摘要
随着全球对环保的重视和对燃油资源的限制，插电式混合动力汽车(Plug-inhybridelectricvehicle，PHEV)作为一种具有高效能量利用和低排放特性的新型车辆，具有广阔的发展前景，因此得到了广泛的关注和研究。作为PHEV的核心技术，能量管理策略的优劣将直接影响整车经济性，虽然目前已经出现了很多能量管理策略的研究，这些算法可以在一定程度上提高PHEV车辆的燃油经济性和性能，但仍然存在如实际行驶工况突变导致能量分配无法实时最优化这样的局限性，因此需要开发更加智能和适应性更强且能够充分考虑PHEV车辆的复杂性和变化性的能量管理策略。本文将融合工况识别的自适应等效燃油消耗最小策略(Adaptive-equivalentfuelconsumptionminimumstrategy，A-ECMS)与模型预测控制(Modelpredictivecontrol，MPC)方法相结合，设计了基于A-ECMS算法求解的MPC控制策略，以期提升整车经济性和电池荷电状态(Stateofcharge，SOC)变化平顺性。主要的研究工作如下： （1）以双轴并联型插电式混合动力汽车为研究对象，对其动力系统结构进行分析，划分不同工作模式，并在MATLAB/Simulink环境中建立整车仿真模型，在此基础上制定基于规则的电量消耗和电量保持(Chargedepleting-chargesustaining，CD-CS)能量管理策略以验证仿真模型的有效性，为后续研究奠定基础。 （2）制定了基于工况识别的自适应等效燃油最小消耗能量管理策略。通过K-means算法将15个工况聚类为高速、郊区及城市拥堵三类典型工况数据库，提取行驶工况数据库中车速信息的特征参数，利用递归特征消除法进行特征选择并将结果作为支持向量机(Supportvectormachine，SVM)的训练集。使用模拟退火算法求解三种典型工况的全局最优等效因子，SVM分类器实时识别出当前时刻工况所属类型后，通过序列二次规划算法调用该工况下对应的最优等效因子进行转矩分配求解。 （3）建立了基于卷积神经网络(Covolutionneuralnetwork,CNN)的车速预测模型。采用聚类的行驶工况数据库作为神经网络预测模型的训练集，通过鲸鱼优化算法(Whaleoptimizationalgorithm,WOA)优化CNN的结构参数，将优化后的CNN车速预测模型与SVM工况识别结合构建工况预测模型。制定了基于动态规划的能量管理策略作为最优参考标准，同时建立了基于A-ECMS求解的模型预测控制能量管理策略。将预测时域内的车速序列转换为整车需求转矩，以整车等效燃油消耗成本作为优化目标，利用A-ECMS进行滚动优化求解，获得各部件的实时转矩分配。 （4）基于MATLAB/Simulink环境进行仿真分析，并采用D2P(Fromdevelopmenttoproduction)快速原型开发系统对所提策略进行硬件在环台架试验验证，使用Motohawk环境构建整车仿真模型，编译和生成代码，并将其烧录到主控制器中。利用主控制器发出的扭矩输出指令来控制试验设备，并使用Mototune软件完成目标试验参数的标定。仿真与硬件在环试验结果表明，在全球统一轻型车测试工况(Worldwidelight-dutytestcycle,WLTC)下，WOA算法优化后的CNN车速预测模型的预测精度提升了11.42%，工况预测精度达到了99.28%，基于A-ECMS求解的MPC能量管理策略能够获得接近全局最优的燃油经济性，动力电池SOC能够平稳变化，其燃油经济性相较于原A-ECMS能量管理策略提升5.10%，与基于规则的CD-CS策略相比提升24.0%；硬件在环试验的车速和电池SOC跟随情况比较理想，验证了所提策略的合理性与正确性。
NETL