详情

原文传递面向复杂工况应用的混合动力汽车A-ECMS研究

论文题名：	面向复杂工况应用的混合动力汽车A-ECMS研究
关键词：	混合动力汽车A-ECMS;动态规划算法;BP神经网络;规则控制策略;最优控制策略
摘要：	近年来，中国的原油进口量和原油对外依存度一直居高不下，且世界能源需求量持续增长；中国作为汽车生产和销售大国，汽车的燃料消耗占我们国家的燃料消耗总量的比例一直居高不下。因此，研究与设计用于新能源混合动力电动汽车的能量管理控制策略具有重要的意义。能量管理控制策略能够通过合理地分配不同动力系统之间的驱动功率，在满足车辆动力需求的同时达到降低车辆的能源消耗量的目的。　　本文以某款混联式混合动力汽车为研究对象，分别基于确定性规则、动态规划算法和庞特里亚金极小值原理设计了基于确定规则的能量管理策略（规则策略）、基于动态规划的全局最优能量管理策略（DP策略）和基于深度学习的面向复杂工况应用的自适应等效因子等效燃油消耗最小策略（面向复杂工况应用的A-ECMS）三种能量管理策略。其中DP策略为最优策略，作为各策略的比较基准；规则策略为基础策略；面向复杂工况应用的A-ECMS为本文的目标策略。此外，基于多种标准循环测试工况构建了三种复合测试工况，并在其中一种复合测试工况下研究了面向复杂工况应用的A-ECMS，同时在三种复合测试工况下对比三种能量管理策略的燃油经济性性能。主要内容有：　　（1）完成整车的发动机、电机、动力电池、车辆行驶动力学、AMT变速器等系统部件的建模工作，并基于确定性规则策略完成基于确定规则的能量管理策略的设计工作，同时基于WLTC工况验证该规则策略。仿真结果表明规则策略在WLTC工况下的燃油经济性良好，发动机按照预期运行在高效率区域内。　　（2）基于动态规划算法进行了基于动态规划的全局最优能量管理策略的研究工作。利用动态规划算法进行混合动力车辆最优控制决策的建模工作，并基于WLTC工况验证该DP策略并分析对比规则策略与DP策略的优化结果。仿真结果表明该DP策略在WLTC工况下的燃油经济性性能较规则策略高16.5%。　　（3）完成基于深度学习方法的自适应等效因子等效燃油消耗最小策略的设计工作。通过DP策略的工况数据计算得出最优等效因子数据集，基于该数据集和DP策略部分工况数据训练拟合BP神经网络，完成拟合的BP神经网络用于预测等效因子数值以获得面向复杂工况应用的A-ECMS。基于WLTC工况验证A-ECMS策略并分析对比规则策略、DP策略、A-ECMS的优化结果。仿真结果表明，A-ECMS策略与DP策略的工况跟随性良好，A-ECMS的燃油经济性性能达到了DP策略的95.4%，较规则策略提高11.9%。　　（4）基于多种标准循环工况组合搭建三种复合测试工况，基于其中一种复合工况完成面向复杂工况应用的A-ECMS的设计工作。分别使用三种复合测试工况在不同的动力电池初始荷电状态验证规则策略、DP策略和面向复杂工况应用的A-ECMS策略，并分析比较面向复杂工况应用的A-ECMS策略的优化性能。仿真结果表明，面向复杂工况应用的A-ECMS策略的SOC始末值之差均在0.1以内，且SOC、动力电池需求功率等变化曲线与DP策略的跟随性良好；A-ECMS的平均等效燃油消耗率为3.9668L/100km，平均燃油经济性性能为DP策略的92.1%，且较规则策略高14.9%。
作者：	刘高辉
专业：	机械工程
导师：	阳林;郑春花
授予学位：	硕士
授予学位单位：	广东工业大学
学位年度：	2022