插电式混合动力公交车电池配置和能量管理策略协同优化的研究

本文针对一款插电式混合动力城市客车,以电池购置成本和使用过程中的能耗成本两者构成的综合成本最小化为目标,进行电池电量选择和能量管理策略的协同优化。首先,设计了双环优化流程,外环为不同电量电池组的选择,内环则施行选定电池组下基于庞特里亚金极小值原理(PMP)的能量管理策略。基于中国典型城市客车运行循环进行仿真分析。结果表明,以综合成本最小化为目标的PHEB的最优电池组配置受行驶里程需求、电池单价等多种因素的影响。最后,基于一组选定的电池组,分别应用PMP、动态规划、电量消耗-电量维持策略和等效能耗最小化策略进行能量管理的对比仿真,得到了4种策略的能耗特征。     

基于实时路况信息的插电式混合动力汽车预测性能量管理算法研究

为提高插电式混合动力汽车的燃油经济性,对基于实时路况信息的预测性能量管理算法展开研究。根据实时路况信息采用能耗分配法规划全局SOC参考轨迹,利用自适应等效燃油消耗最小策略(A-ECMS)跟随目标SOC轨迹实现能量管理。以上海市某行驶工况数据进行仿真,结果表明:全局SOC参考轨迹可在低、高速区间合理分配电量,真实SOC轨迹与参考轨迹变化趋势一致,燃油经济性较电量消耗-电量维持(CD-CS)策略提高7.65%,接近动态规划(DP)算法的全局最优解。     

面向电动汽车能量管理的城市公交立体工况

针对电动公交车的能量管理与优化问题,以西安市为例构建包含车速和道路坡度的城市公交立体工况。采集公交车实车数据,提取含车速和坡度信息的短行程,并利用主成分分析和分层聚类分析法合成得到城市公交立体工况,对比合成工况和总体数据特征值的差异。基于一款插电式混合动力公交车(PHEV),在西安市20个连续的城市公交立体工况(总里程约100km)下分别应用电量消耗-电量维持策略(CD-CS)和全局优化理论中的动态规划(DP)2种典型能量控制策略进行行驶仿真,同时对比分析平面工况和立体工况及道路坡度对能量管理的影响。结果表明:合成工况特征参数的最大误差为9.44%,平均误差为4.63%;CD-CS和DP两种策略在立体工况下回收的制动能量比不考虑坡度的平面工况分别多32.80%和33.03%,且制动回收的能量随着坡度缩放系数的增大而增加;若忽略上下坡时的电机驱/制动功率,DP策略无法实现符合实际工况的能量优化分配,且当考虑坡度时,2种策略的能耗成本分别增加14.69%和10.43%;随着坡度缩放系数的增大,整车能耗成本以更快的速率增加,且CD-CS策略的能耗成本增长速率快于DP策略。     

双电机一体化纯电动客车动力分配策略优化

本文中以整车能耗最小化为目标为一款双电机一体化纯电动汽车进行动力模式的优化。分别应用基于优化方法的动力分配策略(包括动态规划策略和瞬时能耗最小策略)和基于规则的动力分配策略(双电机等转矩分配策略和主辅电机转矩分配策略)共4种策略进行中国典型城市公交工况仿真。结果表明:针对双电机一体化纯电动汽车,基于动态规划的全局能耗优化策略退化为瞬时能耗最小策略,即瞬时优化应作为一体化双电机纯电机汽车动力模式分配的最佳方法;基于动态规划/瞬时能耗最小策略的百公里电耗分别比等转矩分配和主辅分配策略少5.07和2.29k W·h。     

插电式混合动力汽车能耗优化控制策略的研究EI北大核心CSCD

基于插电式混合动力汽车(PHEV)可以通过外网充电的特性,选取发动机消耗燃油的成本与电机消耗电能的成本之和作为优化目标函数,采用庞特里亚金极小值原理进行优化仿真;研究了PHEV不同工作模式(电量消耗-电量维持模式和混合模式)对能耗经济性的影响;分析了行驶里程、电池荷电状态(SOC)初始值和能量价格比对能量分配控制策略的影响;最终制定了实时优化控制策略并与门限值控制策略进行对比仿真,结果表明,与门限值控制策略相比,采用制定的实时优化控制策略能耗经济性在不同的SOC初始值下都有大幅度的提高。     

插电式混合动力汽车能耗优化控制策略的研究

基于插电式混合动力汽车(PHEV)可以通过外网充电的特性,选取发动机消耗燃油的成本与电机消耗电能的成本之和作为优化目标函数,采用庞特里亚金极小值原理进行优化仿真;研究了PHEV不同工作模式(电量消耗-电量维持模式和混合模式)对能耗经济性的影响;分析了行驶里程、电池荷电状态(SOC)初始值和能量价格比对能量分配控制策略的影响;最终制定了实时优化控制策略并与门限值控制策略进行对比仿真,结果表明,与门限值控制策略相比,采用制定的实时优化控制策略能耗经济性在不同的SOC初始值下都有大幅度的提高。     

基于烟花算法的PHEV能量管理策略参数优化

为改善插电式混合动力汽车(PHEV)的燃油经济性,提出一种基于规则的能量管理策略。结合智能网联汽车技术,利用烟花算法(FWA)结合系统约束条件,对能量管理策略参数进行优化,以求使车辆在变化的路况下能耗最低。为减轻沉重运算负荷,设计了一种事件触发机制来控制优化操作的启停。当车辆油耗超过预设上限则开始优化,一旦油耗满足预设下限则优化结束。在中国典型城市工况下,验证了该策略的有效性及优化性能。结果显示:较优化前的能量管理策略,该方案可使PHEV燃料消耗降低10%。从而,使燃油经济性明显提升。     

基于离散动态规划的PHEV燃油经济性全局最优控制

针对某款并联式混合动力汽车(PHEV),以整个循环工况的燃油经济性最优为目标,运用离散动态规划算法,得到PHEV的全局最优控制策略。并通过在逆向计算中设置不满足条件的控制变量的收益函数为无限大的方法,来达到电池荷电状态平衡。最后建立Matlab/Simulink仿真模型,对获得的全局最优控制策略进行仿真验证,并与采用瞬时最优控制策略得到的仿真结果进行比较。结果表明,全局最优控制在满足电池荷电状态平衡的前提下,获得了比瞬时最优策略更好的整车燃油经济性。     

考虑电池电-热-放电深度的并联PHEV能量管理策略研究

在插电式混合动力汽车(PHEV)能量管理策略的设计中考虑电池老化的影响对提升整车的经济性意义重大。针对配置自动机械式变速器的并联PHEV,考虑影响电池老化的电-热-放电深度三重耦合因素并利用模型预测控制(MPC),实现挡位选择和转矩分配的协同、实时优化。首先,根据车速谱与电池老化动力学辨识电池在整个行程的最优放电深度。其次,基于最优放电深度建立电池放电规划和预测时域的参考SOC,并利用庞特里亚金最小值原理(PMP)求解滚动时域内的优化问题。与未考虑电池寿命的MPC、采用固定挡位的一维模型预测控制(1DMPC)和基于动态规划优化方法的MPC等多种方法进行对比。结果表明:(1)优化并联PHEV的挡位可有效降低电池老化成本;(2)与采用规则型换挡策略的1D-MPC相比,对挡位选择和转矩分配同时进行优化的二维模型预测控制(2D-MPC)有利于降低电池核心温度和电池的老化成本;(3)与基于规则的CD-CS策略相比,提出的2D-MPC可将总成本(能耗成本和电池寿命损失成本之和)降低28.2%。     

跟驰场景中网联混合电动货车速度规划和能量管理协同控制的研究EI北大核心CSCD

鉴于队列行驶中的网联混合动力货车(HET)的跟驰速度既涉及行车安全、能量需求与分配和电池老化速率,同时又通过车间距,影响气动阻力,以至能耗经济性,本文中提出跟驰场景下综合考虑行车安全性、能耗经济性、气动阻力和电池老化等多个目标的速度规划和能量管理协同控制策略。首先,基于空气动力学量化跟驰安全性。其次,以安全性成本、能耗成本和电池老化成本构成的等效总成本最小化为目标函数并基于模型预测控制构建实时控制策略。其中,采用长短时记忆神经网络对前车速度进行预测,并采用动态规划求解滚动时域内的优化问题。结果表明,协同控制策略能通过抑制动力电池充放电电流来降低电池老化成本,以及借助灵活调整跟驰距离来减小气动阻力并降低能耗成本。与基于人类驾驶模型的跟驰策略进行对比,结果验证了协同控制策略的可行性。     

并联混合动力汽车ECMS的时变等效因子提取算法的研究

为解决当前等效燃油消耗最小控制策略(ECMS)未能根据实际工况选取最优等效因子的问题,利用动态规划算法(DP)和ECMS各自的优点,构建并联混合动力汽车能量算法模型,即采用动态规划算法的等效燃油消耗最小控制策略(ECMSwDP),将等效因子作为全局最优算法的控制变量,通过对等效因子的离散全局优化,获得基于工况的最佳时变等效因子。在标准工况下对时变等效因子实时控制策略与全局最优控制策略DP的各项性能参数进行了数值仿真,验证了时变等效因子提取算法的有效性和等效因子初始值选取方法的可行性。     

基于动态规划与RBF神经网络的PHEV能量管理策略

为提高插电式混合动力汽车燃油经济性,设计了一种基于动态规划和径向基函数（RBF）神经网络的插电式混合动力汽车能量管理策略。首先,建立了插电式混合汽车数学模型;其次,以发动机油耗最小为目标函数,采用动态规划求解全局最优的离线优化结果;最后,采用RBF神经网络对离线最优控制结果进行学习,建立了发动机输出转矩与车辆状态参数之间的非线性映射关系,得到了基于动态规划和RBF神经网络的能量管理策略。仿真结果表明,文章所提策略油耗较之于电量消耗-维持策略降低了2.92%,验证了该策略的有效性。     

系统综合效率优化的插电式混合动力车辆的能量管理策略

为了提升插电式混合动力汽车(PHEV)的动力系统的真实能效,从综合能效最优的角度,研究了插电式混合动力系统能量管理策略。针对系统综合效率的时变性和耦合性,建立了系统效率评价模型,对电池储存电能的效率进行评价和动态修正,以系统综合效率最优为目标,结合粒子群优化算法,构建了能量管理策略。基于GT-Suite和Simulink联合仿真平台,分析了对能量管理策略的应用效果。结果表明:在连续2个“全球统一轻型汽车测试循环(WLTC)”下,与未考虑综合能效的能量管理策略相比,综合能耗降低了10.6%;优化后发动机和电机工况分布均更加合理,且在不同的工况下均能有效降低系统能耗。因此,该能量管理策略能提高插电式混合动力系统能效。     

插电式混合动力汽车再生制动控制策略

由于再生制动控制策略直接影响了插电式混合动力汽车（PHEV）的经济性,文章提出了一种基于理想制动力分配的再生制动控制策略,这种策略能在保证制动稳定性的同时,尽可能多地回收制动能量,在Simulink平台上建立再生制动控制策略模型,并嵌入到Cruise软件中进行仿真。仿真结果表明,此模型相比没有制动能量回收的PHEV和传统汽车,都有效地提高了经济性,验证了再生制动控制策略的合理性。     

基于实车道路数据的插电式混合动力能耗敏感性分析

为评价插电式混合动力(PHEV)在实际行驶过程中的能耗水平,分析影响PHEV能耗水平的关键因素,本文中基于180人次的实车行驶记录数据,构建车辆行驶状态和驾驶员驾驶行为与PHEV整车综合能耗之间的相关关系。首先,利用主成分分析法,对行驶工况参数矩阵进行特征解耦,提取对整体信息累计贡献度达84%的5项主成分,并根据影响系数矩阵的数值分布对主成分进行指标定义。然后,基于运动学片段,利用K均值聚类算法对各主成分进行依次约束,从而形成目标实车道路工况,并将其代入整车能量流仿真模型中计算综合能耗水平。最后,计算各主成分与综合能耗水平之间的皮尔逊相关系数和协方差值,并对其进行聚类和敏感性定义。结果表明,本文中提取出的人-车-路3项代表性指标与能耗呈现出较强的敏感性关系。本文中的结论对于插电式混合动力汽车整车参数和控制参数的选取有重要的指导意义。     

插电式混合动力汽车变参数能量管理策略

为进一步提高新型插电式混合动力汽车(PHEV)的整车经济性,考虑到影响整车经济性的2个主要因素——行驶工况和行驶里程,提出了变参数能量管理策略。为减小车辆行驶工况的影响,应用模糊欧几里德贴近度方法,建立了基于典型循环工况的车辆行驶工况识别控制策略;为减小车辆行驶里程的影响,应用模糊识别的方法,建立了以车辆行驶里程和车辆启动时的动力电池荷电状态(SOC)为输入,行驶里程模式为输出的车辆里程模式识别控制策略;最后对整车能量管理策略进行了仿真分析。结果表明:在同等行驶里程的新欧洲行驶循环(NEDC)工况下,与定参数能量管理策略相比,变参数能量管理策略可以降低整车等效百公里油耗5%以上,从而提高了PHEV的整车经济性。     

中美PHEV能耗评价方法对比研究

研究了中国和美国对于插电式混合动力乘用车( PHEV)油耗与电耗的评价方法。通过从测试标准与指标计算两方面进行对比,指出了我国现行PHEV能耗评价方法中的不足,包括PHEV能耗标签的缺失、不能获得混合式PHEV的续驶里程和未考虑出行特征对PHEV能耗的影响等。最后提出了加强出行特征研究以完善我国PHEV能耗评价方法的建议。     

影响并联混合动力电动汽车发动机在高效区工作的因素

通过对并联混合动力电动汽车(PHEV)的仿真和对发动机工作点在发动机效率map图中分布情况的分析，研究了影响PHEV的发动机在高效区工作的因素。研究表明：驱动系统能量管理和控制策略对PHEV的发动机在高效区工作的影响最为显著，其次是换挡策略、循环工况以及发动机高效区的位置和分布的影响。     

基于深度学习的混合动力汽车预测能量管理

为了优化混合动力汽车的能量动态分配过程，提升混合动力汽车的燃油经济性和动力电池荷电状态（SOC）平衡性，提高混合动力汽车能量管理策略的鲁棒性，以等效燃油消耗最小化策略为基础，结合对车辆未来行驶工况的预测研究，分析车辆未来行驶需求能量的变化，制定相应的动态调整策略。基于车联网通信技术，实时采集车辆的运行状态信息和交通信息，作为车辆未来工况预测模型的输入变量。以数据驱动为特征，基于混合深度学习建立工况预测模型。利用STL分解算法对各输入变量进行周期性、趋势性等特征分解，并对各输入变量的特征分量，使用混合深度学习网络从数据局部特征及时间维度依赖特征来深度挖掘目标车辆车速与外部信息及历史数据的关系，进而对车辆未来的行驶工况进行预测。利用预测的工况信息，分析车辆未来行驶需求能量的变化，应用于自适应等效消耗最小化策略等效因子的实时动态调整，从而实现对车辆的优化控制，并通过与传统自适应等效消耗最小化策略进行对比，验证该方法的有效性。研究结果表明：基于混合深度学习的工况预测模型预测精度比BP网络预测模型高44.72%；利用精确的预测工况信息预测能量管理，可以实时动态调整发动机和电机的功率输出，降低油耗并维持电池SOC平衡。     

基于强化学习的多燃烧模式混合动力能量管理策略

针对采用HCCI/SI多燃烧模式的功率分流型混合动力汽车,提出了一种基于深度强化学习(DRL)的能量管理策略。基于发动机台架试验和电机有限元分析建立了混合动力汽车模型。将整车作为环境,采用排序优先经验回放算法,训练基于深度Q网络(DQN)的能量管理智能体。在WLTC和NEDC工况下,与规则策略、自适应等效燃油消耗最小策略(A-ECMS)和动态规划结果进行对比,仿真结果表明:基于DRL的能量管理策略能在维持SOC的前提下,避免燃烧模式频繁切换,并且充分利用中小负荷HCCI燃烧,燃烧模式切换频率降低13%以上,燃油经济性提升6%以上。