论文部分内容阅读
汽车保有量的增加使得环境污染和交通压力逐渐加剧。而新能源汽车凭借其低排放的优势，成为解决环境危机的一种有效方案。插电式混合动力汽车(Plug-in Hybrid Electric Vehicle，PHEV)作为新能源汽车的代表车型，其大容量动力电池和低排量发动机的相互配合能够解决其他车型里程焦虑和排放的问题。但随着路况复杂度的提升，PHEV的经济性能受交通因素的影响也会增大。近些年智能网联技术在汽车行业得到广泛应用，因此探究车联网技术下PHEV多动力源的智能优化控制对于改善其燃油经济性至关重要。本文围绕交通信息对PHEV的速度预测和能量管理问题的影响展开研究。
本文首先分析所研究PHEV的工作模式，并基于内燃发动机、电机、动力电池等核心部件数学模型及整车纵向动力学模型，在MATLAB/Simulink中建立车辆物理模型，构建控制策略仿真验证平台。然后在VISSIM中分别建立简单和复杂两种交通流模型，以反映不同类型的行驶路况。两种模型下分别获取目标车辆车速，前车车速及车距三种车联网信息。为了探究车联网信息对于未来短时速度预测的影响，本文依据几种信息间的相互作用关系，设计了级联式神经网络车速预测器。仿真结果表明，在简单路况下，该预测模型具有较高的预测精度，在复杂路况下，其对于交通因素随机变化的适应性较强，网络泛化能力好。
在上述内容基础上，本文进一步以深度强化学习方法作为滚动时域优化的解法器，建立了基于深度强化学习的模型预测控制策略，阐述了深度强化学习的基本原理并利用该算法设计了全局优化策略。针对深度强化学习的优势及模型预测控制的不足，本文将两者结合实现短时预测时域内的转矩优化分配。以不同的标准工况和实际工况分别对所提出策略、全局优化及ECMS策略进行仿真，对比分析三者SOC变化范围和燃油经济性，验证所提出策略的有效性。在此基础上分别对不同预测方法和不同车联网信息下控制策略的优化效果进行分析。结果表明在考虑多种交通信息下所设计策略的燃油经济性明显好于传统方法。
本文首先分析所研究PHEV的工作模式，并基于内燃发动机、电机、动力电池等核心部件数学模型及整车纵向动力学模型，在MATLAB/Simulink中建立车辆物理模型，构建控制策略仿真验证平台。然后在VISSIM中分别建立简单和复杂两种交通流模型，以反映不同类型的行驶路况。两种模型下分别获取目标车辆车速，前车车速及车距三种车联网信息。为了探究车联网信息对于未来短时速度预测的影响，本文依据几种信息间的相互作用关系，设计了级联式神经网络车速预测器。仿真结果表明，在简单路况下，该预测模型具有较高的预测精度，在复杂路况下，其对于交通因素随机变化的适应性较强，网络泛化能力好。
在上述内容基础上，本文进一步以深度强化学习方法作为滚动时域优化的解法器，建立了基于深度强化学习的模型预测控制策略，阐述了深度强化学习的基本原理并利用该算法设计了全局优化策略。针对深度强化学习的优势及模型预测控制的不足，本文将两者结合实现短时预测时域内的转矩优化分配。以不同的标准工况和实际工况分别对所提出策略、全局优化及ECMS策略进行仿真，对比分析三者SOC变化范围和燃油经济性，验证所提出策略的有效性。在此基础上分别对不同预测方法和不同车联网信息下控制策略的优化效果进行分析。结果表明在考虑多种交通信息下所设计策略的燃油经济性明显好于传统方法。