發(fā)布時間：2020-05-28 02:59

【摘要】：能量管理策略是混合動力汽車(Hybrid Electric Vehicles,HEV)的核心部分,對車輛的燃油經(jīng)濟性有很大的影響。由于模型預測控制非常適用于解決非線性和不確定性問題,且能結合不同的優(yōu)化算法在短時間內求得最優(yōu)解,將其應用于HEV的能量管理,對燃油經(jīng)濟性的提升有很大的幫助,同時又具備一定的實車應用潛力。本文以豐田Prius HEV為研究對象,重點研究了基于模型預測控制的混聯(lián)式混合動力汽車的能量管理策略。(1)分析了混聯(lián)式系統(tǒng)的工作原理,采用杠桿法分析了混聯(lián)式系統(tǒng)中的幾種工作模式,并對各工作模式進行了動力學建模,建立了混聯(lián)式混合動力汽車的后向仿真模型。(2)本文建立了基于規(guī)則的能量管理策略和全局最優(yōu)的動態(tài)規(guī)劃(Dynamic Programming,DP)能量管理策略,在UDDS循環(huán)工況下進行了仿真分析。鑒于規(guī)則能量管理策略中人為經(jīng)驗對實車運用效果的影響,以及全局優(yōu)化能量管理策略存在“維數(shù)災難”而不能用于實車,對基于模型預測控制(Model Predictive Control,MPC)的能量管理策略進行了研究,介紹了其控制原理及分層預測控制的方法。(3)結合動態(tài)規(guī)劃算法,建立了基于模型預測控制的HEV能量管理策略,研究了提升預測精度的方法。分別采用了1階、2階、3階馬爾可夫和徑向基函數(shù)神經(jīng)網(wǎng)絡(Radical Basis Function,RBF)、廣義回歸神經(jīng)網(wǎng)絡(Generalized Regression Neural Network,GRNN)5種不同的預測方法進行了車速預測,分析了各方法的預測效果。對基于以上方法的模型預測控制的能量管理策略進行了仿真分析,對比顯示采用GRNN神經(jīng)網(wǎng)絡預測的方法比其他方法提高了至少4.4%的燃油經(jīng)濟性,驗證了預測精度對提升油耗的有效性。(4)建立了基于交通信號的最優(yōu)車速模型,采用上述預測方法中效果最好的GRNN神經(jīng)網(wǎng)絡預測前車車速,并利用交通燈狀態(tài)以及前車信息對目標車速(亦指后車)進行求解,仿真分析了前后車輛基于交通信號的模型預測能量管理策略。結果顯示,具有通信功能的智能車輛(后車)相比普通的HEV車輛(前車)有更好的通過性及燃油經(jīng)濟性。通過本文的研究,采用基于模型預測控制的能量管理策略對提升HEV的燃油經(jīng)濟性有很好的效果,并且有一定的實車應用潛力。
【圖文】：

(b) MG2 效率特性圖圖 2.3 電機效率圖Fig.2.3 Efficiency diagrams of motor/generator模型在不同 SOC、充放電電流、內阻、溫度時，其充放電以僅利用經(jīng)驗公式難以準確表達。因此本文利用經(jīng)驗建立電池模型。電池為電機提供電能并回收反饋能量的功率和，相關公式為1 1 1 1 2 2 2 2( )k k k kbat MG MG MG conv MG MG MG convP T T 表示電池的充放電功率， 1、 2分別表示 MG 2分別表示兩個電機的功率轉換器的效率，電機驅 1。電池等效模型圖如圖 2.4。電池的開路電壓與內阻，由于溫度對電池的影響較為復雜，本文將溫度一項

5.4 為普通 HEV 車輛和智能 HEV 車輛距離起點的位移。圖中紅色橫口的信號燈的紅燈持續(xù)時間，而兩紅線間的空白區(qū)表示交通路口信續(xù)時間，上下兩紅線間的距離代表的是兩個交通信號燈間的路段的的藍色和綠色曲線可以看出，藍色線在某幾處和紅色短橫線相重合一段時間內，前車位移為零，即前車在交通燈為紅燈時，于交通燈前曲線在行駛時間內沒有發(fā)生位移保持不變的情況，而是在空白區(qū)內較好地避開了紅燈停車的情況，在綠燈的時間間隔內通過全部的交于普通 HEV 未知前方的交通情況和交通燈信號狀態(tài)，只能盡量保持小的行車間距，如果前方無車，則以限制車速行駛，這樣不可避免止或紅燈亮起而被迫停車。而智能 HEV 車輛通過雷達和 DSRC 技術的車速、距離等信息以及交通燈的狀態(tài)，可以根據(jù)交通燈的實時變前車的距離適當?shù)卣{整車速，使得自身在與前車保持合適間距的同地通過交通路口。
【學位授予單位】：重慶大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：U469.7

【參考文獻】

相關期刊論文 前10條

1 余開江;胡治國;張宏偉;許孝卓;;混合動力汽車模型預測控制策略研究[J];系統(tǒng)仿真技術;2014年04期

2 趙韓;吳迪;;基于隨機模型預測控制的并聯(lián)式混合動力汽車控制策略研究[J];汽車工程;2014年11期

3 孟凡博;黃開勝;曾祥瑞;張堯;;基于馬爾可夫鏈的混合動力汽車模型預測控制[J];中國機械工程;2014年19期

4 肖仁鑫;李濤;鄒敢;秦穎;;基于隨機動態(tài)規(guī)劃的混聯(lián)式混合動力汽車能量管理策略[J];汽車工程;2013年04期

5 肖鐸;戚偉;龐文堯;汪秋婷;;模糊神經(jīng)網(wǎng)絡算法Plug in電動車能量管理控制器[J];電源技術;2012年11期

6 柳檉;;Mazda CX-5 清新的風[J];汽車消費報告;2012年10期

7 胡瑾瑜;宋珂;章桐;;基于神經(jīng)網(wǎng)絡的增程式電動汽車能量管理策略研究[J];佳木斯大學學報(自然科學版);2011年06期

8 趙曉靜;武一民;王海霞;;豐田PRIUS混合動力傳動系統(tǒng)分析與建模[J];機械傳動;2010年06期

9 張華;周榮;;混聯(lián)式混合動力汽車控制策略開發(fā)與仿真研究[J];汽車技術;2007年08期

10 浦金歡;殷承良;張建武;;并聯(lián)型混合動力汽車燃油經(jīng)濟性最優(yōu)控制[J];上海交通大學學報;2006年06期

相關會議論文 前2條

1 劉長久;周小偉;;比亞迪插電式混合動力汽車節(jié)能技術介紹[A];2013中國汽車工程學會年會論文集[C];2013年

2 孫全;杜志強;吳旭峰;金啟前;趙福全;;吉利插電式混合動力系統(tǒng)匹配設計[A];2011中國汽車工程學會年會論文集[C];2011年

相關博士學位論文 前3條

1 孫超;混合動力汽車預測能量管理研究[D];北京理工大學;2016年

2 許世景;串聯(lián)混合動力汽車能量管理策略優(yōu)化研究[D];天津大學;2013年

3 申彩英;串聯(lián)混合動力汽車能量優(yōu)化管理策略研究[D];天津大學;2010年

相關碩士學位論文 前6條

1 何建強;混聯(lián)式HEV傳動系統(tǒng)參數(shù)優(yōu)化及能量管理策略研究[D];江蘇大學;2017年

2 羅少華;基于工況識別的混聯(lián)式混合動力汽車能量管理策略研究[D];重慶大學;2016年

3 張潔麗;基于模型預測控制的插電式混合動力客車能量管理策略研究[D];北京理工大學;2016年

4 常靜;并聯(lián)混合動力客車能量管理優(yōu)化控制策略研究[D];大連理工大學;2015年

5 蒲斌;基于優(yōu)化算法的ISG速度耦合混合動力汽車能量管理策略研究[D];重慶大學;2013年

6 溫海彬;馬爾可夫鏈預測模型及一些應用[D];南京郵電大學;2012年

，

本文編號：2684594