原文传递
基于锂电池和超级电容的车用混合动力系统能量管理研究
| 论文题名： | 基于锂电池和超级电容的车用混合动力系统能量管理研究 |
| 关键词： | 车用混合动力;锂电池;超级电容;健康状态;能量管理 |
| 摘要： | 锂电池和超级电容具有各自的特点和优势，对于一个车用混合动力系统(Hybridpowersystem,HPS)来说，充分发挥二者的互补优势，研究能量动态管理和优化控制方法是降低成本、提高电动汽车整车性能的关键。而锂电池的健康状态(Stateofhealth,SOH)在能量管理系统中起着重要作用，准确地估计锂电池的SOH可确保锂电池在使用时的安全性和可靠性。本文的主要工作及贡献如下: (1)为了克服现有技术中对建立模型所要求的数据量庞大、需要手动提取特征等缺陷，本章提出一种基于卷积神经网络(ConvolutionalNeuralNetworks，CNN)和迁移学习的锂电池SOH估计方法。利用CNN自动地在电压、电流、容量的数据中提取特征，利用迁移学习方法将加速老化数据和正常速度老化数据结合训练，利用加速老化数据、废弃电池寿命中的最后一部分循环数据进行预训练，并用正常速度老化的前一部分数据加以微调，即可训练出一个准确地估计锂电池SOH的模型。 (2)针对HPS能量管理问题，本文提出了基于DeepQ-network强化学习算法的策略，根据二者的特性和既定目标，选取了适宜的变量作为状态和动作量，并设计了合理的奖励函数。在ECE、UDDS、HWFET三种工况下分别进行仿真实验，分配锂电池和超级电容的能量。该策略可以实现满足车辆驾驶的需求功率的基本目标，超级电容能够充分地吸收车辆在制动过程中释放的能量，并辅助供电而减少了锂电池的使用，减小了锂电池负载变化率和输出电流变化率，达到延长锂电池寿命的目标。 (3)另外，本文提出了基于神经网络(NeuralNetworks，NN)和强化学习的能量管理策略。基于NN对下一状态的预测值，根据累计奖励最大化的原则选择一定长度的最优动作序列，结合模型预测控制器的思想选取动作序列的第一个动作作为当前状态的最优控制动作。在由MBDC、UDDS、WVUSUB和HWFET四种工况组合的混合工况模式下采用所提出的能量管理策略，实现锂电池和超级电容之间的能量分配。 |
| 作者： | 李央 |
| 专业： | 控制工程 |
| 导师： | 陶吉利 |
| 授予学位： | 硕士 |
| 授予学位单位： | 浙江大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
