基于车速预测的燃料电池客车能量管理策略

燃料电池客车的能量管理策略对提高能量经济性具有十分重要的作用。本文基于某示范运行的燃料电池客车运行数据,使用径向基神经网络算法对未来行驶车速进行预测,并应用凸优化算法和模型预测控制思想构建整车实时能量管理策略,同时比较了动力电池充放电两种状态下的等效氢耗量,与实车运行数据相比,有效地提高了整车的能量经济性。     

燃料电池客车动力系统建模与能量管理策略研究

基于ADVISOR进行二次开发,建立了燃料电池客车整车前向仿真模型.基于模糊控制方法制定了能量管理策略;为提升燃料电池耐久性,对模糊控制进行改进,提出改进后的模糊控制能量管理策略.中国典型城市工况下的仿真结果表明,改进后的模糊控制能量管理策略在车辆经济性和燃料电池耐久性方面均优于功率跟随式能量管理策略.     

网联环境下的燃料电池混合动力汽车能量管理

为了缓解城市交通拥挤和减少能源消耗,本文提出一种基于智能交通信息的燃料电池混合动力汽车(FCHEV)分层能量管理策略。利用车联网技术获取目标车辆的路况信息,建立交通信号灯正时模型,获取最优目标车速。基于目标车速,获取车辆的需求功率,分层设计自适应等效消耗最小策略和模型预测控制方法,实现对3种能量源需求功率的最优分配。通过仿真和实验验证所提能量管理策略的有效性。研究结果表明：该策略能够有效避免红灯前频繁启停,燃料经济性和续航里程分别提高了9.83%和5.13%。     

多源信息融合的车速预测方法及整车能量管理

为了进一步挖掘功率分流混合动力汽车的节能潜力,提出了一种融合驾驶意图、车间运动特征及工况历程特征信息的车速预测方法。在此基础上,以燃油经济性最优为目标,建立了基于模型预测控制的整车能量管理优化模型,并采用动态规划算法在有限时域内进行求解,实现了各动力源转矩的实时最优分配。通过MATLAB/simulink软件平台仿真验证表明:在城市道路循环工况下,车速预测精度在不同预测时域都得到了进一步的提升。相比于参数优化后的规则策略,该整车能量管理策略在3种典型工况下,燃油消耗量分别降低了28.53%、23.40%和26.42%,从而验证了该车速预测方法和整车能量管理策略的有效性。     

预知交通信号的电动汽车分层能量管理策略

在城市路况下,电池和超级电容复合电源电动汽车会对信号灯判断不准确而频繁起停,造成额外的能量消耗。基于智能交通系统中预知交通信号信息的应用场景,本文提出了一种分层能量管理方法。首先,根据交通信号信息,上层车速设计策略优化车速,得到车辆经济参考车速,避免车辆在信号灯区域频繁起停。其次,基于经济参考车速,设计了一种基于非线性模型预测控制的下层能量管理策略,合理分配电池及超级电容的功率输出,并有效跟踪经济参考车速,降低电池功率的变化率。最后,对所提出的车速设计和能量管理策略进行仿真分析,并搭建实验平台进行验证。研究结果表明:分层能量管理策略使等效燃油经济性提高了3.24%,降低了电池能耗,并且减少了车辆急加速或急减速情况,提高了驾驶舒适性。     

遗传算法优化的PHEV模糊能量管理策略研究

选取某款插电式并联式混合动力汽车(PHEV)进行转毂实验,通过转毂实验分析整车的动力性、经济性及整车控制策略,利用GT-suite软件搭建整车一维动力性模型并制定能量管理控制策略,对比分析仿真结果和实验结果:发动机功率实验数据和仿真数据变化趋势一致,电池SOC变化趋势一致,并且最大误差小于20％,验证了仿真模型的准确性.在一维模型基础上利用GT-suite软件和Simulink软件联合仿真,利用基于模糊规则能量管理策略优化混合动力模式下发动机和电机功率分配,然后以整车经济性最佳为优化目标,利用遗传算法优化模糊控制器.结果表明:相对于特定规则的能量管理策略,基于模糊规则策略下整车经济性提高了8.98％,基于遗传算法优化的模糊控制策略整车经济性提高了15.69％.     

车路协同的插电式汽车预测能量管理策略研究

为进一步改善插电式混合动力汽车(plug-in hybrid electric vehicle, PHEV)的能量经济性,提出了一种考虑市区道路交通信息的经济车速规划方法及基于模型预测控制(model predictive control, MPC)的能量优化管理策略。以某款P2构型的PHEV为研究对象,基于市区路口信号灯配时状态信息,分别采用动态规划与高斯伪普法优化求解经济车速。根据规划出的经济车速,提出了基于MPC的优化能量管理策略,其利用Dijkstra算法求解最优转矩分配。结果表明：对比基于规则的分段三角函数法,2种经济车速规划算法分别可降低6.31%、7.03%的PHEV等效油耗。基于MPC的优化能量管理策略相比于基于规则的能量管理策略可进一步提升4.98%的能量经济性。     

混合动力汽车深度强化学习分层能量管理策略

为了提高混合动力汽车的燃油经济性和控制策略的稳定性,以第三代普锐斯混联式混合动力汽车作为研究对象,提出了一种等效燃油消耗最小策略(equivalent fuel consumption minimization strategy,ECMS)与深度强化学习方法(deep feinforcement learning,DRL)结合的分层能量管理策略。仿真结果证明,该分层控制策略不仅可以让强化学习中的智能体在无模型的情况下实现自适应节能控制,而且能保证混合动力汽车在所有工况下的SOC都满足约束限制。与基于规则的能量管理策略相比,此分层控制策略可以将燃油经济性提高20.83%~32.66%;增加智能体对车速的预测信息,可进一步降低5.12%的燃油消耗;与没有分层的深度强化学习策略相比,此策略可将燃油经济性提高8.04%;与使用SOC偏移惩罚的自适应等效燃油消耗最小策略(A-ECMS)相比,此策略下的燃油经济性将提高5.81%~16.18%。     

基于显式随机模型预测控制的功率分流式混合动力 车辆能量管理策略

混合动力车辆的能量管理策略对提高燃油经济性十分重要.为了提高功率分流式混合动力车辆的燃油经济性以及能量管理策略的实时性,设计了基于显式随机模型预测控制的能量管理策略.首先利用马尔科夫链预测车速,通过简化控制模型,把非线性的能量管理问题转化为线性二次优化问题,建立了以预测域内能量消耗最小为目标的随机模型预测策略(SMPC);然后通过参数化求解得到显式随机模型预测控制策略,该策略既保持了随机模型预测控制方法的优势,又提高了计算速度;最后在多个工况下进行仿真,对提出的能量管理策略的有效性进行验证.仿真结果表明:与基于规则的控制策略相比燃油经济性最高可提高28.64%,同时该策略在仿真中的平均计算时间为3.1 ms,具有实时运算潜力.     

车载甲醇重整制氢燃料电池系统建模与供氢管理

针对车载甲醇重整制氢燃料电池汽车在实际运行过程中氢气需求问题,设计了面向控制的供氢策略。首先基于Matlab/Simulink平台,搭建了甲醇重整制氢燃料电池系统和整车仿真模型。结合实际工况中整车对燃料电池提出的动态功率需求,以甲醇消耗最低为目标,提出一种基于时间序列指数预测算法提前预知燃料电池耗氢速率进而实时调整重整系统的甲醇供应量的策略。C-WTVC工况仿真结果表明,该策略可使综合等效醇耗降低1.47%。此外,考虑到工况频繁变化会降低甲醇重整效率,进一步设计了一种基于规则的供氢管理策略,维持甲醇重整器运行在高效率区,C-WTVC工况下综合等效醇耗降低3.82%。