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。     

基于速度预测与自适应差分进化算法的混合动力汽车能量管理策略

为提高单行星排构型的混合动力汽车（hybrid electric vehicle, HEV）的燃油经济性,降低车辆燃油消耗量,提出了一种基于门控循环单元神经网络（gated recurrent unit neural network, GRU-NN）速度预测模型与自适应差分进化（adaptive differential evolution, A-DE）算法的能量管理策略,在模型预测控制（model predictive control, MPC）框架下预测未来车辆的行车速度,将整个工况内的全局优化求解问题转化为在预测时域内的局部优化求解,以发动机燃油消耗量最低与行车过程电池荷电状态（state of charge, SOC）平衡为目标,利用A-DE算法实现预测域内的最优控制序列求解。仿真结果表明,在实车采集的道路工况下,基于GRU-NN与A-DE算法的能量管理策略相较于ECMS燃油消耗量减少了4.55%,相较于动态规划燃油经济性达到了93.04%。     

基于强化学习和路况信息的燃料电池汽车能量管理策略

为提升整车经济性和耐久性,提出了一种基于强化学习和路况信息的燃料电池汽车能量管理策略。首先,根据关键部件参数搭建了动力系统模型,并根据城市道路工况特征在VISSIM软件中搭建交通模型并提取了车辆行驶数据及路况数据。其次,将路况数据作为输入,利用长短期记忆神经网络对车速进行预测。最后,基于强化学习算法,将预测车速、加速度以及动力电池荷电状态作为输入,燃料电池系统功率作为输出进行能量管理策略的设计。仿真结果表明,所提策略的百公里氢耗量与动态规划策略相比仅相差1.27%,且燃料电池系统的平均功率波动降低了5.01%,因此可有效提升整车的经济性和耐久性。     

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.     

插电式混合动力汽车能量管理策略多目标优化

能量管理策略与插电式混合动力汽车(plug-in hybrid electric vehicles,PHEV)的燃油消耗和尾气排放密切相关.在开发的PHEV能量管理策略基础上,建立整车仿真模型.利用自适应惯性因子对基本粒子群算法进行改进.为克服单一优化算法的固有缺陷,将改进粒子群算法和遗传算法组成混合优化算法,并将该混合算法应用于PHEV能量管理策略的多目标优化.优化结果表明,该算法能有效跳出局部最优,其寻优能力明显高于基本粒子群算法和遗传算法,优化后的PHEV油耗和尾气排放相对于优化前减少近30%.     

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%。     

基于车速预测的燃料电池客车能量管理策略

近年来,燃料电池汽车发展迅速,能量管理策略对提高燃料电池客车能量经济性具有重要意义。通过构建整车实时能量管理策略,对燃料电池客车的能量经济性进行了研究。首先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预测不同时域未来行驶车速;然后结合模型预测控制理论与凸优化算法构建了以预测时域内能量消耗最小为目标的分层预测能量管理策略;最后在实车工况下进行仿真验证,并分析比较了两种初始荷电状态下的百公里等效氢耗。仿真结果表明：与实车控制策略相比,所构建的分层预测能量管理策略能够降低9.6%～16.9%的百公里等效氢耗,有效地提高了整车的能量经济性。     

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％.     

插电式混合动力汽车能量管理策略发展综述

插电式混合动力汽车(plug-in hybrid electric vehicle,PHEV)的电池容量大,能够接入外部电网充电;兼具燃油动力和电动驱动系统的优点,被认为是传统燃油汽车向纯电动汽车过渡的最佳方案。能量管理系统是实现整车需求能量在发动机和电动机之间分配的关键,插电式混合动力汽车的经济性、动力性与所采用的能量管理策略密切相关。对插电式混合动力汽车能量管理策略的研究发展进行了综述,对比了各种基于规则和基于优化的能量管理策略的优缺点,分析了驾驶数据与交通信息对能量管理策略的影响及存在的问题,最后,提出了插电式混合动力汽车能量管理策略的发展方向,为今后插电式混合动力汽车的研究提供参考。     

网联电动汽车信号灯控路口经济性驾驶策略

针对智能网联电动汽车在信号灯控路口的经济性驾驶问题,提出一种基于最优控制的经济性驾驶车速优化策略.首先,构建包含信号灯、车速限制等约束,以能量消耗最小化为目标的信号灯控路口车辆速度优化问题;然后,利用庞特里亚金极小值原理解析求解最优控制率;考虑到动态交通场景中车辆对未来交通信息的预测能力有限、信号灯约束条件多变等特点,提出了一种双层滚动距离域车速优化策略,将信号灯控路口经济性驾驶问题转化为分段最优控制问题,得到分段最优速度轨迹.仿真结果表明:在有限预测能力和无限预测能力2种情况下,所提出的经济性驾驶车速优化策略较加速—匀速—制动策略分别有9.2％和10.3％的能量节省;随着预测距离和信号灯控路口通行速度的增大,在提高通行效率的同时,能量节省效率进一步提高.     

丘陵地区对纯电动汽车经济性分析及能耗优化方法研究

为了分析丘陵地区对纯电动汽车的经济性影响以及如何提高能耗利用率,针对道路坡度,研究了一种基于动态规划优化控制电机转矩的方法,完成了优化能耗的目标。首先构建了纯电动汽车模型,设计了虚拟坡度,应用动态规划算法合理分配电机转矩及车速,并从车速方面分析了坡度对行车经济性的影响;之后,在虚拟坡度下,使用无坡度道路下的最佳经济车速控制仿真车辆,求解虚拟坡度下的汽车能耗,并将此方法计算的能耗与上一步优化方法得出的能耗做对比,证明了所提出的优化算法能够有效地降低能耗;最后,在实际路况上验证了提出的能耗优化算法的合理性。实验结果表明,针对丘陵地区提出的动态规划算法,能够全局优化能耗,有效提高驾驶经济性。     

三阶段智能车辆多信号灯路口节能车速规划

为提高智能车辆在多信号灯场景通行时的能耗经济性，提出一种鲁棒三阶段(选择—平滑—优化，Select-Smooth-Optimize, SSO)的节能车速规划框架。采用随机撒点方式划分可通行区域，基于经济巡航车速构建加权有向无环图(WOG),利用Dijkstra算法求解加权有向无环图粗解；利用三次样条插值模型平滑粗解轨迹，降低非线性优化的计算时间；将车速规划最优控制问题转化为非线性优化问题，利用平滑后的轨迹作为内点法优化的初始迭代值，加快最优速度轨迹收敛，构建不规则信号灯相位和配时(SPaT)场景并进行仿真测试。仿真结果表明，与一阶段和两阶段基准算法相比，SSO算法分别节省26%、7%的能耗，并能兼顾鲁棒性与实时性计算要求。     

新型双电机行星耦合PHEV多目标补偿能量优化策略研究

针对某新型双电机行星耦合插电式混合动力汽车(PHEV),以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(ECMS)的控制效果,结合多动力源之间在行星齿轮机构中的耦合机理,建立油电等效因子自适应瞬态ECMS算法(A-ECMS),在此基础上进一步引入车辆初始荷电状态(SOC)和行驶里程对油电等效因子的影响,根据不同驾驶条件对等效因子进行离线遗传优化,建立基于等效因子优化Map图的遗传优化ECMS能量管理策略(GA-ECMS)。进行了仿真与硬件在环试验,仿真结果表明:相比于传统ECMS以及A-ECMS,本文提出的GA-ECMS算法下车辆百公里燃油消耗量分别降低了6.5%和3.4%;硬件在环试验结果与仿真结果趋势一致,表明了所制定的能量管理策略的有效性和可行性,从而可为建立不同初始SOC、不同行驶里程下PHEV功率分配策略提供理论基础。     

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%。     

基于动态规划插电式并联混合动力汽车能量管理控制策略的研究

混合动力汽车能量管理策略会影响其动力性和经济性。为了寻找整车的最优节油点及控制策略,文章基于世界轻型汽车测试循环(world light vehicle test cycle, WLTC)工况,提出了利用动态规划算法优化插电式并联混合动力汽车能量管理策略。以发动机、电机的扭矩和角速度作为动态规划的控制变量,以保证电池荷电平衡和燃油最小为目标,建立动态规划模型。仿真结果表明,所提出的能量管理策略能使电池荷电状态(state of charge, SOC)保持在设定范围之内,且相对于基于标定经验规则的能量管理控制策略,节油率能达到5.78%,此方法对于整车厂(original equipment manufacturer, OEM)制定并联式混合动力汽车整车控制器能量控制策略及实车标定工作有一定的参考意义。     

基于混沌遗传算法的PHEV能量管理策略优化

提出了一种新的混沌遗传算法,改进了混沌映射和遗传算法的结合方式,使种群在进化的过程中能够混沌搜索解空间,从而增强遗传算法的遍历性.该算法有效地克服了遗传算法局部收敛的缺陷.在软件ADVISOR2002中,以一辆采用模糊能量管理策略的插电式混合动力电动汽车(Plug-in Hybrid Electrical Vehicle,PHEV)为研究对象,应用该混沌遗传算法对其隶属函数和控制规则进行了优化.仿真结果表明,该算法可以实现对模糊控制器的全局优化.与原模糊控制策略相比,优化后的燃油经济性提高了5.15%,CO排放减少了6.39%.     

汽车弯道行驶经济性车速优化方法

道路曲率影响汽车的燃油经济性.以汽车弯道行驶燃油经济性为目标,提出了基于弯道曲率信息的经济性车速优化方法.通过建立BIT-TFCM瞬时燃油消耗模型和车辆动力学模型,得到单一曲率圆周道路下的稳态经济性车速.利用动态规划算法求得汽车驶入和驶离弯道两种工况下的经济性车速轨迹.Matlab/Simulink与CarSim联合仿真结果表明,与典型驾驶员弯道行驶模式相比,该算法可节油5.69%~15.91%.该技术可以明显提高传统汽车弯道行驶燃油经济性,也可为无人驾驶车辆弯道速度控制提供决策依据.      

新型插电式混合动力轿车能量管理策略优化

针对一款新型插电式混合动力轿车,以燃油经济性为目标,设计了其能量优化管理策略并进行了仿真验证。首先,建立了整车前向仿真模型;其次,综合考虑驾驶员需求、车辆及各部件状态,设计了基于规则的能量管理策略;再次,使用等效燃油消耗最小算法(ECMS)进一步优化转矩分配;最后,通过离线仿真和硬件在环仿真对上述策略进行测试验证。结果表明:与基于规则的能量管理策略相比较,优化后能量管理策略在新欧洲行驶工况(NEDC)下油耗降低4.29%;同时硬件在环试验也表明,所开发的等效燃油消耗最小(ECMS)控制策略能够在车载控制器中实时运行。     

基于遗传算法优化支持向量机工况识别的燃料电池混合动力汽车能量管理策略

为了提高氢燃料电池混合动力汽车的燃料经济性,延长蓄电池寿命,选取中国重型商用车行驶工况-货车工况中3种典型工况代表"市区""市郊"和"高速公路",分别制定相应的最优能量管理策略;运用遗传算法优化支持向量机(gentic algorithm-support vector machine,GA-SVM)算法识别车辆运行工况,动态选择相应的能量管理策略,使其对选定的几种代表性工况具有自适应性,从而降低氢耗量,延长蓄电池寿命。仿真结果表明,与无工况识别的能量管理策略和采用传统算法优化的支持向量机(support vector machine, SVM)工况识别能量管理策略相比,使用GA-SVM工况识别的能量管理策略的等效氢耗量分别降低了7.78%和1.31%,蓄电池电池荷电状态(battery state of charge, SOC)变化量减小,变化相对平稳,有利于延长电池寿命。     

基于动态规划的E-REV能量管理策略研究

增程式电动汽车动力来源于增程器与动力电池,车辆运行过程中如何在两者之间分配需求功率,使得整车在行驶过程中燃油经济性最好,是增程式电动汽车能量管理策略核心的问题.提出一种基于动态规划的增程式电动汽车能量管理策略,运用动态规划对整个工况增程器与动力电池输出功率分配比例进行优化.欧洲标准行驶工况(NEDC)组合行驶工况的仿真结果表明:相比实车采用的恒温器式控制策略,基于动态规划的能量管理策略整车燃油经济性提高12.6%.