插电式并联混合动力汽车模型预测控制

将动态规划应用于模型预测控制构架中,建立了基于空间域的插电式并联混合动力汽车燃油经济性预测控制数学模型。基于动态规划的插电式混合动力汽车全局优化控制的仿真表明,蓄电池荷电状态(SOC)基本上都是从行驶起点时的最大值逐渐减少到终点时的最小允许值,提出理论SOC参考斜率作为模型预测控制SOC的参考斜率,并以未来行驶工况中出现的特殊工况为依据对理论SOC参考轨迹进行修正。结果表明采用此方法能使模型预测控制策略的控制效果接近全局优化控制策略的计算结果,汽车油耗显著降低。     

基于动态规划算法的并联式混合动力汽车能源优化管理

以提高燃油经济性为主要目标,建立并联式混合动力汽车能源优化分配控制策略.对动态规划算法进行改进,在汽车行驶过程中全局优化分配内燃机和蓄电池两种动力源的输出功率,以提高能源利用率.通过仿真软件ADVISOR2002的仿真结果表明:在相同条件下,采用改进型DP算法对并联式混合动力汽车进行能量优化时,大大缩短了仿真时间;与基于开关式能源优化管理策略油耗相比,采用改进型DP算法的能源优化管理系统,油耗可降低33%.     

一种轻型油电混合动力汽车的动力系统初探

为了降低油电混合动力汽车(HEV)成本,增进其节能性能,提出了一种轻型油电混合动力汽车(LHEV)的概念.以美国城市道路循环工况(UDDS)作为LHEV的循环工况,结合并联式混合动力汽车的结构特点、控制策略,建立LHEV数学模型,最终给出了LHEV的动力匹配结果及相关性能数据.仿真分析结果表明,与HEV相比,LHEV在节能和制造成本上具有明显的优势.     

双能源混合动力驱动系统的优化控制及其仿真

在分析双能源驱动类型和控制策略的基础上，运用非线性规划的数学方法，针对一般的双能源混合动力汽车提出了一种系统的优化策略，该策略以某一特定的循环行驶工况为基础，以最低发动机的燃油消耗为目标函数，在ADVISOR软件平台上建立了仿真模型，并将优化控制策略的仿真结果与现有控制策略的仿真结果相比，结果表明通过系统的优化混合动力车辆的经济性有所改善，该优化方法有较大的实际应用价值。     

智能混合动力汽车经济性自适应巡航控制策略研究

针对智能混合动力汽车自适应巡航过程中的能量控制策略问题,结合模型预测控制在处理多目标、多约束优化问题方面的优势和粒子群算法运算量小、收敛快的特点,将粒子群算法作为模型预测控制的滚动优化方法,构造基于模型预测控制的粒子群算法.仿真结果表明,文中算法能够使绝大部分工况点落在较低燃油消耗率区域,只有少部分工况点落在非经济区域,虽然多消耗了1.06%的燃油,但在运算速度上却获得了60.3%的提升.     

单行星排客车混动系统控制策略对比

为了提高混合动力汽车的燃油经济性及降低汽车的尾气排放,从中国城市典型工况的动力需求出发,以单行星排10.5 m城市公交客车为研究对象,采用MATLAB软件建立整车经济性计算模型;然后,对比分析客车在单一目标控制策略和双层筛选全局优化控制策略下的节油效果.研究结果表明:在中国城市典型工况下,客车采用双层筛选全局优化控制策略比采用单一目标控制策略节油效果更为显著,节油率高达4.4%.     

并联式混合动力电动汽车全局优化控制

以一种充电保持型并联式混合动力电动汽车（PHEV）为研究对象，基于其整车及动力总成相关数学模型建立了以整个行驶工况消耗的总燃油量最小为目标的系统目标泛函，以及相关的机械特性、蓄电池电量保持等约束条件方程．然后采用Lagrange乘子法将有约束的极小值问题转化为无约束的极小值问题进行求解，得到PHEV的全局优化控制策略．最后基于Matlab／Simulink建立整车仿真模型，在几种不同的循环工况中对获得的全局优化控制策略进行仿真验证，并与采用瞬时优化控制策略得到的仿真结果进行比较．结果表明该全局优化控制策略切实可行，所获得的整车燃油经济性与采用瞬时优化得到的相比有所改善．     

雷达共用型智能混合动力汽车节能控制策略

为解决现有混合动力汽车能量管理常依赖固定循环工况设计,未考虑车辆实际运行环境所造成的节能潜力挖掘不足的问题,该文运用结构共用思想,提出共用雷达信号的智能混合动力汽车能量管理优化控制方法。依托雷达对前车运动信息的感知,划分4种不同场景和工作模式,通过动态优化汽车电机的驱动转矩并增加电机再生制动,从而在不增加额外硬件成本的前提下,提升智能混合动力汽车的节能性能。并以某混合动力客车为应用对象进行了实车道路试验,结果表明所提出的节能控制策略在城市拥堵路况下节能效果明显。     

混合动力汽车深度强化学习分层能量管理策略

为了提高混合动力汽车的燃油经济性和控制策略的稳定性,以第三代普锐斯混联式混合动力汽车作为研究对象,提出了一种等效燃油消耗最小策略(equivalent fuel consumption minimization strategy,ECMS)与深度强化学习方法(deep feinforcement learning,DRL)结合的分层能量管理策略。仿真结果证明,该分层控制策略不仅可以让强化学习中的智能体在无模型的情况下实现自适应节能控制,而且能保证混合动力汽车在所有工况下的SOC都满足约束限制。与基于规则的能量管理策略相比,此分层控制策略可以将燃油经济性提高20.83%~32.66%;增加智能体对车速的预测信息,可进一步降低5.12%的燃油消耗;与没有分层的深度强化学习策略相比,此策略可将燃油经济性提高8.04%;与使用SOC偏移惩罚的自适应等效燃油消耗最小策略(A-ECMS)相比,此策略下的燃油经济性将提高5.81%~16.18%。     

多源信息融合的车速预测方法及整车能量管理

为了进一步挖掘功率分流混合动力汽车的节能潜力,提出了一种融合驾驶意图、车间运动特征及工况历程特征信息的车速预测方法。在此基础上,以燃油经济性最优为目标,建立了基于模型预测控制的整车能量管理优化模型,并采用动态规划算法在有限时域内进行求解,实现了各动力源转矩的实时最优分配。通过MATLAB/simulink软件平台仿真验证表明:在城市道路循环工况下,车速预测精度在不同预测时域都得到了进一步的提升。相比于参数优化后的规则策略,该整车能量管理策略在3种典型工况下,燃油消耗量分别降低了28.53%、23.40%和26.42%,从而验证了该车速预测方法和整车能量管理策略的有效性。