增程式电动汽车自适应能量管理策略

doi:10.13229/j.cnki.jdxbgxb20170873

摘要/Abstract

摘要：

以增程式电动汽车到达充电站时,动力电池电量处于较低水平为控制目标,设计了以燃油消耗最小与动力电池荷电状态(SOC)沿目标曲线变化的双目标代价函数,并采用动态规划算法进行优化求解。为实现在线最优控制,采用BP神经网络对优化结果进行训练学习,得到控制模型。仿真结果表明,所训练的控制模型对于动态规划优化结果具有很好的学习效果,SOC偏离误差在3%以内。最后,为解决控制模型仅适用于特定工况与行驶里程的问题,设计了一种自适应能量管理控制器,其包括运行状态识别模块、控制模型库、控制模型选择模块等。硬件在环试验表明,所设计的控制器能够控制SOC在仿真结束时刚好降到最低值,在乘用车高速公路燃油经济性测试循环(HWFET)工况下,该控制器相比电量消耗/电量维持算法燃油经济性提高了9.2%。

关键词: 车辆工程, 增程式电动汽车, 动态规划, 神经网络, 能量管理策略

Abstract:

The control objective for Extended Range Electric Vehicle (EREV) is to control battery State of Charge (SOC) to reach the lower bound as the vehicle arriving at charging station. First, the minimum fuel consumption and SOC varying along target curve were added in cost-function, then, Dynamic Programming (DP) algorithm was adopted to solve the optimization problem. To achieve real-time control performance, a neural network framework was applied to train the optimal results and generate control model. Simulation results show that the generated model has better learning performance that the difference error is within 3%. Since the control model is only fit for special driving cycle and driving distance, an adaptive energy management controller was proposed. It consists driving pattern recognition module, control model library and control model selection module, etc. Hardware-in-Loop test was conducted to validate the controller performance. The results show that the proposed controller can control battery SOC just dropped to lower bound at the end of driving cycle, and it improves fuel economy for 9.2% compared to CD/CS algorithm under HWFET driving cycle.

Key words: vehicle engineering, extended range electric vehicle, dynamic programming, neural network, energy management strategy

中图分类号:

U469.72

席利贺,张欣,孙传扬,王泽兴,姜涛. 增程式电动汽车自适应能量管理策略[J]. 吉林大学学报(工学版), 2018, 48(6): 1636-1644.

XI Li-he,ZHANG Xin,SUN Chuan-yang,WANG Ze-xing,JIANG Tao. Adaptive energy management strategy for extended range electric vehicle[J]. Journal of Jilin University(Engineering and Technology Edition), 2018, 48(6): 1636-1644.

图/表 15

图1

表1

表2

图2

图3

图4

图5

图6

图7

图8

图9

图10

表3

图11

表4

参考文献 14

[1]	宋传学, 王达, 宋世欣 , 等. 基于动力分布设计的增程式电动汽车[J]. 吉林大学学报:工学版, 2015,45(3):681-688. doi: 10.13229/j.cnki.jdxbgxb201503001
	Song Chuan-xue, Wang Da, Song Shi-xin , et al. Extended-range electric vehicle based on power distribution design[J]. Journal of Jilin University (Engineering and Technology Edition), 2015,45(3):681-688. doi: 10.13229/j.cnki.jdxbgxb201503001
[2]	Song Wen, Zhang Xin, Tian Yi , et al. A charging management-based intelligent control strategy for extended-range electric vehicles.[J]. Journal of Zhejiang University-SCIENCE A (Applied Physics & Engineering), 2016,17(11):903-910. doi: 10.1631/jzus.A1600036
[3]	Wirasingha S G, Emadi A . Classification and review of control strategies for plug-in hybrid electric vehicles[J]. IEEE Transactions on Vehicular Technology, 2011,60(1):111-122. doi: 10.1109/TVT.2010.2090178
[4]	秦大同, 杨官龙, 胡明辉 , 等. 基于驾驶意图的插电式混合动力汽车能量管理策略[J]. 吉林大学学报:工学版, 2015,45(6):1743-1750. doi: 10.13229/j.cnki.jdxbgxb201506002
	Qin Da-tong, Yang Guan-long, Hu Ming-hui , et al. Energy management strategy of plug-in hybrid electric system based on driving intention[J]. Journal of Jilin University (Engineering and Technology Edition), 2015,45(6):1743-1750. doi: 10.13229/j.cnki.jdxbgxb201506002
[5]	Banvait H, Anwar S, Chen Y. A rule-based energy management strategy for plug-in hybrid electric vehicle (PHEV) [C]//Proceedings of the American Control Conference, St. Louis, Mo,USA, 2009: 3938-3943.
[6]	Sharer P B, Rousseau A, Karbowski D , et al. Plug-in hybrid electric vehicle control strategy: comparison between EV and charge-depleting options[C]// SAE Paper, 2008-01-0460.
[7]	余志生 . 汽车理论[M]. 北京: 机械工业出版社, 2009.
[8]	赵轩, 马建, 刘瑞 , 等. 基于GGAP-RBF神经网络的多参数纯电动客车蓄电池荷电状态预测[J]. 中国公路学报, 2015,28(4):116-126.
	Zhao Xuan, Ma Jian, Liu Rui , et al. Multiple parameters state-of-charge estimation of battery for pure electric bus based on GGAP-RBF neural network[J]. China Journal of Highway & Transport, 2015,28(4):116-126.
[9]	Lin C C, Peng H, Jeon S , et al. Control of a hybrid electric truck based on driving pattern recognition. Proc of the 2002 Advanced Vehicle Control Conference, Hiroshima, Japan, 2002.
[10]	Chen B C, Wu Y Y, Tsai H C . Design and analysis of power management strategy for range extended electric vehicle using dynamic programming[J]. Appl Energy 2014,113(1):1764-1774. doi: 10.1016/j.apenergy.2013.08.018
[11]	北京日报. 使用强度过高亟待引导[N]. .
[12]	王俊, 王庆年, 曾小华 , 等. 混合动力客车能量管理设计及硬件在环试验验证[J]. 吉林大学学报:工学版, 2014,44(5):1225-1232. doi: 10.7964/jdxbgxb201405001
	Wang Jun, Wang Qing-nian, Zeng Xiao-hua , et al. Energy management design of hybrid buses and hardware verification in loop test[J]. Journal of Jilin University (Engineering and Technology Edition), 2014,44(5):1225-1232. doi: 10.7964/jdxbgxb201405001
[13]	李国岫, 张欣, 宋建锋 . 并联式混合动力电动汽车动力总成控制器硬件在环仿真[J]. 中国公路学报, 2006,19(1):108-112. doi: 10.3321/j.issn:1001-7372.2006.01.023
	Liu Guo-xiu, Zhang Xin, Song Jian-feng . Hardware in loop simulation for powertrain controller of parallel hybrid electric vehicle[J]. China Journal of Highway & Transport, 2006,19(1):108-112. doi: 10.3321/j.issn:1001-7372.2006.01.023
[14]	牛继高, 司璐璐, 周苏 , 等. 增程式电动汽车能量控制策略的仿真分析[J]. 上海交通大学学报, 2014,48(1):140-145.
	Niu Ji-gao, Si Lu-lu, Zhou Su , et al. Simulation analysis of energy control strategy for an extended-Range electric vehicle[J]. Journal of Shanghai Jiaotong University, 2014,48(1):140-145.

相关文章 15

[1]	陈磊,王江锋,谷远利,闫学东. 基于思维进化优化的多源交通数据融合算法[J]. 吉林大学学报(工学版), 2019, 49(3): 705-713.
[2]	赖晴鹰,刘军,赵若愚,骆泳吉,孟令云,徐亚之. 基于变间距动态规划的中高速磁悬浮列车速度曲线优化[J]. 吉林大学学报(工学版), 2019, 49(3): 749-756.
[3]	欧阳丹彤,肖君,叶育鑫. 基于实体对弱约束的远监督关系抽取[J]. 吉林大学学报(工学版), 2019, 49(3): 912-919.
[4]	杨毅,王斯财,南英. 大型水陆两栖飞机海上最优搜索航路规划算法[J]. 吉林大学学报(工学版), 2019, 49(3): 963-971.
[5]	常成,宋传学,张雅歌,邵玉龙,周放. 双馈电机驱动电动汽车变频器容量最小化[J]. 吉林大学学报(工学版), 2018, 48(6): 1629-1635.
[6]	何仁,杨柳,胡东海. 冷藏运输车太阳能辅助供电制冷系统设计及分析[J]. 吉林大学学报(工学版), 2018, 48(6): 1645-1652.
[7]	那景新,慕文龙,范以撒,谭伟,杨佳宙. 车身钢-铝粘接接头湿热老化性能[J]. 吉林大学学报(工学版), 2018, 48(6): 1653-1660.
[8]	刘玉梅,刘丽,曹晓宁,熊明烨,庄娇娇. 转向架动态模拟试验台避撞模型的构建[J]. 吉林大学学报(工学版), 2018, 48(6): 1661-1668.
[9]	江涛,林学东,李德刚,杨淼,汤雪林. 基于人工神经网络的放热规律的量化预测[J]. 吉林大学学报(工学版), 2018, 48(6): 1747-1754.
[10]	徐岩,孙美双. 基于卷积神经网络的水下图像增强方法[J]. 吉林大学学报(工学版), 2018, 48(6): 1895-1903.
[11]	赵伟强, 高恪, 王文彬. 基于电液耦合转向系统的商用车防失稳控制[J]. 吉林大学学报(工学版), 2018, 48(5): 1305-1312.
[12]	宋大凤, 吴西涛, 曾小华, 杨南南, 李文远. 基于理论油耗模型的轻混重卡全生命周期成本分析[J]. 吉林大学学报(工学版), 2018, 48(5): 1313-1323.
[13]	朱剑峰, 张君媛, 陈潇凯, 洪光辉, 宋正超, 曹杰. 基于座椅拉拽安全性能的车身结构改进设计[J]. 吉林大学学报(工学版), 2018, 48(5): 1324-1330.
[14]	那景新, 浦磊鑫, 范以撒, 沈传亮. 湿热环境对Sikaflex-265铝合金粘接接头失效强度的影响[J]. 吉林大学学报(工学版), 2018, 48(5): 1331-1338.
[15]	王炎, 高青, 王国华, 张天时, 苑盟. 混流集成式电池组热管理温均特性增效仿真[J]. 吉林大学学报(工学版), 2018, 48(5): 1339-1348.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

部件	参数	数值
发动机	排量/L	0.9
	最大功率/kW	52
	最大扭矩/(N·m)	90
发电机	最大功率/kW	53
发电机	最大扭矩/(N·m)	155
驱动电机	最大功率/kW	130
驱动电机	最大扭矩/(N·m)	480
动力电池	电容量/(A·h)	37
动力电池	电压/V	360
其他	主减速器传动比	7.793
	整备质量/kg	1400
	迎风面积/m²	2.9
	轮胎滚动半径/m	0.298
	传动系统效率/%	92

项目	数值	单位
f	0.015	-
η_t	92	%
α	0	%
δ	1.0425	-
C_D	0.33	-
A	2.9	m²

类别	行驶时间 /h	目标行驶里程/km	燃油消耗 /L	SOC%
类别	行驶时间 /h	目标行驶里程/km	燃油消耗 /L	初始值	结束值
动态规划	5.19	205.4	7.42	95	29.3
硬件在环	5.19	205.4	7.95	95	30.02

类别	行驶时间/h	目标行驶里程/km	燃油消耗/L	SOC%		等效燃油消耗/L	节油率/%
类别	行驶时间/h	目标行驶里程/km	燃油消耗/L	初始值	结束值	等效燃油消耗/L	节油率/%
CD/CS	4.92	165	5.22	95	29.5	5.23	-
NN_2,,1+CD/CS	4.92	165	4.87	95	30.2	4.87	6.9
NN_2,1+ NN_2,2	4.92	165	4.77	95	31.5	4.75	9.2