MJ_Diss_2025

Müller, Julian:
Energy consumption prediction in vehicle power nets using high-dimensional network communication data - a machine learning approach

Dissertation, Universität des Saarlandes, Saarbrücken, Germany, June 16, 2025.
Saarländische Universitäts- und Landesbibliothek, Saarbrücken, 2023

Abstract:

The dissertation addresses a data-driven approach to analyze and predict the energy consumption of auxiliary components within the low-voltage electrical system of electric vehicles. A scalable data-processing pipeline was developed to preprocess measurement data for machine-learning models using state-of-the-art feature engineering methods. An appropriate regression algorithm is selected and validated to accurately forecast energy consumption. To improve interpretability and enable root-cause analysis, explainable AI techniques were integrated into the pipeline. The developed methods provide deeper insights into influencing factors of energy consumption, helping engineers optimize vehicle architectures and operational strategies in a data-driven manner, ultimately enhancing the accuracy of range estimation already during the development phase.

Kurzfassung:

Die Elektrifizierung des Individualverkehrs sowie regulatorische Vorgaben zur Emissionsreduktion erfordern eine Maximierung der Energieeffizienz von Elektrofahrzeugen. Neben der Erhöhung der Batteriekapazität ist die Optimierung des Gesamtenergieverbrauchs essenziell. Insbesondere das Niederspannungsbordnetz, das zahlreiche Nebenverbraucher versorgt, stellt einen bislang unterschätzten Einflussfaktor dar. Diese Arbeit verfolgt einen datengetriebenen Ansatz zur Analyse und Prognose des Energieverbrauchs von Steuergeräten und deren Peripherie. Hierzu wird eine skalierbare Datenverarbeitungspipeline entwickelt, die Messdaten importiert, auswählt, verarbeitet und für Machine-Learning-Modelle gemäß neuester Feature Engineering Methoden aufbereitet. Zur Verbrauchsvorhersage erfolgt die Auswahl und Validierung eines geeigneten Regressionsalgorithmus. Zur Erhöhung der Transparenz und der Ursachen des Energieverbrauchs wird Explainable AI in die Pipeline integriert. Dies ermöglicht eine detaillierte Analyse der Einflussgrößen auf den Verbrauch und erleichtert die Interpretation der Modellentscheidungen durch die Anwender. Dadurch erhalten Ingenieure fundierte Einblicke zur Optimierung der Bordnetzarchitektur und Betriebsstrategien der Komponenten. Die entwickelten Methoden leisten einen Beitrag zur datengetriebenen Effizienzsteigerung elektrischer Fahrzeugplattformen und ermöglichen schlussendlich eine präzisere Reichweitenprognose bereits in der Entwicklungsphase.