Titelaufnahme

Titel
Metaheuristic optimization of electro-hybrid powertrains using machine learning techniques / von Christopher Bacher
VerfasserBacher, Christopher
Begutachter / BegutachterinRaidl, Günther
Erschienen2013
UmfangIX, 98 S. : graph. Darst.
HochschulschriftWien, Techn. Univ., Dipl.-Arb., 2013
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
DokumenttypDiplomarbeit
URNurn:nbn:at:at-ubtuw:1-71966 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Metaheuristic optimization of electro-hybrid powertrains using machine learning techniques [4.16 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Elektrohybride Kraftfahrzeuge (HEVs) gewannen in den letzten Jahren zunehmend an Bedeutung. Für die Hersteller wird es dadurch wichtiger deren Kraftstoffverbrauch zu senken um Kundenerwartungen als auch rechtliche Rahmenbedingungen zu erfüllen. Dabei ist der Kraftstoffverbrauch von Hybridfahrzeugen stark von der verwendeten Betriebsstrategie abhängig. Diese ist meist komplexer Natur, sodass deren optimalen Parametereinstellungen nicht einfach bestimmt werden können. In dieser Diplomarbeit werden die Parameter von zwei Hybridfahrzeugmodellen - Modell A und Modell B - mit Hilfe von Metaheuristiken optimiert. Ein Hauptproblem dabei sind die langen Simulationszeiten der eingesetzten Simulationssoftware. Dies wurde bereits in [30] erkannt. Daher liegt das Hauptaugenmerk auf der Reduzierung der benötigten Simulationsdurchläufe. Zu diesem Zweck werden verschiedene Methoden eingesetzt. Verschiedene Suchraumeinschränkungen werden angewandt wo dies möglich ist. Weiters wird der Suchraum diskretisiert um den Optimierungsmethoden die Verwendung eines Lösungs- Caches zu ermöglichen. Zuletzt werden verschiedene, auf neuronalen Netzwerken und Ensemble- Methoden basierende, Regressionsmodelle trainiert um die Simulation aus der verwendeten Fitnessfunktion zu entfernen. Die oben genannten Erweiterungen werden in einem zuvor vom Autor entwickelten Optimierungsframework implementiert. Unterschiedliche Metaheuristiken wie Particle Swarm Optimization (PSO), Active Covariance Matrix Adaption Evolution Strategy (Active CMA-ES) und genetische Algorithmen werden für die Verwendung von Regressionsmodelle adaptiert. Zu diesem Zweck wird eine zweiphasige Optimierungsstrategie entwickelt. In der ersten Phase werden Daten für das Training der Regressionsmodelle gesammelt. In der zweiten Phase werden die Regressionsmodelle zur Approximation von Fitnesswerten verwendet. Verschiedene Möglichkeiten zu deren Verwendung, wie abwechselnde Verwendung von Regression und Simulation, als auch filtern mittels Regression, werden analysiert. Abschließend werden die Ergebnisse der zwei-phasigen Optimierung mit Referenzlösungen von unmodifizierten Optimerungsalgorithmen verglichen. Dabei findet die zwei-phasige Optimierung ähnlich gute Lösungen wie die Referenzmethoden. Die Zielfunktionswerte der besten gefundenen Lösung aller Referenzoptimierungen und aller zwei-phasigen Optimierungen liegen zwischen 0:6% (für Modell A) und 0:3% (für Modell B)-eine in der Praxis vernachlässigbare Differenz. Die gefundenen Modellparametereinstellungen korrespondieren mit den Gebieten in denen gute Lösungen erwartet werden. Die erforderliche Simulationszeit konnte mit der zweiphasigen Optimierung um bis zu 27% verringert werden. Die evaluierten Modellparametereinstellung werden für Modell A mit Hilfe von Self-Organizing Maps (SOMs) analysiert.

Zusammenfassung (Englisch)

Hybrid Electric Vehicles (HEVs) have risen in popularity in the last years. Therefore their fuel efficiency becomes increasingly important to manufacturers to satisfy consumer expectations and legal restrictions. The efficiency of a HEV depends strongly on the used operation strategy. As operation strategies are typically complex their optimal parameters cannot easily be determined. In this thesis the operation strategy parameters of two HEV simulation models - Model A and Model B - are optimized using metaheuristics. A main problem in HEV optimization are the long simulation times of the simulation software. This has already been observed in [30]. A main goal of this thesis is to decrease the number of simulations needed in a metaheuristic while still getting good approximate solutions, and to this end different techniques are used. First search space restrictions are imposed where applicable. Second a discretization of the continuous search space is employed to enable the usage of a solution cache. Third different regression models-based on neural networks and ensemble methods-are applied to replace the simulation software as a part of the used fitness functions. Different regression models are trained and compared in experiments. These methods are implemented into a new modular optimization platform developed by the author. Metaheuristic optimization algorithms like Particle Swarm Optimization (PSO), Active Covariance Matrix Adaption Evolution Strategy (Active CMA-ES), and a genetic algorithm (GA) are adapted to incorporate trained regression models. For this purpose a two-phased optimization scheme is proposed. The first phase is concerned with generating solutions which are subsequently used in the training of regression models. The second phase uses the regression models in tandem with the simulation software. Different approaches to incorporating regression models are explored, like switching fitness functions or filtering of bad solutions. The results of the two-phased optimization experiments are compared to reference experiments of an unmodified PSO and an Active CMA-ES. The two-phased optimization is able find solutions of approximately the same quality as the reference experiments. The fitness values of best solutions found in the reference experiments and the two-phased experiments differ only in 0:6% for Model A and 0:3% for Model B-a difference negligible in practice. As no reference values exist for the models it is hard to estimate the overall efficiency of the found solutions. Although the parameter settings for the models are in the expected range where one would expect good solutions. The required (overall) simulation time could be reduced by up to 27% if compared to the reference experiments. Last an analysis of the model parameters for Model A is given with the help of Self-Organizing Maps (SOMs).