【摘要】：近年來(lái)由于全球能源危機(jī)和污染問(wèn)題的日益突出,各國(guó)對(duì)燃料車禁令的啟動(dòng)意味著未來(lái)電動(dòng)汽車將替代傳統(tǒng)燃料汽車。對(duì)于電動(dòng)汽車來(lái)說(shuō)需要一個(gè)高能量密度的電能存儲(chǔ)系統(tǒng)來(lái)為汽車提供高能量和大功率。但是僅僅靠單獨(dú)的蓄電池或超級(jí)電容的各自特點(diǎn)都無(wú)法單獨(dú)滿足這種需求。因此,需要將高比功率超級(jí)電容器與高比能電池組合使用。通過(guò)合理的構(gòu)型和功率分配策略,來(lái)充分發(fā)揮兩者的特性。從而能夠彌補(bǔ)單一儲(chǔ)能系統(tǒng)的工作缺陷,同時(shí)可以優(yōu)化電動(dòng)車日常表現(xiàn),這是本文研究的出發(fā)點(diǎn)。本文的主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下:(1)目前針對(duì)典型復(fù)合電源的拓?fù)浣Y(jié)構(gòu)特點(diǎn),對(duì)于被動(dòng)式的能量浪費(fèi),半主動(dòng)和主動(dòng)式控制困難等問(wèn)題,提出一種新型主動(dòng)復(fù)合電源拓?fù)浣Y(jié)構(gòu)。相比現(xiàn)有的拓?fù)浣Y(jié)構(gòu),本文考慮了器件成本以及能量回收利用率等影響因素。采用單向DC/DC轉(zhuǎn)換器,代替原有傳統(tǒng)的雙向DC/DC轉(zhuǎn)換器。本文采用的構(gòu)型能夠?qū)崿F(xiàn)復(fù)合電源的功率分配的多樣性和高效性,同時(shí)提高了超級(jí)電容器對(duì)電機(jī)的驅(qū)動(dòng)效率,提高了功率分配的靈活性。為后續(xù)的研究工作提供拓?fù)浠A(chǔ)。(2)在研究工作(1)的基礎(chǔ)上,對(duì)復(fù)合電源的SOC(荷電狀態(tài))進(jìn)行估測(cè),著重研究了蓄電池的SOC。通過(guò)實(shí)驗(yàn)采集電池工作時(shí)的內(nèi)阻、溫度、電壓、電流和SOC數(shù)據(jù),對(duì)比后發(fā)現(xiàn)在蓄電池SOC估測(cè)中內(nèi)阻決定電池的健康狀態(tài),影響電池的額定容量。而現(xiàn)有文獻(xiàn)中很少考慮內(nèi)阻對(duì)SOC的影響。提出一種以動(dòng)力電池的電壓、電流、溫度和內(nèi)阻作為輸入,SOC作為輸出,四輸入一輸出的模糊控制仿真模型。相比現(xiàn)有的研究方法,添加了內(nèi)阻和溫度作為電池SOC估測(cè)的影響因素。通過(guò)仿真實(shí)驗(yàn)對(duì)比,驗(yàn)證了考慮內(nèi)阻在內(nèi)的四輸入模糊控制具有更好的準(zhǔn)確性。(3)針對(duì)復(fù)合電源功率分配控制策略的選擇,配合拓?fù)浣Y(jié)構(gòu)的難題,提出了超級(jí)電容器SOC、蓄電池SOC和需求功率作為輸入,功率分配因子作為輸出的模糊神經(jīng)網(wǎng)絡(luò)模型。通過(guò)二次開(kāi)發(fā)后的ADVISOR進(jìn)行新構(gòu)型的復(fù)合電源仿真實(shí)驗(yàn),進(jìn)一步驗(yàn)證了本文的方法相比以模糊控制作為功率分配控制策略的傳統(tǒng)半主動(dòng)在蓄電池表現(xiàn)和超級(jí)電容的能量利用率上具有的優(yōu)勢(shì)。
【學(xué)位授予單位】：溫州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TM912;TM53
【圖文】：

模糊化處理自組織分類法得出輸入，輸出競(jìng)爭(zhēng)學(xué)習(xí)得出模糊推理規(guī)則規(guī)則節(jié)點(diǎn)的刪除和合并計(jì)算最佳隸屬度函數(shù)模糊系統(tǒng)的輸出圖 4-3 模糊神經(jīng)網(wǎng)絡(luò)混合學(xué)習(xí)過(guò)程Figure 4-3 Hybrid learning process of fuzzy neural networks經(jīng)網(wǎng)絡(luò)控制器的設(shè)計(jì)sedit 實(shí)現(xiàn)復(fù)合電源分配策略的具體步驟如下：訓(xùn)練樣本：

SOCb和超級(jí)電容 SOCsc以及模糊控制器的功率分配因數(shù)bK 的入和輸出。樣本數(shù)據(jù) data=[Preq, SOCb，SOCsc，Kb]，為了保證整完整性，隨機(jī)抽取 450 組數(shù)據(jù)作為工具箱 Training Data，450 組據(jù) Testing Data，以及 450 組數(shù)據(jù)作為 Checking Data。將三組數(shù)得到加載數(shù)據(jù)界面如圖 4-4。神經(jīng)網(wǎng)絡(luò)最終參數(shù)確定工具箱進(jìn)行對(duì)應(yīng) sugeno 系統(tǒng)的設(shè)計(jì)。設(shè)計(jì)一個(gè)由需求功率 Preq級(jí)電容 SOCsc以及模糊控制器的輸出功率分配因數(shù)bK 隸屬度個(gè)4，5；隸屬度函數(shù)選擇 pimf 類型；輸出類型選擇線性(linear)，用混合學(xué)習(xí)方法(hybrid)進(jìn)行 ANFIS 的訓(xùn)練。后的系統(tǒng)結(jié)構(gòu)如下：

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 于海芳;張裊娜;崔淑梅;;基于動(dòng)態(tài)規(guī)劃的HEV復(fù)合儲(chǔ)能系統(tǒng)效率最優(yōu)控制策略[J];微電機(jī);2015年08期

2 陳息坤;孫冬;陳小虎;;鋰離子電池建模及其荷電狀態(tài)魯棒估計(jì)[J];電工技術(shù)學(xué)報(bào);2015年15期

3 劉金枝;楊鵬;李練兵;;一種基于能量建模的鋰離子電池電量估算方法[J];電工技術(shù)學(xué)報(bào);2015年13期

4 肖t

本文編號(hào)：2737500