System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于电动汽车能量管理,特别是涉及一种基于模型预测控制和模糊控制的分层能量控制方法。
技术介绍
1、由于目前电池技术的限制,纯电动汽车具有里程焦虑的问题,处于传统汽车和纯电动汽车之间的混合动力汽车目前被大量采用。增程式电动汽车是一种具有串联式构型的混合动力汽车,它在纯电动汽车的平台上增加一套辅助动力系统,在动力电池电量不足时为整车提供额外的电能,继而延长续驶里程。因此,以节能减排和提高整车经济性为目标的增程式电动汽车能量管理策略ems(energy management strategy)是一大研究热点
2、基于确定性规则和模糊规则的能量管理策略是最具有代表性的两种规则策略。基于规则的控制策略效率高,但依赖于工程经验,无法做到最优功率分配。基于优化的控制策略通过优化算法实现最优控制,包括全局优化和实时优化,但难以实现对车辆的实时控制。
技术实现思路
1、本专利技术实施例的目的在于提供一种基于模型预测控制和模糊控制的分层能量控制方法,以提高增程式电动汽车的整车经济性和加强对蓄电池的保护,解决增程式混合动力汽车能量管理策略实时控制与性能最优之间的矛盾。
2、为解决上述技术问题,本专利技术所采用的技术方案是,基于模型预测控制和模糊控制的分层能量控制方法,包括以下步骤,
3、s1、对增程式电动汽车动力系统进行建模;
4、s2、结合动态规划算法与模型预测控制,确认优化目标及约束条件,基于优化目标及约束条件求解增程器和混合储能系统需求功率
5、s3、设计驾驶意图识别模糊控制器,用于识别驾驶员加减速意图,再将驾驶意图识别结果和s2得到的最优分配结果输入混合储能功率分配双模糊控制器,得到蓄电池的输出功率在混合储能系统中的比例。
6、进一步的,所述s1具体步骤为:
7、s101、确定增程式电动汽车的动力系统拓扑;
8、s102、确定增程式电动汽车的能量流,建立整车功率平衡模型;
9、s103、建立增程式电动汽车能源模型及增程式电动汽车动力系统模型。
10、进一步的,s102中所述整车功率平衡模型具体为:
11、
12、
13、其中,pb表示蓄电池发出的瞬时功率,pb>0时电池放电;ps表示超级电容器输出功率,ps>0时超级电容放电;peng_gen表示蓄电池输出的瞬时功率;pmot,in表示驱动电机的输入功率;pmot,out表示驱动电机的输出功率;ηb表示蓄电池侧直流变换器工作效率,ηs表示超级电容侧直流变换器工作效率、ηrect、ηinv表示整流器、逆变器的工作效率;sign(·)为符号函数,x为中间参数,无实际含义。
14、进一步的,s103中所述增程式电动汽车能量源模型包括增程器模型:
15、
16、其中,fuel.e代表发动机从起始工作时刻t0到时刻t的时间内的燃油消耗量;peng_gen代表增程器的输出功率;be代表燃油消耗率;
17、蓄电池模型:
18、
19、
20、ηmot(t)=gmap(nmot(t),tmot(t))
21、pmot,out(t)=tmot(t)*nmot(t)/9550
22、pmot,in(t)=pmot,out(t)/ηmot(t)
23、其中,表示蓄电池荷电状态变化量,socb表示蓄电池荷电状态,ib表示电池电流,qb表示电池容量,vb表示电池开路电压,rb表示电池内阻,pb表示蓄电池输出的瞬时功率,nmot表示电机的转速,tmot电机转矩,ηmot表示电机的效率,pmot,in表示驱动电极输入功率,gmap为电机效率、电机转速和转矩关系函数,pmot,out表示驱动电机的输出功率;
24、超级电容模型:
25、
26、其中,是超级电容荷电状态量变化量,socs是超级电容荷电状态,c是超级电容的电容,vs,max是最大电容电压,ps表示超级电容器输出功率;rs表示串联电阻,rp表示并联电阻。
27、进一步的,s103中所述增程式电动汽车动力系统模型具体为:
28、
29、其中,i为传动比,δ为汽车质量转换系数,w为车身对地面的正压力,f为滚动阻力系数,a为汽车加速度,m为汽车质量,a为迎风面积,cd为空气阻力系数,r为车轮半径,v为车辆速度,g为重力加速度,t表示汽车驱动力矩,θ表示路面与水平面的倾角。
30、进一步的,所述s2中确定确认优化目标及约束条件具体为:
31、系统在当前时刻读取系统状态和当前预测时域的工况信息:
32、
33、其中,tk表示当前时刻,v表示当前时刻预测时域hp内的工况信息;t为转置;
34、将所述工况信息输入滚动优化模块;所述滚动优化模块基于预测时域hp内的约束确定最优控制序列:
35、
36、将最优控制序列的第一个控制变量u*(tk)输入增程式电动汽车动力系统模型,更新系统状态x,再重复滚动优化过程直到整个工况运行结束;
37、以蓄电池荷电状态为状态变量、增程器功率为控制变量,建立模型预测控制器,时间步长为1s:
38、
39、其中,vb表示电池开路电压,rb表示电池内阻,socb(k+1)表示k+1时刻的蓄电池电荷状态,pb(k)表示k时刻蓄电池发出的瞬时功率、pmot,in(k)表示k时刻驱动电机的输入功率、peng_gen(k)表示k时刻增程器的输出功率、ps(k)表示k时刻超级电容器输出功率;
40、将最小化整车等效燃油消耗量作为动态规划算法的控制目标:
41、
42、
43、其中,jk为k时刻的预测时域内的总代价函数,l为t时刻的瞬时代价函数,q(t)、e(t)分别为t时刻的燃油消耗、电量耗量的等效燃油消耗量,x(t)、u(t)分别为t时刻的状态变量和控制变量,socb表示蓄电池荷电状态;be代表燃油消耗率;
44、电动汽车动力系统约束为:
45、
46、其中,socbmin、socbmax分别为电池荷电状态最小值和最大值;socsmin、socsmax分别为超级电容荷电状态最小值和最大值;pb.min、pb.max分别为电池的最小功率和最大功率;ps.min、ps.max分别为超级电容的最小功率和最大功率;peng_gen.min、peng_gen.max分别为增程器的最小功率和最大功率。
47、进一步的,s3中所述驾驶意图识别模糊控制器驾驶意图识别包括加速意图识别和减速意图识别;具体为通过对油门踏板开度、刹车踏板开度和踏板开度变化率进行模糊化和模糊推理得到驾驶员的加速意图和减速意图。
48、进一步的,所述s3中混合储能功率分配双模糊控制器输入为驾驶员加本文档来自技高网...
【技术保护点】
1.基于模型预测控制和模糊控制的分层能量控制方法,其特征在于,包括以下步骤,
2.根据权利要求1所述的基于模型预测控制和模糊控制的分层能量控制方法,其特征在于,所述S1具体步骤为:
3.根据权利要求2所述的基于模型预测控制和模糊控制的分层能量控制方法,其特征在于,S102中所述整车功率平衡模型具体为:
4.根据权利要求2所述的基于模型预测控制和模糊控制的分层能量控制方法,其特征在于,S103中所述增程式电动汽车能量源模型包括增程器模型:
5.根据权利要求2所述的基于模型预测控制和模糊控制的分层能量控制方法,其特征在于,S103中所述增程式电动汽车动力系统模型具体为:
6.根据权利要求1所述的基于模型预测控制和模糊控制的分层能量控制方法,其特征在于,所述S2中确定确认优化目标及约束条件具体为:
7.根据权利要求1所述的基于模型预测控制和模糊控制的分层能量控制方法,其特征在于,S3中所述驾驶意图识别模糊控制器驾驶意图识别包括加速意图识别和减速意图识别;具体为通过对油门踏板开度、刹车踏板开度和踏板开度变化率进行模糊
8.根据权利要求1所述的基于模型预测控制和模糊控制的分层能量控制方法,其特征在于,所述S3中混合储能功率分配双模糊控制器输入为驾驶员加速意图accyitu或减速意图breakyitu、混合储能需求功率Phess和超级电容荷电状态SOCs,论域均为[0,1];输出为蓄电池需求功率占比Kb,论域为[0,1]。
9.根据权利要求1所述的基于模型预测控制和模糊控制的分层能量控制方法,其特征在于,S2中所述混合储能系统包括蓄电池、AC/DC整流、超级电容、DC/DC变换器及电动机。
...【技术特征摘要】
1.基于模型预测控制和模糊控制的分层能量控制方法,其特征在于,包括以下步骤,
2.根据权利要求1所述的基于模型预测控制和模糊控制的分层能量控制方法,其特征在于,所述s1具体步骤为:
3.根据权利要求2所述的基于模型预测控制和模糊控制的分层能量控制方法,其特征在于,s102中所述整车功率平衡模型具体为:
4.根据权利要求2所述的基于模型预测控制和模糊控制的分层能量控制方法,其特征在于,s103中所述增程式电动汽车能量源模型包括增程器模型:
5.根据权利要求2所述的基于模型预测控制和模糊控制的分层能量控制方法,其特征在于,s103中所述增程式电动汽车动力系统模型具体为:
6.根据权利要求1所述的基于模型预测控制和模糊控制的分层能量控制方法,其特征在于,所述s2中确定确认优化目标及约束条件具体为:
<...【专利技术属性】
技术研发人员:汤赐,王佳怡,罗敏,王振中,周诗卉,李秋良,杨杰,
申请(专利权)人:长沙理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。