共查询到19条相似文献,搜索用时 265 毫秒
1.
余开江许孝卓胡治国王莉 《系统仿真技术》2015,(3):207-212
针对传统混合动力汽车控制方法不考虑队列行驶对车辆能量管理影响的问题,本文提出了基于队列行驶的混合动力汽车节能预测控制智能优化策略。通过建立混合动力汽车系统的降阶模型,并采用连续广义最小残量方法求解模型预测控制问题。运用计算机进行仿真,仿真结果验证了系统模型的有效性,以及所设计的模型预测控制算法大幅度提高混合动力汽车的燃油经济性的能力和实时控制性能。 相似文献
2.
针对传统插电式混合动力汽车智能控制策略计算量大,难以实现实时最优控制的问题,提出了基于蓄电池充放电管理的插电式混合动力汽车预测控制策略.利用实测通勤插电式混合动力汽车车速信息,以蓄电池荷电状态为系统状态变量,以蓄电池充放电功率为系统控制变量,插电式混合动力汽车燃油消耗量最低为系统性能指标,设计了插电式混合动力汽车的模型预测控制智能优化算法,运用连续广义最小残量方法求解最优控制问题.在Matlab/Simulink与GT-POWER联合仿真平台上进行仿真,实验结果验证了所设计的模型预测控制算法不仅可以大幅度提高混合动力汽车的燃油经济性,而且能够满足实时控制的要求. 相似文献
3.
油电混合动力汽车中燃油和电池电能量的使用是影响最小油耗的主要因素.传统控制油电混合动力汽车油耗方法存在设置的SOC门限值不合理问题,导致发动机输出转矩仿真控制效果不佳,因此提出全新的油电混合动力汽车不同工况最小油耗控制仿真.研究采用均值分类法处理基本数据,并将处理数据与汽车行驶工况进行合成;以最小油耗为目标,设置以油耗控制最优问题为核心的SOC门限值;根据发动机输出功率和APU输出功率之间的关系,设计最小油耗仿真控制模型.此次测试共设置5组不同程度的工况,根据测试结果可知:提出的最小油耗控制仿真,对于发动机输出转矩仿真控制,有更好的油耗控制效果,与两种传统方法相比,上述方法在仿真控制下,可以回收的能量比传统方法多出近30%,可见上述方法更加适合控制油电混合动力汽车在不同工况中的油耗. 相似文献
4.
5.
本文针对插电式混合动力汽车(plug-in hybrid electric vehicle,PHEV)这一典型混杂系统,提出了一种基于车速预测的混合逻辑动态(mixed logical dynamical,MLD)模型预测控制策略.首先,通过对发动机和电动机能量消耗模型进行线性化,建立双轴并联插电式混合动力城市公交车的动力传动系统数学模型;其次,运用模糊推理进行驾驶意图分析,提出基于驾驶意图识别和历史车速数据相结合的非线性自回归(nonlinear auto-regressive models,NAR)神经网络车速预测方法进行未来行驶工况预测.然后,以最小等效燃油消耗为目标建立PHEV的混合逻辑动态模型,运用预测控制思想对车速预测时域内最优电机转矩控制序列进行求解.最后,通过仿真实验验证了本文所提出控制策略在特定的循环工况下与电动助力策略相比,能够提高燃油经济性. 相似文献
6.
7.
8.
混合动力汽车通常由内燃机和电池两种不同的动力源驱动,对于给定的功率需求,如何分配两种动力源的输出功率,使得整个循环的耗油量达到最小是混合动力系统控制表示法需要解决的问题.本文采用改进动态规划方法来优化两种动力源的输出功率,并用PSATv6.1进行了系统仿真.仿真结果表明,与开关式相比,该方法能有效的降低串联混合动力汽车... 相似文献
9.
10.
针对车辆高速过弯时发生的侧滑问题,将预测控制运用于汽车ESP控制系统中,以2自由度车辆模型为预测内部模型,以车辆直接横摆力矩为输出作用于车轮来控制整车的行驶状态。结合Matlab/Simulink建立的七自由度整车模型以及轮胎模型对所设计的ESP控制器进行分析调整。实验结果表明,预测控制器能很好地控制汽车的横摆角速度和限制质心侧偏角,提高了汽车的稳定性和安全性。 相似文献
11.
预测柠制算法为了在自由度不足时按优先级优先保证基本控制目标,在自由度多余时充分利用自由度提高效益,在算法中引了优化 控制的策略,本文首先介绍和分析了以前对预测控制的改进工作,最后给出了基于目标规划思想的优化策略。 相似文献
12.
双线性模型预测控制的研究表明,采用一般双线性模型的预测控制将涉及非线性优化问题,在线处理相当困难,而采用线性近似模型的预测控制又会带来较大的偏差.针对一类输入一输出双线性系统,提出了一种双线性系统的广义预测控制算法.该算法将基于输入-输出模型双线性系统中的双线性项和线性项合并,建立了一种类似于线性系统的ARIMA模型,并充分利用多步最优预测信息,由递推近似实现多步预测.控制律具有解析形式,避免了一般非线性寻优的复杂计算,并能适用于非最小相位双线性系统.仿真实验表明该算法具有良好的控制效果. 相似文献
13.
14.
《Journal of Process Control》2014,24(10):1527-1537
Indirect iterative learning control (ILC) facilitates the application of learning-type control strategies to the repetitive/batch/periodic processes with local feedback control already. Based on the two-dimensional generalized predictive control (2D-GPC) algorithm, a new design method is proposed in this paper for an indirect ILC system which consists of a model predictive control (MPC) in the inner loop and a simple ILC in the outer loop. The major advantage of the proposed design method is realizing an integrated optimization for the parameters of existing feedback controller and design of a simple iterative learning controller, and then ensuring the optimal control performance of the whole system in sense of 2D-GPC. From the analysis of the control law, it is found that the proposed indirect ILC law can be directly obtained from a standard GPC law and the stability and convergence of the closed-loop control system can be analyzed by a simple criterion. It is an applicable and effective solution for the application of ILC scheme to the industry processes, which can be seen clearly from the numerical simulations as well as the comparisons with the other solutions. 相似文献
15.
16.
针对基于迭代学习控制的交通信号控制方法对于路网中存在的非重复性实时干扰不能进行有效处理的问题,本文在基于迭代学习控制的交通信号控制方法基础上,结合模型预测控制滚动优化和实时校正的特点,提出了一种基于迭代学习与模型预测控制的交通信号混合控制方法.该方法在有效利用交通流周期性特征改善路网交通状况的同时,可借助模型预测控制的优点对非重复性的实时干扰进行处理,从而进一步提高交通信号的控制效率.通过仿真实验对该方法的有效性进行了验证.实验结果表明,基于迭代学习与模型预测控制的交通信号混合控制方法能够更有效地均衡路网内的车辆密度,进一步提高了路网的通行效率.最后,本文还对该方法的收敛性进行了分析. 相似文献
17.
18.
针对传统制冷站控制系统易产生振荡, 且无法实现系统性能整体优化的问题, 本文提出一种制冷站非线性
预测控制策略, 优化目标函数设计为满足建筑冷量需求的同时, 尽可能提高系统整体能效. 为解决上述两个优化目
标之间的矛盾关系, 本文采用模糊逻辑设计了优化目标权重自适应模块, 实时求取权重因子最优解; 针对非线性系
统在线优化求解困难问题, 本文提出了基于神经网络的非线性滚动优化算法, 采用神经网络作为反馈优化控制器,
并将系统优化目标函数作为在线寻优性能指标, 结合Euler-Lagrange方法和随机梯度下降法对控制器权值和阈值进
行在线寻优, 算法计算量小, 占用存储空间适中, 便于采用低成本的现场控制器实现制冷站预测控制. 仿真实验结果
表明, 本文所提出的预测控制策略与PID控制相比, 在未加入优化目标函数权重自适应模块情况下, 系统平均能效
比提高约32.5%; 进行优化目标函数权重自适应寻优后, 系统平均能效提高约39.43%. 相似文献
19.
《Journal of Process Control》2014,24(10):1516-1526
A new optimal disturbance rejection control method is proposed for the system with disturbances via a compound neural network prediction approach in this paper. The disturbances caused by external disturbances and model mismatches can be estimated by a disturbance observer, and the estimation of disturbances is introduced into the neural network predictive model to make the predictive output more accurate. Then based on the new compound neural network predictive model, a controller, which ensures both optimal performance by the receding horizon optimization and strong disturbance rejection ability, is obtained. The proposed scheme is applied to control the temperature of a simplified jacketed stirred tank heater (JSTH). Simulation results demonstrate the effectiveness of the proposed control method. 相似文献