详情

原文传递混合动力汽车实时与智能能量管理策略研究

论文题名：	混合动力汽车实时与智能能量管理策略研究
关键词：	混合动力汽车;能量管理;动态规划;确定性
摘要：	在环境污染与能源紧缺的双重危机下，纯电动汽车由于自身限制无法推广普及，因此插电式混合动力汽车（Plug-inHybridElectricVehicle，PHEV）成为了由纯燃油车向纯电动汽车过渡的最佳选择。能量管理策略是PHEV能否发挥其结构和节能优势的关键，而如何通过智能算法来提升当前能量管理策略的不足之处，以提高其控制优化效果、控制的实时性以及对不同工况的适应性是当前PHEV能量管理策略的主要研究方向。本文以P2构型的PHEV为研究对象，对PHEV的工作模式及仿真模型搭建、基于规则（EV-CD-CS策略）能量管理策略、动态规划（DynamicProgramming,DP）能量管理策略、车速预测模型、模型预测控制（ModelPredictiveControl，MPC）能量管理策略和深度强化学习（DeepReinforcementLearning，DRL）智能能量管理策略进行了研究。主要研究内容包括以下六个方面：　　(1)P2构型混合动力系统分析及PHEV整车模型搭建。针对P2构型的混合动力系统的结构特征以及各工作模式进行了分析，对PHEV的发动机、驱动电机、动力电池以及纵向动力学模型进行了建模，并采用后向建模法建立了整车模型框架，为能量管理策略的研究提供仿真环境。　　(2)搭建基于规则以及基于DP的能量管理策略。通过将PHEV的运行模式划分为纯电动模式（ElectricVehicleMode,EV）、电量消耗模式（ChargeDepletingMode,CD）和电量维持模式（ChargeSustainingMode,CS），对不同模式下车辆各部件的工作状态进行了分析，并制定了各模式下的控制策略、各模式间的切换策略以及切换阈值，建立了可实际运用的基于规则的能量管理策略。通过将DP算法引入了PHEV能量管理问题中，对其原理及求解过程进行了详细描述，建立了全局最优的基于DP的能量管理策略。对所搭建的能量管理策略进行了仿真验证，验证了所搭建PHEV整车模型及能量管理策略的有效性和合理性，为后续能量管理策略的研究提供了评价标准。　　(3)搭建基于径向基函数（RadicalBasisFunction，RBF）神经网络的车速预测模型。通过将RBF神经网络用于有限时域内的车速预测中，并详细描述了RBF神经网络的结构和学习过程，建立了基于RBF神经网络的车速预测模型，并采用合成工况对车速预测模型进行了训练和验证，验证了所搭建的车速预测模型的有效性和准确性。随后，通过车速预测模型在不同预测时域下的预测结果，分析了预测时域对车速预测模型的预测精度的影响。　　(4)搭建基于MPC的能量管理策略。通过将MPC算法引入了PHEV能量管理问题中，对其原理进行了详细的描述，并基于MPC框架，选取基于RBF神经网络的车速预测模型作为未来有限时域的车辆状态的预测模型；选取全局最优的DP算法作为最优序列的求解算法，建立了基于MPC的能量管理策略；通过仿真结果，分析了不同预测时域对控制策略性能的影响，并将仿真结果与基于规则的能量管理策略和DP能量管理策略的仿真结果进行对比，验证了该策略的合理性和有效性。　　(5)搭建基于深度确定性策略梯度（DeepDeterministicPolicyGradient，DDPG）的能量管理策略。将DRL方法引入了PHEV能量管理问题中，建立了基于DRL的PHEV能量管理策略架构，并采用DDPG算法来求解能量管理问题，建立了基于DDPG的能量管理策略，并对其原理、决策过程以及训练过程进行了描述；通过仿真对比，验证了所搭建策略具有较好的自学习能力以及策略控制的有效性。　　(6)基于不同工况，以基于规则的策略和DP策略为基准，对搭建的基于MPC能量管理策略和DDPG能量管理策略在不同工况下的适应性进行对比分析，验证了所搭建的这两种策略在不同工况下均有较好的适应性以及控制的有效性和合理性。
作者：	陈泯旭
专业：	工程(车辆工程)
导师：	张勇;覃亮
授予学位：	硕士
授予学位单位：	重庆理工大学
学位年度：	2023