基于工况识别的混合动力汽车能量管理策略优化

针对现有基于工况识别的能量管理策略在车辆行驶过程中未全面考虑动力电池荷电状态(SOC)在某些工况片段下降过快的问题,从ADVISOR中选取23个典型的循环工况,用聚类分析方法将其划分为五类,以燃油消耗最小为目标,采用模拟退火粒子群算法对各类工况下能量管理策略中的关键参数进行离线优化,并建立优化参数数据库,提出了一种基于工况识别的能量管理策略优化方法。利用构建的综合测试工况对所制定的能量管理策略进行仿真分析。结果表明,所制定的基于工况识别的能量管理策略与未采用工况识别的能量管理策略相比,综合油耗降低了12.77%;同时,所制定的基于工况识别的能量管理策略可使汽车在行驶过程中动力电池SOC下降速度大为减小。     

基于驾驶风格识别的混合动力汽车能量管理策略

为了进一步提高混合动力汽车的燃油经济性,针对驾驶员的驾驶风格对混合动力汽车的燃油经济性有较大影响的问题。通过对驾驶操作引起的汽车行驶过程的车体冲击度分析,确定不同类型行驶工况下的驾驶风格区分方法,应用该方法在所采集的大量行驶工况数据上,得到不同驾驶风格的车速信息。将行驶工况识别算法、不同驾驶风格的车速信息、等效燃油最小能量管理策略相结合,获取不同驾驶风格下的最优需求功率分配方式,从而建立基于驾驶风格识别的能量管理策略。对一段随机工况应用所制定的能量管理策略,仿真结果表明,所提出的控制策略比不考虑驾驶风格的等效燃油最小能量管理策略燃油经济性提高了8.47%,发动机工作点更好地运行在其最佳效率曲线附近,电池SOC更稳定且更好地维持在高效区域。     

基于工况识别的混合动力汽车动态能量管理策略

针对固定循环工况下所制定的混合动力汽车能量管理策略存在一定局限性问题,从ADVISOR软件中选取覆盖车辆实际行驶工况的20个典型循环工况,以整车综合燃油消耗和动力电池寿命为综合优化目标,利用粒子群算法对各工况下能量管理策略中所涉及的关键参数进行了优化,并将得到的优化结果建立数据库,提出了基于行驶工况识别的混合动力汽车动态能量管理策略。最后,通过选择某个随机工况对所制定的能量管理策略进行仿真。结果表明：所制定的动态能量管理策略与未采用工况识别的能量管理策略相比,车辆综合燃油消耗下降10.70%,动力电池温升和平均有效工作电流分别下降2.46℃和1.63A。     

基于工况识别与多元非线性回归优化的能量管理策略

为给混合动力汽车智能管理策略提供基础,开展了基于学习向量化(LVQ)神经网络的工况模式识别算法研究。选取4种典型微观道路类型工况和3类标准循环工况,提取11个参数为训练特征数据,建立了LVQ神经网络工况模式识别算法;在此基础上,以某款混联式动力系统为例,结合多元非线性回归分析制定相应控制策略;最后,基于Simulink仿真平台建立LVQ神经网络工况模式识别及整车仿真模型,分别采用中国城市典型循环工况以及构建UDDS+NYCC+UDDS的标准行驶工况进行道路工况识别验证。结果表明,所建立的LVQ神经网络工况识别算法可以准确识别工况模式并能有效提高能量管理策略的控制效果。     

基于随机动态规划的混合动力履带车辆能量管理策略

混合动力履带车辆采用发动机—发电机组和电池组混合供电,必须设计满足车辆动力性和燃油经济性约束的能量管理策略。针对串联式混合动力履带车辆,提出一种基于随机动态规划的能量管理策略设计方法。以实车行驶试验数据为目标工况,将驾驶员功率需求抽象为随车速变化的马尔科夫过程。建立发动机—发电机组、电池组以及直流母线功率平衡动态模型。以目标工况中燃油消耗及电池最终荷电状态的偏差作为车辆的优化控制成本函数,建立车辆能量管理最优控制问题。采用策略迭代法求解以发动机转速、电池组荷电状态、车速和驾驶员功率需求为输入、发动机电子节气门为输出的最优控制策略。所得控制策略通过基于前向车辆模型的仿真以及行驶试验验证。结果表明,相对于原发动机多点控制策略,所得最优控制在满足目标工况同时,燃油经济性明显提高。     

基于灰色预测的混合动力系统ECMS能量管理策略研究

为进一步提高HEV能量管理策略的燃油经济性以及在线实时优化的能力,建立灰色预测GM(1,1)模型对汽车速度实时预测,并将其与等效燃油消耗最小策略ECMS结合,提出基于灰色预测的混合动力汽车ECMS能量管理策略。建立整车仿真模型,并选取WVUCITY、WVUSUB、WVUINTER 3种不同工况进行能量管理仿真分析。结果表明,灰色预测对速度的预测精准度可靠;灰色预测与ECMS能量管理策略结合,可以使SOC值更加稳定,提高电池使用寿命;3种工况下采用灰色预测GM(1,1)模型的ECMS能量管理策略在同等条件下比普通ECMS能量管理策略燃油经济性分别提高7.4%、7.5%、6.3%。     

减少燃料电池功率振荡的FCV混合能量管理策略

针对燃料电池汽车(Fuel Cell Vehicle, FCV)因频繁启停和变载工况导致燃料电池寿命衰减的问题,基于模糊控制理论,提出以降低燃料电池输出功率高频振荡为目标的混合能量管理策略。通过对比城市道路循环工况(Urban Dynamometer Driving Schedule, UDDS)下混合能量管理策略和模糊控制策略的燃料电池输出功率,表明提出的混合能量管理策略满足实际工况的功率需求,同时可以有效降低燃料电池输出功率的高频振荡现象,减少燃料电池处于不利工况的时间,使得整车经济性提高了4.45%,为燃料电池汽车能量管理策略的研究提供了一定的理论依据。     

纯电动汽车工况识别和能量控制策略研究

针对纯电动汽车能量管理策略优化主要面向单一工况,提出包含BP神经网络工况识别控制的能量管理策略.以锂电池-超级电容复合电源纯电动汽车为研究对象,引入工况识别的复合电源纯电动汽车能量管理策略对整车经济性和蓄电池工作状态的影响.在MATLAB/Simulink平台下修建整车模型并进行综合测试工况仿真,结果表明:包含工况识别的能量控制策略能够准确识别行驶工况,相较于优化前的能量管理策略,蓄电池能量消耗下降2.81％,总能量消耗下降1341 kJ,两种能量源之间的能量分配更加合理,蓄电池工作状态得到进一步优化,有效提高整车经济性.     

等效因子离散全局优化的等效燃油瞬时消耗最小策略能量管理策略*

以一款混联插电式混合动力汽车(Plug-in hybrid electric vehicle, PHEV)的燃油经济性为研究目标,为改善以等效因子为核心的等效燃油瞬时消耗最小策略(Equivalent fuel consumption minimization strategy, ECMS)的控制效果,考虑电池荷电状态(State of charge, SOC)、等效因子与燃油消耗的关系,构建等效因子全局优化模型;利用遗传算法离线优化一定工况下的等效因子S,得到不同电消耗续航行驶里程与电池SOC初始值的最佳等效因子MAP图,建立基于等效因子优化的ECMS能量管理策略,并考虑动力电池、电动机等部件的效率,获得最佳等效因子下的发动机、ISG电机、驱动电机的功率分配,并进 行仿真与硬件在环试验,其中仿真结果表明,与未优化的等效因子相比,燃油经济性提高20.81%,硬件在环试验结果与 仿真结果基本一致,表明所制定能量管理策略的有效性和可行性,进而为解决不同的行驶里程PHEV功率分配策略提供理论基础。     

基于EEMD信息熵和PSO-SVM的自动机故障诊断

针对自动机振动信号的瞬态冲击、非线性和非平稳性,提出一种基于集合经验模式分解(EEMD)的信息熵和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用小波阈值降噪对振动信号进行预处理;其次运用具有抗混叠效应的EEMD对降噪信号进行分解得到本征模式分量(IMF),从而提取能反映自动机状态的特征参数:能量熵、边际谱熵和奇异谱熵;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将特征向量子集分别作为PSO-SVM和概率神经网络(PNN)的输入参数以识别自动机故障,结果表明:PSO-SVM相对于PNN可以提高故障分类正确率,同时证明基于EEMD信息熵和PSO-SVM方法在自动机故障诊断中的有效性。     

基于DSP的电动汽车蓄电池电量计量及荷电状态估计

荷电状态是反映蓄电池能量的重要参数,是电动汽车整车控制器制定能量控制策略的重要依据。为了解决电动汽车蓄电池电量计量及荷电状态估计问题,设计了基于数字信号处理器(DSP)的蓄电池电量快速计量系统,采用安时法对蓄电池充放电容量进行了估计,通过放电率、温度、自放电及容量老化等补偿措施来提高计量精度,并分析了温度与充放电倍率对蓄电池容量的影响。试验结果表明,补偿后的安时法可准确地估计蓄电池荷电状态,最大充放电倍率随温度升高而增大。     

基于人工蜂群支持向量机的电动汽车制动意图识别方法

在电动汽车再生制动系统中,根据驾驶员不同的制动意图制定对应的再生制动控制策略可以有效地提高汽车的制动安全性、舒适性和经济性,而准确并快速识别驾驶员制动意图是制定控制策略的基础。以准确并快速识别驾驶员的制动意图为主要目标,以搭载线控制动系统的电动汽车为研究对象,设计并实现了一种基于人工蜂群支持向量机（ABC-SVM）的驾驶员制动意图在线识别方法。首先对制动数据进行预处理,用近邻成分分析（NCA）特征选择算法选取有效特征,再用ABC-SVM算法建立制动意图识别模型,最后进行在线识别。离线验证和在线试验结果表明,NCA算法能有效筛选掉信号噪声导致的不相关特征;相比于模糊推理、反向传播（BP）算法、粒子群优化支持向量机（PSO-SVM）和遗传算法支持向量机（GA-SVM）识别算法,ABC-SVM算法能够更加准确、快速地识别驾驶员的制动意图。     

基于随机模型预测控制的四驱混合动力汽车能量管理

基于随机模型预测控制基本原理,研究了四驱混合动力汽车的能量优化管理。采用马尔可夫模型预测加速度变化过程,通过计算得到混合动力汽车未来需求转矩。在保证电池荷电状态平衡的前提下,以燃油经济性最优为目标,建立混合动力汽车能量管理优化模型。针对建立的非线性优化模型,采用动态规划算法进行有限时域内的滚动求解。将提出的控制策略在dSPACE中进行软件在环仿真试验。研究结果表明,随机模型预测控制策略可以实现四驱混合动力汽车基本的能量管理,可在保证各动力部件良好工作状况的前提下,提升燃油经济性。与基于恒值模型的预测控制策略相比,随机模型预测控制策略下的平均燃油经济性提升了8.30%,优化结果接近有先验知识的预测控制策略。     

插电式柴电混合动力汽车规则控制及处理器在环测试

以某插电式柴电混合动力汽车为研究对象,基于准静态假设建立了包括发动机-ISG、电池、选择性催化还原（SCR）系统及传动系统的整车动力学模型,并利用线性函数近似逼近油耗率MAP图来提高求解速度。选取发动机油耗、催化器出口排放与其对应的加权系数乘积的加权和作为目标函数进行求解,根据计算结果提取满足国Ⅴ排放法规约束下最优控制解的典型特征,包括模式切换和能量分配。基于动态规划算法优化结果对CD-CS策略进行了改进,并完成了仿真验证及处理器在环测试。研究结果表明：与初始CD-CS策略相比, 改进后的CD-CS策略节油4.95%,NOx排放量、颗粒物（PM）排放量分别减少20.8%和6.06%,验证了所提规则控制策略的有效性和实时性。     

基于遗传神经网络的电动汽车锂电池SOC预测

针对传统方法在电动汽车锂电池荷电状态（State of Charge,SOC）预测中的局限和不足,提出了一种基于遗传神经网络的电池SOC预测算法.该算法的整体方案首先给出了车载锂电池状态监测系统的软硬件实现,在该系统上以不同的放电倍率对磷酸铁锂电池进行了放电实验,获取了其放电过程中电压、电流和SOC的样本数据,然后利用遗传算法全局寻优能力对神经网络中的连接权值和阈值进行了优化,用实验所得的样本数据训练BP神经网络,根据训练好的神经网络对锂电池SOC进行了预测并将其与真实SOC进行对比,以验证算法的可行性.研究结果表明,该方案可通过电压、电流的实时测量值获知锂电池的剩余电量,具有收敛速度快、预测误差小、适应范围广的特点,有效解决了电动汽车锂电池的SOC预测问题.     

Torque-based optimal acceleration control for electric vehicle

The existing research of the acceleration control mainly focuses on an optimization of the velocity trajectory with respect to a criterion formulation that weights acceleration time and fuel consumption. The minimum-fuel acceleration problem in conventional vehicle has been solved by Pontryagin＇s maximum principle and dynamic programming algorithm, respectively. The acceleration control with minimum energy consumption for battery electric vehicle（EV） has not been reported. In this paper, the permanent magnet synchronous motor（PMSM） is controlled by the field oriented control（FOC） method and the electric drive system for the EV（including the PMSM, the inverter and the battery） is modeled to favor over a detailed consumption map. The analytical algorithm is proposed to analyze the optimal acceleration control and the optimal torque versus speed curve in the acceleration process is obtained. Considering the acceleration time, a penalty function is introduced to realize a fast vehicle speed tracking. The optimal acceleration control is also addressed with dynamic programming（DP）. This method can solve the optimal acceleration problem with precise time constraint, but it consumes a large amount of computation time. The EV used in simulation and experiment is a four-wheel hub motor drive electric vehicle. The simulation and experimental results show that the required battery energy has little difference between the acceleration control solved by analytical algorithm and that solved by DP, and is greatly reduced comparing with the constant pedal opening acceleration. The proposed analytical and DP algorithms can minimize the energy consumption in EV＇s acceleration process and the analytical algorithm is easy to be implemented in real-time control.     

蚁群算法求电动汽车最优行驶路径与充电方案

针对目前电动汽车动力电池容量有限、充电时间较长的问题,为缓解用户出行顾虑,提出蚁群算法优化电动汽车行驶路径与充电方案。在基本路网结构中加入了对充电站分布的考虑,应用蚁群算法分别对分段路线和全局充电方案进行优化,最终将两部分结合形成全局的最优行驶路径。试验结果表明,算法推荐的行驶路线可以做到所需的充电时间最短且全局的耗电值最小,算法是有效的。