【摘要】：近年來由于全球能源危機和污染問題的日益突出,各國對燃料車禁令的啟動意味著未來電動汽車將替代傳統(tǒng)燃料汽車。對于電動汽車來說需要一個高能量密度的電能存儲系統(tǒng)來為汽車提供高能量和大功率。但是僅僅靠單獨的蓄電池或超級電容的各自特點都無法單獨滿足這種需求。因此,需要將高比功率超級電容器與高比能電池組合使用。通過合理的構(gòu)型和功率分配策略,來充分發(fā)揮兩者的特性。從而能夠彌補單一儲能系統(tǒng)的工作缺陷,同時可以優(yōu)化電動車日常表現(xiàn),這是本文研究的出發(fā)點。本文的主要研究內(nèi)容和創(chuàng)新點如下:(1)目前針對典型復(fù)合電源的拓?fù)浣Y(jié)構(gòu)特點,對于被動式的能量浪費,半主動和主動式控制困難等問題,提出一種新型主動復(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,同時提高了超級電容器對電機的驅(qū)動效率,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,對復(fù)合電源的SOC(荷電狀態(tài))進行估測,著重研究了蓄電池的SOC。通過實驗采集電池工作時的內(nèi)阻、溫度、電壓、電流和SOC數(shù)據(jù),對比后發(fā)現(xiàn)在蓄電池SOC估測中內(nèi)阻決定電池的健康狀態(tài),影響電池的額定容量。而現(xiàn)有文獻中很少考慮內(nèi)阻對SOC的影響。提出一種以動力電池的電壓、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估測的影響因素。通過仿真實驗對比,驗證了考慮內(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。通過二次開發(fā)后的ADVISOR進行新構(gòu)型的復(fù)合電源仿真實驗,進一步驗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)半主動在蓄電池表現(xiàn)和超級電容的能量利用率上具有的優(yōu)勢。
【學(xué)位授予單位】：溫州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TM912;TM53
【圖文】：

模糊化處理自組織分類法得出輸入，輸出競爭學(xué)習(xí)得出模糊推理規(guī)則規(guī)則節(jié)點的刪除和合并計算最佳隸屬度函數(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)過程Figure 4-3 Hybrid learning process of fuzzy neural networks經(jīng)網(wǎng)絡(luò)控制器的設(shè)計sedit 實現(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)確定工具箱進行對應(yīng) sugeno 系統(tǒng)的設(shè)計。設(shè)計一個由需求功率 Preq級電容 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)進行 ANFIS 的訓(xùn)練。后的系統(tǒng)結(jié)構(gòu)如下：

【參考文獻】

相關(guān)期刊論文 前10條

1 于海芳;張裊娜;崔淑梅;;基于動態(tài)規(guī)劃的HEV復(fù)合儲能系統(tǒng)效率最優(yōu)控制策略[J];微電機;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[J];電工技術(shù)學(xué)報;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;2015年13期

4 肖t

本文編號：2737500