I detta examensarbete simuleras ett värmehanteringssystem i Matlab Simulink för en elektrisk lastbil, det för att värmehantera fordonets klimat. Där en värmepump används för nedkylning av kupé och batteri samt en PTC (elektrisk värmare) för uppvärmning av detsamma. Värmepumpen fungerar genom att kompressorn förångar R-134a kylmedlet i systemet som sedan omvandlas till vätska vid nedkylning av kondensorn som utbyter energi med omgivande luften. Vätskan skickas vidare till en mottagare som filtrerar kylmedlet för att sedan överföras till en expansionsventil som kontrollerar trycket i systemet. Vätskan går sedan till evaporatorn för att kylas ned av ett utbyte med varmare omgivande luft från kupén, därefter börjar nedkylningsproessen om. PTC värmaren har en passiv uppvärmningsfunktionaliteten som tar emot ström genom ett motstånd och värmer komponenten med hjälp av en vattencykel. Batteriets räckvidd minskar vid fel temperaturer därav kan batteriets temperatur kontrolleras i drift. Det för att teoretiskt öka räckvidden på fordonet genom att ha batteriet vid en mer gynnsam temperatur. En förstudie genomförs där data samlas in för att sedan modellera och redovisa simulerade resultat som åstadkoms för olika scenarion med uppvärmning och nedkylning. Det visar sig att systemets batteri tar för lång tid vid nedkylning och uppvärmning på grund av dess stora massa. Detta då batteriet inte når måltemperaturen under simuleringens gång som körs i 1 timme och därav inte efter komforttiden som är 10 minuter. Vidare når kupéns delar önskad temperatur inom simuleringstiden förutom under kupéns nedkylning där taket kyls långsammare än önskat. Den enda delen av kupén som uppnår komforttiden är kupéns sidor vid uppvärmning. Vilket betyder att optimeringar på systemet bör tillämpas för att åstadkomma bättre och mer realistiska resultat. / In this thesis, a thermal management system is simulated in Matlab Simulink for an battery electric truck, in order to thermally manage the vehicle's climate. A heat pump is implemented to cool down the cabin and battery while a PTC (electric heater) is implemented to heat the systems respectively. The heat pump works by the compressor vaporizing the R-134a refrigerant in the system, which is then converted to liquid when cooled by the condenser, which exchanges energy with the surrounding air. The liquid is sent further to a receiver that filters the refrigerant and is then transferred to an expansion valve that controls the pressure in the system. The liquid then goes to the evaporator to be cooled by an exchange with warmer ambient air from the vehicle cabin, after which the cooling process begins again. The PTC heater has a passive heating functionality that receives current through a resistor and heats the component using a coolant loop. The battery's range is reduced at incorrect temperatures, therefore the battery's temperature can be checked during operation. This is to theoretically increase the range of the vehicle by having the battery at a more favorable temperature. A pre-study is carried out where data is collected to then model, and present simulated results that were achieved for different scenarios with heating and cooling. It turns out that the system's battery takes too long to cool down and warm up due to its large mass. This is because the battery does not reach the target temperature during the course of the simulation, which is run for 1 hour, and therefore not after the comfort time which is 10 minutes. Furthermore, the parts of the cabin reach the desired temperature within the simulation time, except during the cooling down of the cabin, where the roof cools more slowly than desired. The only part of the cabin that achieves the comfort time is the sides of the cabin when heated. Which means that optimizations to the system should be applied in order to achieve better and more realistic results.

As the transport industry shifts towards Battery Electric Vehicles (BEVs) the need for accurate route planning rises. BEVs have reduced range compared to traditional fuel based vehicles, and the range can vary greatly depending on ambient conditions and vehicle load. Existing research focuses more on the theoretical algorithms, and often have none or very simple vehicle models, leaning towards consumer cars instead of heavy duty trucks. Vehicle Route Planning (VRP) is a wide research area, and this thesis focuses on the Shortest Path subproblem. Contraction Hierarchies (CHs) is a commonly used family of algorithms for finding shortest paths in road networks, and is prevalent in the research frontier. CHs however comes with certain drawbacks, such as having to perform a costly preprocessing phase whenever metrics change, and not being able to share map data between multiple vehicles in a fleet. This thesis extends CHs to support a mixed fleet, with fast metric updates and support for more detailed cost optimization goals. This is done by implementing Customizable Contraction Hierarchies (CCHs), but with custom data structures and customization phase. This implementation allows map data to be shared between vehicles in a fleet, and keeps each vehicle's edge weights separate. The edge weights can be updated quickly, as the customization phase scales linearly with the size of the map. The implementation also supports edge weights that do not adhere to triangle inequality, which the previous research did not. Experiments are executed on a map of Stockholm and a synthetic map, to test the algorithm's performance, verify correctness, and stress the importance of accurate metrics for optimization goals. The CCH performed as expected, if not better, and its correctness is upheld. The implementation is fit to be integrated into a route planner, but further research should be conducted to see how it meshes with other parts of VRP, such as time windows, turn costs, and charging stations. / När transportindustrin övergår till batterielektriska fordon ökar behovet av rigorös ruttplanering. Batterielektriska fordon har minskad räckvidd jämfört med traditionella bränslebaserade fordon, och räckvidden kan variera stort beroende på omgivningsförhållanden och fordonets belastning. Existerande forskning fokuserar mer på de teoretiska algoritmerna och har ofta inga eller mycket enkla fordonsmodeller, som liknar mer konsumentbilar istället för tunga lastbilar. Ruttplanering är ett brett forskningsområde, och denna avhandling fokuserar på underproblemet att hitta kortaste vägen. Kontraktionshierarkier är en välanvänd familj av algoritmer för att hitta kortaste vägen i ett vägnät, och är prevalent i forskningsfronten. Kontraktionshierarkier har dock vissa nackdelar, som att de behöver utföra en kostsam förbehandlingsfas när parametrar ändras, och att kartdatan inte kan delas mellan flera fordon i en flotta. Den här avhandlingen utökar Kontraktionshierarkier för att stödja en blandad fordonsflotta, med snabba uppdateringar av parametrar och stöd för mer detaljerade optimeringsmål. Detta görs genom att implementera Anpassningsbara Kontraktionsierarkier, men med anpassade datastrukturer och anpassningsfas. Denna implementering tillåter att kartdata delas mellan fordonen i en flotta, och håller varje fordons kantvikter separat. Kantvikterna kan uppdateras snabbt, eftersom anpassningsfasen skalas linjärt med storleken på kartan. Implementationen stöder också kantvikter som inte följer triangelojämlikheten, vilket den tidigare forskningen inte gjorde. Experiment utförs på en karta över Stockholm och en syntetisk karta, för att testa algoritmens prestanda, verifiera korrekthet, och betona vikten av detaljerade parametrar i optimeringsmål. Anpassningsbara Kontraktionshierarkier presterade som förväntat, om inte bättre, och dess korrekthet uppehölls. Implementeringen är lämplig för att integreras i en ruttplanerare, men ytterligare forskning bör genomföras för att se hur den passar ihop med andra delar av ruttplaneringsproblemet, så som tidsfönster, svängkostnader och laddstationer.