203_基于模糊控制的燃料电池增程式电动车能量管理策略_同济大学_周苏等
- 格式:pdf
- 大小:644.36 KB
- 文档页数:7
《基于模糊PI控制的混联式混合动力汽车能量管理策略的研究》一、引言随着能源危机的加剧和环境问题的突出,混合动力汽车因其高效率、低排放的特点受到了广泛关注。
混联式混合动力汽车(Hybrid Electric Vehicle, HEV)作为一种重要的混合动力汽车类型,其能量管理策略对于提高整体效率和延长电池寿命至关重要。
本文将研究基于模糊PI控制的混联式混合动力汽车的能量管理策略,以提升车辆性能和节能效果。
二、混联式混合动力汽车概述混联式混合动力汽车采用发动机和电机共同驱动的架构,根据不同工作条件灵活调整发动机和电机的输出功率,实现最佳能量利用。
这种车型具有高效能、低排放和良好的驾驶性能等优点。
然而,如何合理分配发动机和电机的输出功率,以达到最佳的能量管理效果,是混联式混合动力汽车面临的重要问题。
三、传统能量管理策略的局限性传统的能量管理策略通常基于规则或优化算法进行控制,如基于逻辑门限值、基于模糊控制等。
这些策略在特定条件下可以取得较好的效果,但在复杂多变的工作环境中,往往难以实现最优的能量管理。
因此,需要研究更为先进的能量管理策略,以适应不同工况下的需求。
四、基于模糊PI控制的能量管理策略为了解决上述问题,本文提出了一种基于模糊PI控制的混联式混合动力汽车能量管理策略。
该策略结合了模糊控制和比例积分(PI)控制的优势,通过模糊控制器对PI控制器的参数进行在线调整,以适应不同工况下的需求。
(一)模糊控制器设计模糊控制器是本策略的核心部分,它根据车辆的运行状态(如车速、电池荷电状态、发动机转矩等)以及驾驶员的意图等信息,实时调整PI控制器的参数。
模糊控制器的设计包括输入变量的选择、模糊规则的制定以及输出变量的确定等步骤。
(二)PI控制器设计PI控制器用于实现发动机和电机之间的功率分配。
它根据模糊控制器输出的控制信号,调整发动机和电机的输出功率,以达到最佳的能量利用效果。
PI控制器的设计包括比例系数和积分系数的选择等步骤。
增程式电动汽车增程器的小型化研究牛继高;郭小锋;徐春华;周苏【摘要】针对增程式电动汽车车载增程器的小型化问题,基于Cruise/Simulink软件搭建了整车动力系统和控制策略仿真模型,分析了最优点控制策略的不足,讨论了发动机最优点功率的计算方法.以燃油经济性为优化目标,总续驶里程为约束条件,对发动机的高效点输出功率、起动时刻以及蓄电池SOC的工作区间进行优化研究.结果表明:在保证车辆性能的前提下,采用发动机提前开启的方法,可以有效降低发动机最优点的输出功率,从而达到增程器小型化的目的;通过蓄电池SOC工作区间的优化,有利于小型化增程器燃油经济性的提高.%Aiming at the problem of range extender miniaturization of Extended-Range Electric Vehicle, this paper analyzes the drawbacks of engine optimal point control strategy and discusses the calculation methods of engine optimal point power. In this research, a simulation model of the vehicle dynamic system and control strategy is set up, which is based on the Cruise and Simulink software. Output powerof engine efficiency running point, engine start timing and the working range of battery SOC are studied by taking fuel economy as optimization objective and the total endurance mileages as constraint conditions. The results showed that under the promise of vehicle performance and driving range,method of advance starting engine can effectively reduce the optimal point output powerof engine and achieve the goal of range extender miniaturization;secondly, optimization of operating interval range of battery SOC is benefit to improve fuel economy of the miniaturized range extender. Key Words:Extended-Range ElectricVehicle;Optimal Point Control Strategy;Range Extender;Miniaturization;Si-mulation【期刊名称】《机械设计与制造》【年(卷),期】2017(000)011【总页数】5页(P246-250)【关键词】增程式电动汽车;最优点控制策略;增程器;小型化;仿真【作者】牛继高;郭小锋;徐春华;周苏【作者单位】中原工学院机电学院,河南郑州 450007;中原工学院机电学院,河南郑州 450007;中原工学院机电学院,河南郑州 450007;同济大学汽车学院,上海201804【正文语种】中文【中图分类】TH16;U461.2增程式电动汽车(Extended-RangeElectricVehicle,E-REV)能量管理策略是目前的研究热点之一,分为规则型和智能型[1-2]。
增程式电动车参数匹配与分析蒋建华;范港;张翀【摘要】针对增程式电动车研发中动力系统的参数匹配问题,以整车动力性和续航里程为设计目标,从电驱动系统、动力电池系统、内燃式增程器系统等方面出发,设计了增程式电动车动力系统参数,并以软件AVL CRUISE为仿真平台,采用增程器恒功率控制策略搭建了整车模型,验证了所设计的增程式电动车的整车动力性和续航里程.研究结果表明,车辆的最高车速、加速性能和爬坡性能满足车辆动力性能要求;车辆在10 km/h和15 km/h匀速工况下纯电动续航里程和增程模式的续航里程也满足车辆续航里程要求.【期刊名称】《机电工程》【年(卷),期】2016(033)003【总页数】5页(P373-377)【关键词】增程式电动车;动力系统;参数匹配;仿真【作者】蒋建华;范港;张翀【作者单位】浙江大学动力机械及车辆工程研究所,浙江杭州310007;浙江大学动力机械及车辆工程研究所,浙江杭州310007;浙江大学动力机械及车辆工程研究所,浙江杭州310007【正文语种】中文【中图分类】TP391.9目前纯电动车受到动力电池比能量小,价格高等因素的影响,并且充电设施复杂充电时间过长,就存在续航里程短不能满足远距离行驶的问题。
为延长EV的续航里程,将燃油发动机和电机组成的发电机作为增程器,与动力蓄电池一起构成动力源,是一种可供选择的方案。
增程式电动车是一种以蓄电池为主动力的电动汽车,只是在车上装了另一个较小功率的车载发电机(增程器)并配置合适大小的油箱,以增加续航里程[1]。
增程式电动车跟串联式电动车的结构相似,发动机仅有的功能是发电。
在串联式混合动力车中,动力电池实际上起到平衡发动机输出功率和电动机输入功率的作用,使发动机一直工作在最佳稳定区,致使电池的电能主要来自发动机而且发动机基本在车辆运行时都在工作。
但是增程式电动车的设计目标是尽量使用电网给蓄电池充电的能量,当蓄电池的SOC低于限定限值后,发动机启动给蓄电池充电的同时又给车辆供给动力,所以发动机的启动频率很低。
增程式电动汽车能量管理策略研究随着环境问题和能源紧缺的日益严重,电动汽车已成为未来交通领域的发展趋势。
增程式电动汽车作为一种典型的油电混合动力汽车,具有较高的燃油经济性和环保性能。
能量管理策略是影响增程式电动汽车性能的关键因素,因此,研究其能量管理策略对提高车辆性能和降低排放具有重要意义。
增程式电动汽车的能量管理策略主要包括基于规则的策略、优化策略和机器学习策略。
基于规则的策略主要根据车辆运行状态和驾驶员需求,通过预先设定的规则对发动机和电动机进行控制。
优化策略通过数学建模和算法设计,实现能量消耗最小化或排放最低的目标。
机器学习策略则利用大数据和机器学习技术,自动识别驾驶员行为并优化能量分配。
虽然这些策略在某些方面取得了一定成果,但仍存在一些问题和挑战。
不同策略之间的比较缺乏标准化和一致性,使得评估结果具有主观性和片面性。
优化策略的模型复杂度较高,需要高性能计算平台才能实现实时控制。
机器学习策略对大数据和算法的要求较高,且需要大量的训练数据和计算资源。
本研究采用问卷调查、实验设计和仿真分析等方法。
通过问卷调查了解驾驶员对增程式电动汽车能量管理策略的认知程度和需求。
然后,设计实验对不同能量管理策略进行测试,并收集相关数据。
利用仿真分析对实验结果进行验证和解释。
通过问卷调查发现,大部分驾驶员对增程式电动汽车的能量管理策略有所了解,但对于不同策略的优劣和适用范围存在一定认知误区。
实验结果表明,优化策略在燃油经济性和排放方面表现较好,但需要较高的计算资源;而基于规则的策略和机器学习策略相对简单,易于实现,但在某些情况下可能牺牲部分燃油经济性和排放性能。
讨论部分,我们认为优化策略具有较大的发展潜力,但需要解决计算资源的问题;基于规则的策略和机器学习策略在实际应用中具有较好的可行性,但需要进一步考察不同场景和驾驶习惯下的适应性。
结合问卷调查结果,我们建议在未来的研究中充分考虑驾驶员的需求和习惯,以提高能量管理策略的实际效果。
《基于模糊PI控制的混联式混合动力汽车能量管理策略的研究》篇一一、引言随着全球对环境保护和能源利用效率的日益关注,混联式混合动力汽车作为一种能够同时实现高效能源利用和低排放的交通工具,已经引起了广泛的研究兴趣。
混联式混合动力汽车集成了串联式和并联式混合动力系统的优点,使得其在多种驾驶条件下均能展现出优秀的能源管理性能。
然而,为了确保高效的能量流动和系统稳定,一个先进的能量管理策略是不可或缺的。
本研究致力于探索基于模糊PI控制的混联式混合动力汽车的能量管理策略,以提升系统的性能和能源利用效率。
二、混联式混合动力汽车概述混联式混合动力汽车是一种结合了串联和并联混合动力系统特性的汽车。
它通常包括一个内燃机(ICE)、一个或多个电动机(EM)、一个能量存储系统(如电池或超级电容器)以及一套控制系统。
这种系统的优点在于其灵活性,可以根据驾驶条件和需求,灵活地切换动力源,从而实现最佳的能源利用效率和驾驶性能。
三、模糊PI控制理论介绍模糊PI控制是一种基于模糊逻辑和比例积分(PI)控制策略的混合控制方法。
它能够根据系统状态的实时变化,自动调整控制参数,以实现对系统的最优控制。
这种方法在处理非线性和不确定性的系统时,表现出强大的适应性和鲁棒性。
四、基于模糊PI控制的能量管理策略研究本研究提出了一种基于模糊PI控制的混联式混合动力汽车的能量管理策略。
该策略通过模糊逻辑系统对系统状态进行实时感知和判断,然后根据这些信息,通过PI控制器调整系统的能源分配和动力源切换策略。
首先,我们建立了混联式混合动力汽车的动力学模型和能源管理系统模型。
然后,我们利用模糊逻辑系统对系统状态进行感知和判断,包括电池电量、内燃机效率、电动机效率、驾驶需求等。
这些信息被用于生成一个模糊输入集。
接着,我们设计了一个基于PI控制的决策模块。
这个模块根据模糊输入集的信息,通过PI控制器调整能源分配和动力源切换策略。
这样,系统可以在保证驾驶需求的同时,尽可能地提高能源利用效率。
增程式电动汽车能量管理策略研究一、概要随着环境保护和能源危机的日益严重,交通工具的节能与环保已成为世界范围内的关注焦点。
尤其是在交通运输领域,传统燃油汽车已经不能满足现代城市的出行需求,因此新能源汽车的研究与发展成为了势在必行的趋势。
而增程式电动汽车作为新能源汽车的一种重要形式,其能量管理策略的研究具有重要的实际意义。
本文首先介绍了增程式电动汽车的动力系统结构和工作原理,然后重点分析了其能源管理策略的优缺点及影响因素。
在此基础上,提出了基于一种改进的遗传算法的能量管理策略,并通过仿真验证了该策略的有效性。
本研究不仅有助于提高增程式电动汽车的整体性能,还对类似电动汽车的设计与优化具有较高的参考价值。
随着环境污染和石油资源的日益紧张,节能与环保已经成为全球各国政府和汽车企业共同关注的重点问题。
在交通运输领域,传统的化石燃料汽车已经不能满足人们的出行需求,因此推动新能源汽车的发展成为了全球共识。
增程式电动汽车作为一种新能源汽车,以其零排放、低噪音等优点受到了广泛关注。
能量管理策略是影响增程式电动汽车续航里程、能效比等重要指标的关键因素。
如何设计一种有效的能量管理策略,成为提升增程式电动汽车性能的关键。
传统的能量管理策略往往只考虑电量管理或是单一工况下的能源分配,难以适应复杂的行驶环境和驾驶习惯。
本文提出了一种改进的遗传算法能量管理策略,以更好地应对各种行驶条件,实现能量的高效利用。
增程式电动汽车的动力系统主要由电池组、电机、控制器、传动系统等组成。
电池组作为能量存储装置,提供动力输出;电机将电池组的电能转化为机械能,驱动车辆行驶;控制器根据驾驶者的驾驶意图和车辆状态,控制电机的工作状态;传动系统将电机产生的动力传递到车轮,实现车辆的行驶。
增程式电动汽车的工作原理相对简单。
当驾驶员踩下加速踏板时,控制器会控制电机启动,并将电池组中的电能转化为机械能,驱动车辆行驶。
在行驶过程中,控制器会根据车辆的状态和驾驶者的需求,实时调整电机的工作参数,以实现最佳的能量利用效果。
基于神经网络的增程式电动汽车能量管理策略研究胡瑾瑜;宋珂;章桐【摘要】Aimed at the different characteristics from general fuel-cell vehicles of extended-range electric vehicles(E-REVs) with a fuel-cell stack as the Range Extender(RE),a new energy management strategy was presented,which considered the efficiency of the fuel-cell stack and the charging and discharging efficiency of battery.The strategy was realized by neural network,which was simulated with the E-REV model set up with ADVISOR.And a longer driving range was obtained.%针对以燃料电池堆为增程器的增程式电动汽车不同于一般燃料电池汽车的特点,提出了一种新的综合考虑燃料电池效率和蓄电池充放电效率的能量管理策略.基于神经网络将策略实现,并在由ADVISOR建立的整车模型上进行仿真验证,取得了更长的续驶里程.【期刊名称】《佳木斯大学学报(自然科学版)》【年(卷),期】2011(029)006【总页数】4页(P829-832)【关键词】能量管理策略;神经网络;增程式电动车;燃料电池【作者】胡瑾瑜;宋珂;章桐【作者单位】同济大学汽车学院,上海201804;同济大学汽车学院,上海201804;同济大学汽车学院,上海201804【正文语种】中文【中图分类】TP911.480 引言混合动力电动汽车(HEV)是指由两种或两种以上能量源作为动力装置的汽车[1].而增程式电动汽车(E-REVs)是一种特殊的混合动力电动汽车,蓄电池作为其主要能源,当蓄电池电能不足时,增程器工作为蓄电池充电或直接驱动车辆[2].由于采用双能源(蓄电池和增程器)系统,增程式电动汽车的性能与其采用的能量管理策略密切相关.为了协调蓄电池和增程器的工作效率,在满足整车动力性的前提下,同时最大限度地提高能量效率,提高车辆的经济性,就必须制定合理的能量管理策略.1 能量管理策略1.1 设计思想本文的研究对象是一辆以小型燃料电池堆作为增程器,蓄电池作为主要能源的增程式电动汽车,其动力系统结构类似于串联式的燃料电池汽车,如图1[2].然而,串联式的燃料电池汽车以燃料电池堆为主要能源,蓄电池为辅助能源.在制定能量管理策略时,采用功率跟随模式,燃料电池始终工作在合理功率范围内,在满足动力性要求的前提下,尽可能以其高效率点处功率对外做功,由蓄电池来实现系统功率平衡[3].此种策略的问题在于忽略了蓄电池在充放电时所产生的能量损失.但是在制定以蓄电池为主要能量源的增程式电动汽车能量管理策略时,必须把这部分能量损失考虑在内.因此本文结合瞬时优化思想,制定了在瞬时工况下,综合计算蓄电池和燃料电池的工作效率,从而合理分配功率需求,确定燃料电池输出功率的能量管理策略.1.2 能量管理的具体控制策略在整车运行与某一具体工况下时,在一小段时间内假设整车的需求功率为Preq,此时分为两种工况:A)Prep≤P,若ηdisηchr≥时,燃料电池不工作,由蓄电池输出能量;否则,蓄电池不工作,由燃料电池以最高效率点处功率输出能量B)Preq>,有两种提供能量的方式:a)燃料电池以需求功率点处功率对外做功,蓄电池不做功:b)燃料电池以最高效率点处功率对外做功,蓄电池补充不足功率对外做功:在工况B中的两种能量供给方式都不可避免地会产生能量损失,对全局而言,方案a的能量损失在于同样大小的能量在不同功率处输出,因效率不同所产生的差异,方案b的能量损失在于蓄电池在充放电能过程中的效率损失,这两种能量损失分别为:图1 增程式电动汽车动力系统图其中以上分析的是在一小段时间内的能量损失,若将这一时间段无限缩小逼近零,即对式(3)、式(4)进行微分,就可视为某一时刻t的功率损失.对式(3)、式(4)进行微分:因此,通过比较式(6)、式(7)计算所得的功率损失,可确定使用何种能量供给方式. 表1 符号含义表符号含义Preq 整车需求功率Pfceffmax 燃料电池最高效率点处功率Ebreq 蓄电池消耗的能量Efceffmax 工况A燃料电池消耗的能量ηfcmax 燃料电池最高效率Efcreq 工况B方式a燃料电池消耗的能量ηfcreq 需求功率点处燃料电池效率Efcmax 工况B方式b燃料电池消耗的能量Eb 蓄电池消耗的能量ηfcb 燃料电池向蓄电池充电总效率ηdis 蓄电池放电效率ηchr 蓄电池充电效率ηDC-DC DC-DC效率Pb 蓄电池输出功率综上所述,可将能量管理控制策略归纳为如图2所示流程图.虽然计算过程中燃料电池效率,蓄电池充放电效率等参数仅与燃料电池输出功率,蓄电池电量SOC有关,但是其计算过程复杂、运算量太大,同时部分参数难以准确估值,导致其时效性较差,难以应用在实际控制中.为此,可通过离线仿真的方法将能量管理策略的控制规则提取出来,这些控制规则的集合可以看作一组多输入单输出的非线性映射[4].神经网络能够以任意精度逼近任意复杂的非线性映射,并且具有良好的学习、归纳和泛化能力[5],因此可以通过训练神经网络来实现本文的能量管理策略的控制规则.图2 控制策略流程图2 基于神经网络的策略实现2.1 神经网络结构反向传播神经网络(BP神经网络)只要设计合理,就能够模拟任意复杂的非线性映射.因此,采用如图3所示的含有两个隐含层的4层BP神经网络结构.输入层有2个神经元,分别与Preq和SOC对应,输出层有1个神经元,代表燃料电池输出功率,隐含层中各层的神经元个数在训练时采用试凑法确定.图3 神经网络结构图4 燃料电池功率效率图2.2 训练样本的获取与网络训练神经网络的性能与训练所使用的样本密切相关.神经网络所要模拟的系统的特性全由训练样本体现,因此样本一定要有足够的代表性,选择样本时,要同时兼顾样本的多样性和均匀性.随着网络输入层神经元的增加,所需的训练样本数目将迅速增加.如果不按一定规则而随意选择训练样本,很难保证不出现样本的冗余,而过多的冗余样本不但会增加网络的训练负担,而且也有可能因样本包含信息量过剩而导致网络出现过拟合现象[4].图5 Half UDDS工况图为此,首先均匀设置不同SOC(例如SOC从0.3变化到0.7,间隔为0.1),在不同SOC 下均匀设置需求功率Preq,然后采用本文的能量管理控制策略离线仿真求出燃料电池最优输出功率.这样就得到了一个分布均匀,多样性好的离散样本集.得到样本后,使用MATLAB软件编写程序建立神经网络并进行训练.由于BP神经网络存在训练时间长以及会陷入局部极小值等缺点,可采用Levenverg-Marquardt法进行训练.这一算法是梯度下降法和牛顿法的结合,既可以得到较快的收敛速度,又能在最优值附近产生一个理想的搜索方向[5].3 建模仿真及结果分析3.1 整车建模为验证神经网络控制器的有效性,基于ADVISOR软件平台建立以燃料电池堆为增程器的电动车仿真模型.车辆的主要参数见表2和图4.表2 整车主要参数参数大小整备质量570kg迎风面积 1.96m2蓄电池额定容量40Ah燃料电池额定功率 3kW电动机额定功率(×4) 4kW电动机最大功率(×4)12kW3.2 结果分析限于整车模型动力性的不足,采用图5、图6所示的减半的UDDC工况和减半的JA1015工况[6],在 SOC 初始为0.7,下限为 0.3,氢气储量为8L(14MPa)的条件下,对本文策略(B&FC Strategy)以及一般燃料电池车所采用的策略(FC Strategy,优先考虑燃料电池效率,忽略电池充放电效率)进行仿真.图6 Half JA1015工况图从表3可以看出在两种不同工况下,本文策略均具有较长的续驶里程,分别增加3.32%和4.77%.表3 续驶里程仿真结果工况续驶里程(km)B&FC Strategy FC Strategy偏差(%)UDDC 65.746 63.634 3.32 JA1015 59.429 56.721 4.774 结语本文针对以燃料电池为增程器的电动汽车制定了一种基于BP神经网络的实时的能量管理策略,在MATLAB软件环境下将其实现,并通过ADVISOR软件对其进行仿真.仿真结果说明本文策略相对已有策略在续驶里程上有较大提高.参考文献:[1]任国辉.混合动力汽车能量管理系统控制策略研究[J].科技信息,2010,(24):26 -28.[2]Ke SONG,Jing ZHANG,Tong ZHANG.Design and Development of a Pluggable PEMFC Extended Range Electric Vehicle[C].Mechanic Automation and Control Engineering(MACE),2011 Second International Conference,2011.1144 -1147.[3]谢星,周苏,王廷宏,陈凤祥.基于Cruise/Simulink的车用燃料电池/蓄电池混合动力的能量管理策略仿真[J].汽车工程,2010,32(5):373 -378. [4]吴刚,张承慧,崔纳新.并联式混合动力汽车的BP网络实时能量管理[J].电机与控制学报,2008,12(5):610 -614.[5]丛爽.面向MATLAB工具箱的神经网络理论与应用[M].3版.合肥:中国科学技术大学出版社,2009.4.[6]Paladini V,Donateo T,de Risi A and Laforgia D.Control Strategy Optimization of a Fuel- cell Electric Vehicle[J].Fuel- Cell Science and Technology,2008,5:12-19.。
基于模糊控制的增程式电动汽车能量管理控制研究钟勇;邱煌乐;李方舟;范周慧;易思敏【期刊名称】《车用发动机》【年(卷),期】2024()2【摘要】为了提升增程式电动汽车的燃油经济性并使其能够适应更加复杂的行驶工况,在保证汽车动力性的前提下,以控制电池SOC在工作范围内和等效百公里燃油消耗量较小为目标,以某增程式电动汽车为参考对象进行动力参数匹配,分别建立功率跟随控制策略模型、模糊功率跟随控制策略模型和加速度模糊功率跟随控制策略模型。
在AVL_Cruise软件上完成整车模型的搭建并验证其动力性,运用Matlab/Simulink软件搭建控制策略模型,在WLTC和CLTC工况下进行联合仿真分析。
试验表明:在满足动力性要求的基础上,功率跟随控制策略在WLTC和CLTC 工况下的等效百公里燃油消耗量较其他两种控制策略较低,但是对CLTC较复杂的工况适应性差,具体表现在电池SOC的范围低于给定的电池工作范围,影响电池寿命;模糊功率跟随控制策略引入电池SOC状态,有效地改进了功率跟随对复杂工况适应性差的缺陷,但存在等效百公里燃油消耗量较大问题,且自身对复杂工况的适应性依旧存在缺陷;加速度模糊功率跟随控制策略综合考虑前二者控制策略的优劣性,引入加速度这一影响因素,解决了前二者对复杂工况适应性差的缺陷,与模糊功率跟随控制策略相比燃油经济性得到了提升。
【总页数】8页(P68-74)【作者】钟勇;邱煌乐;李方舟;范周慧;易思敏【作者单位】福建省汽车与电子电驱动重点实验室(福建理工大学)【正文语种】中文【中图分类】U469.72【相关文献】1.基于模糊控制的增程式电动汽车能量分配策略2.增程式电动汽车模糊控制能量管理策略研究3.基于增程式电动汽车的能量管理控制策略研究4.基于能量管理的增程式电动汽车控制策略研究5.基于能量预测的增程式电动汽车能量管理控制策略因版权原因,仅展示原文概要,查看原文内容请购买。
2014 AVL 先进模拟技术中国用户大会论文基于Cruise的燃料电池增程式电动汽车再生制动控制策略研究杨国1周苏1,2支雪磊1(1. 同济大学汽车学院,上海201804; 2.同济大学中德学院,上海200092)[摘要]以蓄电池SOC、车速和制动减速度为约束条件,提出两种针对燃料电池增程式电动车的动态控制再生制动转矩的控制策略。
基于Cruise /Simulink联合仿真平台,对所制定的控制策略进行了对比分析。
结果表明,与并联再生制动系统相比,在四种典型城市工况下串联再生制动系统的纯电动续驶里程增加率最大达到11.41%,总续驶里程增加率最大值为17.89%,制动能量回收率均增加了28%以上。
关键词:燃料电池;增程式电动车;再生制动;控制策略;联合仿真主要软件:A VL CRUISE;MA TLAB/SIMULINKResearch of regenerative braking control strategy for fuel cell extended-range electric vehicle based on cruiseYang Guo1, Zhou Su1,2 Zhi Xue-lei11. Automotive College, Tongji University, Shanghai 201804;2. Chinesisch-Deutsches Hochschulkolleg, Tongji University, Shanghai 200092[Abstract]: Based on fuel cell extended-range electric vehicle, two control strategies for regenerative braking were proposed with SOC, velocity and braking deceleration. Then this two control strategies, which would finally be compared and analyzed, were simulated on Cruise/Simulink co-simulation platform. The result shows that compared with parallel regenerative braking system, the maximum increase rate of pure battery driving range for series regenerative braking system can be up to 11.41%, meanwhile the maximum increase rate of total driving range is 17.89% and more than 28% of braking energy recovery rate is increased under four different urban conditions.Key words: fuel cell; extended-range electric vehicle; regenerative braking; control strategy; co-simulationSoftware: AVL CRUISE; MATLAB/SIMULINK1. 前言汽车在城市工况下行驶时,由于频繁制动,约有50%的总驱动能量转化为制动能量[1-2],并且绝大部分的制动能量只能以热能的形式耗散掉。
新型双电池系统能量管理策略及电池循环寿命模型周苏;毛小宇;裴冯来【摘要】针对双电池系统(高能量型+高功率型锂电池),在Matlab/Simulink Stateflow环境中模拟验证了设计的基于规则的能量管理策略.通过Real-Time Workshop生成AVL Cruise软件可调用的DLL文件后,实现了涉及双电池系统充/放电过程的AVL Cruise/Matlab整车行驶工况联合仿真.根据高能量型锂电池的循环寿命测试试验,考虑了充放电量、电池温度和放电倍率的影响,提出了循环寿命经验模型.在完成模型参数化之后,进行了对比分析,结果表明双电池系统具有循环寿命优势.【期刊名称】《汽车工程学报》【年(卷),期】2015(005)003【总页数】7页(P222-228)【关键词】双电池系统;能量管理策略;联合仿真;循环寿命模型【作者】周苏;毛小宇;裴冯来【作者单位】同济大学汽车学院,上海201804;同济大学中德学院,上海201804;同济大学嘉兴学院,浙江,嘉兴314051;同济大学中德学院,上海201804;同济大学汽车学院,上海201804【正文语种】中文【中图分类】U469.721 双电池系统介绍电动汽车的电池系统必须满足一定的功率和能量要求,这两个要求取决于车辆的动力系统结构形式和设计目标[1]。
纯电动汽车的主要设计目标是保证车辆的续驶里程,为其设计的大容量电池也必须能满足功率要求。
混合动力汽车上的电动机主要起辅助作用,以保证发动机能最大限度地工作在其高效区,其对电池的功率要求大于能量要求。
插电式混合动力汽车既要充分利用其可利用外接电源充电的优势,也要尽可能降低发动机的排放,其对电池的能量和功率要求介于纯电动汽车和混合动力汽车之间。
现阶段的电池按比能量(Wh/kg)和比功率(W/kg)可以分为能量型(High Energy,HE)与功率型(High Power,HP),如图1所示[2]。
图1 电池能量功率特性分布图动力锂电池在使用过程中应尽量避免电流过充,尤其当其电压接近截止电压时,瞬时高电流可能导致电池永久损坏。