原文传递
基于工况预测及离线最优轨迹的PHEV在线能量管理策略研究
| 论文题名： | 基于工况预测及离线最优轨迹的PHEV在线能量管理策略研究 |
| 关键词： | 插电式混合动力汽车;在线能量管理;工况预测;离线轨迹;燃油经济性 |
| 摘要： | 合理的能量管理策略能够大幅度降低插电式混合动力汽车(Plug-in Hybrid Electric Vehicle，PHEV)的燃油消耗以及排放，但现有的能量管理策略未考虑实际行驶工况多变性对燃油消耗的影响，离线全局最优能量管理策略虽然能获得理论上的最小燃油消耗值，但只能应用于离线状态。因此本文提出一种基于工况预测和离线最优轨迹的在线能量管理策略，将离线最优轨迹运用到在线中的同时，提高了汽车的燃油经济性和策略对不同工况的适应性，具体工作内容如下: 基于Matlab/Simulink环境，以实验建模为主，理论建模为辅搭建了整车动力学及传动系统各部件仿真模型，为进一步的研究提供了仿真平台。 利用动态规划算法，建立了离线全局最优能量管理策略。对算法进行了改进，通过将算法中每一时刻SOC取值范围限定在0.6～0.8，以此来缩减计算时间，提高算法程序的通用性，同时保证了电池SOC在合理范围内波动;通过限定最后时刻SOC取值为0.7，在逆向搜索可行SOC域时，严格保证了工况下SOC电量平衡，提高了结果的可信性。仿真结果表明，所编写算法程序通用性良好，能应用于不同工况，所建立离线全局最优策略相对于电机助力策略燃油经济性明显提升。 通过相关性分析对工况特征参数进行降维，确定了12种特征参数用于工况预测，利用欧几里德贴近度法实现对工况的在线预测。考虑到驾驶模式代表了短期内驾驶员对道路环境的一种反应，是汽车当前时刻一种重要的状态，将驾驶模式定义为5个等级;研究了神经网络的基本原理，利用BP神经网络实现汽车驾驶模式的在线预测。 利用神经网络对标准工况下离线最优轨迹及对应汽车状态进行学习训练，建立基于神经网络和离线最优轨迹的在线策略并进行仿真验证，结果表明该策略性能表现良好，实现了离线最优轨迹的在线应用和能量的合理分配。在上述策略的基础上，结合工况预测方法和驾驶模式预测方法，设计基于工况和驾驶模式预测及离线最优轨迹的综合在线能量管理策略并进行仿真验证，结果表明，所设计策略下汽车SOC变化平稳，具有良好的电量保持能力，该策略提高了汽车燃油经济性的同时具有良好的工况适应性。 |
| 作者： | 李开放 |
| 专业： | 车辆工程 |
| 导师： | 张冰战 |
| 授予学位： | 硕士 |
| 授予学位单位： | 合肥工业大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
