Reichweite und Effizienz
Ein neuer wissenschaftlicher Beitrag aus der Forschung der Nordchinesischen Universität zeigt einen entscheidenden Fortschritt bei der Leistungssteigerung von Elektrofahrzeugen durch intelligente Anpassung der Antriebsstrangparameter. Mithilfe des Particle-Swarm-Optimization-(PSO)-Algorithmus gelang es einem Team unter der Leitung von Tiyuyu, die Energieeffizienz und dynamischen Eigenschaften eines reinen Elektrofahrzeugs signifikant zu verbessern. Diese Arbeit stellt einen bedeutenden Schritt dar, um das Gleichgewicht zwischen Fahrzeugreichweite und Fahrdynamik zu optimieren – eine der zentralen Herausforderungen der modernen Elektromobilität.
Während die globale Nachfrage nach nachhaltiger Mobilität weiter steigt, bleiben die bekannten Hürden wie Reichweitenangst, lange Ladezeiten und hohe Kosten für Batteriesysteme Hindernisse für eine flächendeckende Akzeptanz. Obwohl die Batterietechnologie weiterhin im Fokus steht, gewinnt die ganzheitliche Integration des Fahrzeugantriebs und die sorgfältige Abstimmung der Komponenten zunehmend an Bedeutung, um die Gesamtleistung und Effizienz zu maximieren. Die aktuelle Studie, veröffentlicht in der Fachzeitschrift Ship Electronic Engineering, lenkt den Blick weg von reinen Hardware-Verbesserungen hin zu einem systematischen, datengetriebenen Ansatz zur Optimierung des gesamten Antriebsstrangs.
Das Forschungsteam um Tiyuyu, Masterstudentin am State Key Laboratory of Electronic Testing Technology und am Key Laboratory of Micro/Nano Devices and Systems der Nordchinesischen Universität, konzentrierte sich auf die komplexen Wechselwirkungen zwischen Elektromotor, Übersetzungsverhältnis und Batterieausnutzung. Gemeinsam mit Dr. Hong Yingping, Professor Zhang Huixin und dem Mitforscher Zhang Ruihao entwickelte das Team ein umfassendes Optimierungsframework, das darauf abzielt, die Fahrzeugleistung unter realistischen Fahrbedingungen zu maximieren.
Der Kern der Methodik basiert auf der Erkenntnis, dass die Gesamtleistung eines Elektrofahrzeugs nicht allein durch die Spezifikationen einzelner Bauteile bestimmt wird, sondern durch deren optimale Zusammenarbeit. „Selbst bei hochperformanten Motoren und leistungsstarken Batterien kann eine suboptimale Systemintegration zu Energieverlusten und einer verminderten Fahrzeugdynamik führen“, erläutert Tiyuyu. „Unser Ziel war es, durch eine systematische Parameteranpassung das ideale Gleichgewicht zwischen Leistungsentfaltung und Energieeffizienz zu finden.“
Die Forschung begann mit einer detaillierten Auslegung der zentralen Antriebskomponenten, darunter Elektromotor, Batteriepack und Achsübersetzung. Als Motor wurde ein permanenterregter Synchronmotor (PMSM) gewählt, der aufgrund seiner hohen Effizienz, kompakten Bauweise und exzellenten Leistungsdichte inzwischen zum Standardantrieb in modernen Elektrofahrzeugen geworden ist. Die Spitzendrehzahl, das maximale Drehmoment und die Nennleistung des Motors wurden anhand dreier zentraler Leistungsparameter berechnet: maximale Geschwindigkeit, maximale Steigfähigkeit und Beschleunigungsvermögen. Diese Berechnungen stellten sicher, dass der Motor die dynamischen Anforderungen des Fahrzeugs unter verschiedenen Fahrbedingungen zuverlässig erfüllen kann.
Die Auswahl der Batterie folgte einer ähnlichen, anwendungsorientierten Methodik. Lithium-Ionen-Batterien wurden aufgrund ihrer bewährten Zuverlässigkeit, langen Zyklenlebensdauer und ökologischen Vorteile bevorzugt. Um das Verhalten der Batterie unter Belastung realitätsnah zu modellieren, setzten die Forscher ein erweitertes Thevenin-Äquivalenzschaltkreismodell mit einem zweistufigen RC-Netzwerk ein. Diese Verfeinerung ermöglichte eine präzisere Abbildung der Polarisierungseigenschaften der Batterie und ihrer Spannungsreaktion während Lade- und Entladevorgängen – ein entscheidender Faktor für die genaue Vorhersage des realen Energieverbrauchs.
Nachdem die Ausgangsparameter festgelegt waren, wandte sich das Team der Optimierung zu. Anstelle traditioneller, manueller Anpassungsverfahren oder eindimensionaler Optimierungen nutzten die Forscher den PSO-Algorithmus – ein rechnergestütztes Verfahren, das von der Schwarmintelligenz von Vögeln oder Fischen inspiriert ist. PSO eignet sich besonders gut für komplexe, mehrdimensionale ingenieurtechnische Probleme, da es große Lösungsräume effizient durchsucht und sich ohne Gradienteninformationen schnell an nahezu optimale Ergebnisse annähert.
Als Optimierungsvariablen wurden die Achsübersetzung (i₀), die Motorleistung (Pₘ) und die maximale Motordrehzahl (Nₘ) ausgewählt. Diese Parameter wurden gewählt, weil sie direkten Einfluss auf sowohl die Fahrzeugdynamik als auch die Energieeffizienz haben. Eine höhere Übersetzung erhöht beispielsweise das Drehmoment an den Rädern, was die Beschleunigung und die Steigfähigkeit verbessert, kann aber die Höchstgeschwindigkeit verringern und den Motorstrom erhöhen, was zu höheren Energieverlusten führt. Ebenso steigert eine höhere Motorleistung die Performance, erhöht jedoch auch den Energieverbrauch und die Systemkosten.
Um diesen widersprüchlichen Anforderungen gerecht zu werden, formulierte das Team eine mehrzielige Zielfunktion, die die Beschleunigungszeit (als Maß für die Fahrdynamik) und den spezifischen Energieverbrauch (als Proxy für die Effizienz) kombinierte. Da die meisten Nutzer von Stadtelektrofahrzeugen die Reichweite gegenüber sportlicher Performance priorisieren, wurde der Effizienz ein höheres Gewicht zugewiesen – 70 Prozent für die Energieeffizienz gegenüber 30 Prozent für die Dynamik. Diese Gewichtung spiegelt reale Nutzerpräferenzen wider und entspricht den Designzielen kompakter, auf den Stadtverkehr ausgerichteter Elektrofahrzeuge.
Der Optimierungsprozess unterlag sechs zentralen Randbedingungen, um die praktische Umsetzbarkeit zu gewährleisten. Dazu gehörten eine Mindesthöchstgeschwindigkeit von 140 km/h, eine maximale Steigfähigkeit (30 Prozent Steigung bei 30 km/h), Beschleunigungsleistung (0–100 km/h in unter 14 Sekunden) und eine Mindestreichweite von 240 km bei voller Ladung. Zusätzlich mussten mechanische Grenzwerte wie die Reifenhaftung eingehalten werden, um Radschlupf bei hohem Drehmoment zu vermeiden.
Nach der Durchführung des PSO-Algorithmus in der MATLAB/Simulink-Umgebung kristallisierten sich die optimierten Parameter heraus: eine Achsübersetzung von 7,8, eine Motorleistung von 35 kW und eine maximale Drehzahl von 3.200 U/min. Diese Werte stellen eine strategische Abkehr vom ursprünglichen Design dar, das eine niedrigere Übersetzung (6,9), geringere Leistung (32 kW) und eine höhere Motordrehzahl (3.900 U/min) aufwies.
Die entscheidende Prüfung erfolgte durch Simulation im New European Driving Cycle (NEDC), einem standardisierten Prüfverfahren zur Bewertung von Fahrzeugleistung und Energieverbrauch. Der NEDC simuliert eine Mischung aus Stadt- und Überlandfahrten, einschließlich Leerlaufphasen, Beschleunigungen, konstanten Geschwindigkeiten und Verzögerungen, und gilt daher als zuverlässiger Indikator für reale Fahrbedingungen.
Die Simulationsergebnisse bestätigten die Wirksamkeit der Optimierung. Am bemerkenswertesten ist der Anstieg der Fahrzeugreichweite von 221,28 km auf 233,3 km – eine Verbesserung von 5,43 Prozent. Dieser Gewinn wurde trotz einer geringfügigen Verringerung der Höchstgeschwindigkeit erzielt, die von 146,6 km/h auf 145,2 km/h sank. Der Kompromiss war bewusst gewählt: Durch eine leicht reduzierte Höchstgeschwindigkeit konnte das System effizienter im optimalen Leistungsbereich des Motors arbeiten, was Energieverluste minimierte.
Ebenso beeindruckend ist die Verbesserung der Beschleunigung. Die Zeit für den Sprint von 0 auf 100 km/h sank von 12,2 Sekunden auf 11,6 Sekunden – eine Reduktion um 5,35 Prozent. Dieser Anstieg ist hauptsächlich auf die erhöhte Motorleistung und das angepasste Übersetzungsverhältnis zurückzuführen, das während des Starts und bei niedrigen Geschwindigkeiten ein höheres Drehmoment an die Räder liefert. Auch die maximale Steigfähigkeit des Fahrzeugs verbesserte sich, stieg von 30,65 Prozent auf 31,12 Prozent – ein Gewinn von 1,53 Prozent, der sich in einer besseren Leistung auf steilen Anstiegen niederschlägt.
Die Analyse des Batteriezustands (State of Charge, SOC) untermauerte die Effizienzgewinne. Unter identischen NEDC-Bedingungen verbrauchte das optimierte Fahrzeug 6,31 Prozent seiner Batteriekapazität, verglichen mit 7,32 Prozent im Ausgangszustand. Diese Reduktion um 1,01 Prozentpunkte im Energieverbrauch trug direkt zur verlängerten Reichweite bei und zeigte, dass die Optimierung erfolgreich Verluste im gesamten Antriebsstrang minimiert hatte.
Ein besonders überzeugender Aspekt der Studie ist ihre praktische Relevanz. Im Gegensatz zu vielen akademischen Arbeiten, die auf theoretischen Modellen oder exotischer Hardware basieren, nutzt diese Forschung kommerziell verfügbare Komponenten und weit verbreitete Simulationswerkzeuge. Der PSO-Algorithmus, obwohl technisch anspruchsvoll, ist für Automobilingenieure zugänglich und kann in bestehende Entwicklungsprozesse integriert werden. Der gesamte Optimierungsprozess – von der Modellierung bis zur Simulation – wurde mit MATLAB/Simulink durchgeführt, einer Software, die in der Automobilindustrie für die Regelungstechnik und die Fahrzeugdynamiksimulation weit verbreitet ist.
Die Implikationen dieser Arbeit reichen über ein einzelnes Fahrzeugmodell hinaus. Während Automobilhersteller zunehmend unter Druck stehen, strenge Emissionsvorschriften einzuhalten und gleichzeitig die Erwartungen der Kunden nach größerer Reichweite zu erfüllen, wird die systematische Optimierung auf Systemebene zu einem zentralen Element der Elektrofahrzeugentwicklung. „Dieser Ansatz ermöglicht es Herstellern, aus bestehenden Komponenten mehr Leistung herauszuholen“, betont Professor Zhang Huixin. „Es geht nicht darum, eine bessere Batterie oder einen stärkeren Motor zu bauen – sondern darum, das, was wir bereits haben, intelligenter einzusetzen.“
Darüber hinaus unterstreicht die Studie die wachsende Bedeutung eines systemtechnischen Denkens im Fahrzeugdesign. In der Vergangenheit wurden Fahrzeugkomponenten oft isoliert betrachtet – Motoringenieure konzentrierten sich auf die Leistungsdichte, Batterieteams auf die Energiespeicherung und Getriebespezialisten auf die mechanische Effizienz. Heute liegen die größten Verbesserungen in der interdisziplinären Zusammenarbeit und der ganzheitlichen Optimierung.
Dr. Hong Yingping weist darauf hin, dass die PSO-Methode ein flexibles Framework bietet, das an verschiedene Fahrzeugtypen und Nutzungsmuster angepasst werden kann. „Für ein Stadtflitzer könnte man die Effizienz priorisieren. Für ein sportlich ausgerichtetes Elektrofahrzeug könnte man das Gewicht zugunsten von Beschleunigung und Höchstgeschwindigkeit verschieben. Derselbe Algorithmus kann auf unterschiedliche Marktanforderungen abgestimmt werden.“
Die Forschung eröffnet auch Türen für zukünftige Arbeiten in der adaptiven Optimierung. Während diese Studie feste Parameter nutzte, könnten die nächsten Generationen von Elektrofahrzeugen eine Echtzeit-Optimierung basierend auf Fahrbedingungen, Streckentopographie und Fahrverhalten des Nutzers ermöglichen. Stellen Sie sich ein Fahrzeug vor, das automatisch sein virtuelles Übersetzungsverhältnis oder sein Leistungsprofil anpasst, um die Effizienz auf der Autobahn zu maximieren oder die Reaktionsfähigkeit in bergigem Gelände zu erhöhen. Solche Fähigkeiten sind heute bereits realisierbar und bauen auf den Grundlagen auf, die diese Studie gelegt hat.
Aus Sicht der Nachhaltigkeit haben selbst geringfügige Effizienzsteigerungen weitreichende Auswirkungen. Eine 5,43-prozentige Zunahme der Reichweite bedeutet über die gesamte Lebensdauer des Fahrzeugs weniger Ladezyklen, was den Verschleiß der Batterie reduziert und den Bedarf an der Stromnetzlast senkt. Sie führt auch zu weniger Rohstoffen, die für die Batterieproduktion benötigt werden, und trägt so zu einem nachhaltigeren Lebenszyklus bei.
Die Automobilindustrie befindet sich in einem tiefgreifenden Wandel, wie ihn ihre Geschichte bisher nicht gesehen hat. Während Verbrennungsmotoren zunehmend von elektrischen Antrieben abgelöst werden, werden die Regeln des Fahrzeugdesigns neu geschrieben. In dieser neuen Ära gewinnen Software und Algorithmen an Bedeutung, die ebenso wichtig sind wie Stahl und Gummi. Diese Studie veranschaulicht diesen Wandel und zeigt, dass der Weg zu besseren Elektrofahrzeugen nicht nur über größere Batterien führt, sondern über intelligentere Ingenieurkunst.
Für die Verbraucher sind die Vorteile klar: längere Reichweite, schnellere Beschleunigung und niedrigere Betriebskosten. Für die Hersteller ist die Botschaft ebenso überzeugend: Optimierung ist eine kostengünstige Möglichkeit, die Wettbewerbsfähigkeit zu steigern, ohne erhebliche Investitionen in neue Hardware tätigen zu müssen. Und für die Forschungsgemeinschaft dient diese Arbeit als Modell dafür, wie intelligente Rechenverfahren reale ingenieurtechnische Herausforderungen lösen können.
Während Städte weltweit die Elektrifizierung des Verkehrs vorantreiben, liefert diese Studie eine konkrete Handlungsanleitung für die Entwicklung praktischer und skalierbarer Lösungen. Der Weg in eine nachhaltige Zukunft wird nicht durch einen einzigen Durchbruch geebnet, sondern durch unzählige schrittweise Verbesserungen – jede einzelne bringt uns der saubereren und effizienteren Mobilität ein Stück näher.
Der Erfolg dieses Projekts unterstreicht auch die wachsende Rolle chinesischer Institutionen bei der Weiterentwicklung der Elektrofahrzeugtechnologie. Mit starker staatlicher Unterstützung und einem rasant wachsenden Binnenmarkt ist China zu einem globalen Vorreiter in der Produktion und Innovation von Elektrofahrzeugen geworden. Forschungsarbeiten von Universitäten wie der Nordchinesischen Universität liefern wertvolles Wissen für die internationale Automobilbranche und beschleunigen den globalen Übergang zur Elektromobilität.
Zusammenfassend lässt sich sagen, dass die Arbeit von Tiyuyu und ihren Kollegen demonstriert, wie intelligente Parameteroptimierung die Leistung von Elektrofahrzeugen signifikant verbessern kann. Durch die Feinabstimmung der Beziehung zwischen Motor, Getriebe und Batterie erzielten sie eine spürbare Verbesserung sowohl der Effizienz als auch der Dynamik. Ihre Ergebnisse bieten einen praktischen, skalierbaren Ansatz, der in der gesamten Elektrofahrzeugindustrie Anwendung finden kann und die Entwicklung der nächsten Fahrzeuggeneration unterstützt – Fahrzeuge, die nicht nur sauberer, sondern auch intelligenter und leistungsfähiger sind.
Tiyuyu, Hong Yingping, Zhang Huixin, Zhang Ruihao, North University of China, Ship Electronic Engineering, DOI: 10.3969/j.issn.1672-9730.2024.11.025