论文部分内容阅读
目前,传统的内燃机汽车由于高能耗、高排放的缺点,已经引起了严重的环境污染和能源短缺问题。为了实现汽车行业的可持续发展,以纯电动汽车(Electric Vehicle,EV)为发展目标的新能源汽车方案被相继提出。然而,由于EV尚存在诸多瓶颈技术有待攻克,导致其很难在短时间内完全取代传统的内燃机汽车。在此背景下,并联型插电式混合动力汽车(Plug-in Hybrid Electric Vehicle,PHEV)以其出色的节能减排能力,被视为是传统的内燃机汽车到EV的理想过渡方案。并联型PHEV的能源来自于燃油和电能,为了实现车辆能源的在线最优化管理、进一步提升车辆的节能减排性能,本文对并联型PHEV的能源优化问题进行了深入的研究。为此,本文分别通过模型预测控制(Model Predictive Control,MPC)和启发式动态规划(Heuristic Dynamic Programming,HDP)两种优化控制方法,设计出以下三种基于旅行信息预测的能源管理策略(Energy Management Strategy,EMS)。(1)基于混杂旅途模型的在线EMS考虑到车辆在实际交通环境下的行驶状态不仅受到自身运动状态的影响,还受到道路交通流状态的影响,本文通过解析的方式设计出基于混杂旅途模型的在线EMS。首先,根据车辆在实际道路环境下的运行特征,分别通过构造车辆运动学模型和道路元包传输模型(Cell Transmission Model,CTM)去描述车辆的连续运动过程和交通流变化过程;然后,利用混杂自动机(Hybrid Automata,HA)理论将连续车辆运动过程和离散交通事件切换过程进行融合,构造出混杂旅途模型,用于车速轨迹的在线预测;在此基础上,利用MPC思想设计出基于混杂旅途模型的能源管理控制器,并通过控制算法对其EMS进行了在线实现。(2)基于旅途工况预测模型的在线EMS进一步地,考虑到实际交通环境里车辆行驶工况的随机性变化,本文利用数据驱动的方式设计出基于旅途工况预测模型的在线EMS。为此,本文先根据车辆工况数据的演化特征,利用反向传播神经网络(Back Propagation Neural Network,BPNN)构造出车辆旅途工况预测模型;然后通过环境模态划分、遗传算法(Genetic Algorithm,GA)和粒子群算法(Particle Swarm Optimization Algorithm,PSOA)对建立的旅途工况预测模型进行优化,进而设计出基于GA/PSOA的BPNN旅途工况预测模型,用于车速轨迹的在线预测;在此基础上,利用MPC思想设计出基于旅途工况预测模型的能源管理控制器,并通过控制算法对其EMS进行了在线实现。(3)基于HDP的在线EMS更进一步地,考虑到MPC的优化效果依赖于未来信息的预测量和预测精度,本文利用自适应动态规划(Adaptive Dynamic Programming,ADP)的思想设计出基于HDP的在线EMS。首先,考虑到车辆在实际交通环境下的运动过程具有很强的不确定性和高度的非线性,本文利用BPNN设计出并联型PHEV的状态空间模型;其次,考虑到HDP在求解最优化问题时并不依赖于未来信息的预测量,而是根据贝尔曼最优原理和强化学习的思想去实现问题最优解的无限逼近,因此利用BPNN设计出基于HDP的能源管理控制器,并通过控制算法对其EMS进行了在线实现。为了验证上述设计的三种EMS的有效性,本文以北京市路网为背景,借助于实际道路交通数据,分别对这三种EMS进行了仿真研究。实验结果表明,首先,与现有的在线EMS相比,本文设计的三种EMS在保证实时性的前提下,均可使车辆的能耗性能得到进一步的改善,其中燃油消耗的减少量从3.46%到60.27%不等。其次,与离线全局最优化EMS相比,虽然本文设计的三种EMS的油耗和排放均有不同程度的增加,但是它们的能耗优化效果与离线全局最优化EMS的优化效果已相当接近,尤其是基于HDP的在线EMS的能耗优化效果与离线全局最优化EMS的优化效果之间的最小差距只有2.13%,最大也仅有4.5%;并且,本文设计的三种EMS均可进行车辆能源的实时优化,而离线全局最优化EMS只能用于其他EMS的离线性能分析。由此说明,相较于现有的EMS,本文设计的EMS进一步提升了并联型PHEV的整体节能表现,为车辆能源的在线优化管理提供了更加有效的解决途径。除此之外,本文在实现上述EMS过程中所采用的优化思想、设计的优化方法,亦可用于具有多套电机总成或者具有多套电力能源系统的EV中。为EV在提高电能利用率、增加续航里程、延长电池使用寿命等方面的研究提供有效的理论依据和技术方法。