论文题名: | 基于工况识别的P2.5构型PHEV能量管理策略研究 |
关键词: | 混合动力汽车;能量管理;动态规划;工况识别;神经网络 |
摘要: | 具有双动力源的插电式混合动力汽车,能够有效解决纯电动汽车续驶里程焦虑问题,是当前新能源汽车主流方案之一。制定合理的能量管理策略能够实现发动机和电机优势互补,提高节能减排能力。现有能量管理策略大多是采用规则类控制策略,忽略了实际行驶工况对于控制效果的影响,经济性有待进一步提高。本文以全局最优能量管理策略为依据,结合实时行驶工况,制定基于工况识别的能量管理策略,以期进一步提高车辆燃油经济性。本文主要研究内容如下: (1)分析P2.5构型插电式混合动力汽车系统结构特点,阐述各工作模式功率流,建立关键零部件数值模型。建立基于电量消耗-保持(ChargeDepleting-ChargeSustaining,CD-CS)的能量管理策略,确定各阶段的工作模式以及切换规则,最后通过仿真验证所建立的数值模型和制定的能量管理策略的合理性。 (2)选取19种标准工况组建标准工况库,对各工况特征参数进行聚类分析,将各标准工况划分为3类并确定3类工况的对应的代表工况。再以3种典型工况为基础,采用支持向量机(SupportVectorMachine,SVM)对工况类型进行识别。针对SVM模型识别进度不足问题,采用鲸鱼优化算法(WhaleOptimizationAlgorithm,WOA)对SVM模型关键参数进行寻优,提升分类识别精度。 (3)建立基于动态规划(DynamicProgramming,DP)算法的全局最优能量管理策略,实现转矩最优分配。与CD-CS策略相对比,基于DP策略的经济性有显著提升,验证所提出的基于DP算法的能量管理策略的有效性,为后文的能量管理策略提供参考和方法支撑。 (4)提出了基于工况识别的能量管理策略。针对DP策略存在需要已知工况和针对特定工况待优化的缺点,采用神经网络对典型工况功率分配结果进行离线学习。在行车中,通过工况识别结果选择对应神经网络对功率进行分配,实现在线控制。最后,开展了仿真验证,对比了有、无工况识别下神经网络能量管理策略和CD-CS策略的仿真结果。仿真结果表明:有、无工况识别的神经网络能量管理策略经济性均优于CD-CS策略;基于工况识别的能量管理策略经济相较于无工况识别的策略提升了1.56%,从而验证了本文所提出的基于工况识别的能量管理策略的有效性。 |
作者: | 李小凡 |
专业: | 工程(车辆工程) |
导师: | 罗勇 |
授予学位: | 硕士 |
授予学位单位: | 重庆理工大学 |
学位年度: | 2023 |