详情

原文传递增程式电动汽车预测型能量管理策略研究

论文题名：	增程式电动汽车预测型能量管理策略研究
关键词：	增程式电动汽车;能量管理策略;车速预测;广义回归神经网络;动态规划
摘要：	在交通领域油耗排放双重压力和双碳目标发展战略的引导下，汽车动力系统正加速向电动化转型，但纯电动汽车仍面临着里程受限、充电不便、电池安全等现实焦虑问题，燃油转电、全时电驱的增程式电动汽车应运而生。能量管理策略是增程式电动汽车的核心控制算法，其算法优劣直接影响整车性能。开展增程式电动汽车能量管理策略尤其是基于瞬时优化算法的预测型能量管理策略(PEMS)研究，对于增程式电动汽车整车性能提升和优化具有重要意义。　　本文针对增程式电动汽车的预测型能量管理策略问题，设计了包含能量管理和增程器动态协调控制在内的改进预测型能量管理策略(A-PEMS)，基于模型预测控制(MPC)算法设计了基于自适应广义回归神经网络(A-GRNN)实时车速预测和预测视距内动态规划算法(DP)的实时能量分配方法，设计了基于前馈加反馈和转速扭矩解耦的增程器动态协调控制策略，建立了包含驾驶员、控制策略和整车被控对象的增程式电动汽车前向联合仿真平台，对A-PEMS进行了验证和优化。围绕增程式电动汽车预测型能量管理策略问题，本文主要开展的研究工作和结论如下：　　(1)基于广义回归神经网络(GRNN)实现了实时车速预测，探究了不同输入节点个数、径向基函数宽度对GRNN实时车速预测算法的影响规律，基于赤池信息准则(AIC)实现了GRNN参数的自适应调整，设计了自适应的A-GRNN实时车速预测算法，仿真结果表明该算法能够有效提升车速预测的准确度，为基于MPC的能量管理策略的研究提供了基础。　　(2)建立了包括控制器策略模型、整车被控对象模型和驾驶员模型在内的增程式电动汽车前向仿真平台。对增程式电动汽车各动力部件进行了建模，基于实车路试数据对建立的整车被控对象模型进行了验证，结果表明所搭建的增程式电动汽车被控对象模型能够很好地反映实际驾驶时的运行状态，为后续A-PEMS策略的优化与验证提供了仿真平台。　　(3)实现了面向增程式电动汽车PEMS策略预测视距内的DP全局能量分配，重点解决了滚动时域过程中预测视距末端目标电池荷电状态(SOC)的确定问题，结合A-GRNN实时车速预测算法实现了基于MPC的能量管理策略。对增程器的控制原理进行了分析，设计了基于前馈加闭环和转速扭矩解耦的增程器动态协调控制策略。设计并实现了包括基于MPC的能量管理和增程器动态协调控制的A-PEMS策略。　　(4)基于台架试验对增程器动态协调控制策略进行了验证，结果表明增程器动态协调控制策略能够控制增程器快速准确地响应目标功率，利用增程式电动汽车前向仿真平台对A-PEMS策略进行了验证。探究了SOC离散状态空间范围、SOC状态空间网格离散程度、预测视距末端SOC偏差权重值、预测视距长度对A-PEMS策略的影响并对各个参数进行了优化。　　(5)对比了不同驾驶循环、不同初始SOC值下A-PEMS策略与其他四种能量管理策略的仿真结果。结果表明，对于同一驾驶循环、同一初始SOC值，A-PEMS能够获得比其余四种能量管理策略更好的燃油经济性表现，同时，A-PEMS能够有效减少电池充放电，延长电池寿命。
作者：	侯珏
专业：	动力机制及工程
导师：	吴锋;姚栋伟
授予学位：	博士
授予学位单位：	浙江大学
学位年度：	2022