详情

原文传递基于工况预测的混合动力重型卡车能量管理策略研究

论文题名：	基于工况预测的混合动力重型卡车能量管理策略研究
关键词：	重型卡车;混合动力;工况预测;燃油消耗策略;硬件在环仿真
摘要：	混合动力车辆因其双动力源的存在，可以使车辆在不同的工作需求下灵活地切换其工作模式。相较于传统发动机的工作特点，混合动力对于整车经济性的提升具有独特的优势。传统的重型载货汽车消耗了60%以上的公路能源，而随着混合动力车辆的进一步普及，对于重型卡车应用混合动力提升其经济性的研究也具有十分重要的意义。本文以P2构型单轴并联式的重型卡车为对象，对其在复杂工况下的能量管理策略进行研究。　　本文首先根据研究对象的整车构型及传动系统特点，搭建了混合动力重型卡车的能耗仿真模型。通过介绍P2构型混合动力系统的不同工作模式，为后续建立能量管理规则策略做准备。其次根据车辆不同关键部件的基本原理搭建了基于Simulink的车辆模型，包括发动机模型、电机模型及变速箱模型等。根据动态规划算法对发动机模式切换规则进行优化，并以此为基础制定由动态规划算法优化的能量管理控制策略。在特定工况下对车辆动力性及车速跟随进行测试，离线仿真结果验证了被控对象模型的可靠性，同时将该策略下计算所得发动机油耗值作为后续优化的参考标准。　　为提高能量管理策略工况适应性，采用基于灰色系统理论的灰色预测模型对未来短期工况车速进行预测，通过采集车辆10s历史工况数据预测未来短期5s的车速信息，并使用遍历迭代的方法对该模型算法中的紧邻权重系数进行优化。本文选取适用于重型车辆的标准工况构建用于模式识别的典型工况库并初步选择15个表征工况的特征参数，用主成分分析法及相关系数法两种方式对参数降维，并用层次聚类法分类结果对比分析两种特征降维方式的特点。由此选取7个关键参数用作工况分类与识别的依据并将典型工况分为6类。建立基于BP神经网络与支持向量机的工况识别器模型，分别对两个识别器模型使用大量工况片段样本进行训练，结果表明基于BP神经网络搭建的识别器平均正确率可达88.04%，高于支持向量机模型的61.37%的平均正确率，因此选用前者用于后续研究。　　根据等效燃油消耗最小原理（EquivalentConsumptionMinimizationStrategy，ECMS），同时结合工况预测算法与识别器模型建立实时性更高的基于工况预测的瞬时能量管理策略。针对每一种典型工况，分别对控制策略模型中紧邻权重系数、等效因子以及惩罚因子采用遍历迭代及粒子群算法优化，得到适用于不同种工况类型的6套控制参数。　　本文采用dSPACE实时在线测试平台对所搭建的能量管理策略进行测试，结果表明相较于传统的定参数ECMS策略，本文提出的基于工况预测的自适应能量管理策略在中国重型商用车瞬态工况（ChinaWorldTransientVehicleCycle，C-WTVC）、中国重型商用车货车行驶工况（ChinaHeavy-dutyCommercialVehicleTestCycleTrunk，CHTC-HT）及复合工况下燃油经济性分别提升了0.27%、2.39%及1.22%，验证了该策略的有效性及实时性。
作者：	杨贤诚
专业：	车辆工程
导师：	郭孔辉;杜常清
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2022