论文部分内容阅读
插电式混合动力车(Plug-in Hybrid Electric Vehicle,PHEV)作为一种新型的新能源汽车,具有发动机和电机两种不同动力源。相比传统混合动力汽车,PHEV的特征在于其动力电池除了可由车辆在驱动过程中由电机充电外,也可以使用外部电源充电。由于PHEV的电池容量较大,因此可实现长距离的纯电动行驶。能量管理策略作为混合动力汽车的关键技术之一,承担了整个系统的能量分配和转矩管理,对车辆的燃油经济性和动力性具有极其重要的意义。本文以单轴并联式P2构型的插电式混合动力汽车为研究对象。基于某款P2构型的PHEV车型,结合台架试验获得的相关数据建立整车仿真模型,制定了基于确定规则的能量管理策略,对模型进行了仿真和验证。针对车速的预测,建立了基于RBF神经网络的预测模型,可用于后文中模型预测控制中的预测模型。最后在基于模型预测控制的能量管理策略中,结合动态规划算法,对能量管理问题进行优化。具体内容如下:(1)根据P2构型插电式混合动力汽车的系统结构,分析可能存在的工作模式和对应的能量流动情况。根据汽车动力学及汽车理论的知识,对整车动力需求进行计算,并根据性能需求进行插电式混合动力汽车各部件的参数匹配及选型。(2)基于某款P2构型插电式混合动力汽车的整车性能参数,对混合动力汽车的各关键部件进行建模,构建整车模型框架。在此基础上建立了基于规则的能量管理策略,分别制定了电量消耗模式和电量保持模式,并对其工作模式的切换逻辑和转矩分配进行了建模。最后对基于规则的控制策略进行仿真分析。验证了整车模型的正确性和控制策略的有效性。(3)对RBF神经网络的预测过程进行了分析,建立了基于RBF神经网络的车速预测模型。通过对车速训练样本的训练与学习,针对NEDC循环工况进行了速度预测,速度的预测选用不同时长的预测时域,最后对预测的结果进行了分析。(4)针对插电式混合动力汽车,对基于模型预测控制的能量管理策略展开了研究。首先简单描述了模型预测控制原理,然后基于RBF神经网络建立了车速预测模型。通过对预测时域内的车速进行预测,间接得到了预测时域内的整车需求转矩。采用动态规划方法对预测时域进行优化求解,以燃油消耗量为指标函数,完成了对发动机和电机转矩的合理分配。最后对该策略进行仿真分析,验证了该方法的可行性和有效性。