原文传递
基于预测的串联式混合动力汽车能量管理策略研究
| 论文题名： | 基于预测的串联式混合动力汽车能量管理策略研究 |
| 关键词： | 混合动力汽车;能量管理策略;神经网络;车速预测 |
| 摘要： | 串联式混合动力汽车（SeriesHybridElectricVehicle,SHEV）是传统燃油车向电气化转变的重要产物之一，能量管理策略是影响混合动力系统运行效率和节能效果的主要因素。本文在现有的规则式能量管理策略上，考虑了车辆未来的需求功率变化情况，基于RBF（RadialBasisFunction）神经网络预测模型设计了一种适用于串联式混合动力汽车动力系统的能量管理策略。研究内容包括： 根据串联式混合动力汽车的动力系统结构和参数，建立了AVLCruise和MATLAB/Simulink联合仿真平台，搭建了电池寿命数学模型。将汽车理论计算得到的动力性指标结果以及实车转鼓试验得到的经济性指标结果和仿真结果进行对比，验证了仿真模型的有效性。 对串联式混合动力汽车常用的三种能量管理策略进行分析，并将其适配于本文中的车辆中进行仿真。在分析了串联式混合动力汽车工作模式后，对策略进行优化设计，在规则上增加了判断EGU开闭的新条件，在需求功率的计算上加入了未来功率补偿值，从而设计出一种新的规则式能量管理策略。 针对车辆未来车速的预测模型进行了研究，根据循环工况的组合工况训练出了基于前馈的神经网络（BackPropaganda,BP）和基于径向基神经网络（RadialBasisFunction，RBF）的预测模型，对两种神经网络的输入参数和结构参数分别进行了分析。研究发现RBF神经网络的历史车速输入参数个数应在5个以内。综合对比了指数预测、RBF神经网络预测和BP神经网络预测方法，结果显示RBF神经网络预测效果最佳。 将基于预测的能量管理策略（Prediction-BasedStrategies，PBS）在联合仿真平台上实现，对比了基于预测的能量管理策略与其他三种能量管理策略在功率分配情况、电池SOC（StateOfCharge）变化、燃油经济性与电池寿命衰减方面的不同表现。结果表明，本文提出的基于预测的能量管理策略能够根据当前车辆需求功率，分配协调好动力源之间的工作，无论在规律的还是随机的运行工况下，都能在保证燃油经济性最低的同时，减少电池寿命衰减。 本文的能量管理策略具有一定的行驶前瞻性，充分考虑了优化目标，解决了串联混合动力汽车能量管理策略中优化性与实时性、燃油经济性与电池损耗不可兼得的问题。 |
| 作者： | 王志宇 |
| 专业： | 车辆工程 |
| 导师： | 田韶鹏 |
| 授予学位： | 硕士 |
| 授予学位单位： | 武汉理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
