蔡 偉,何太碧
(西華大學,四川 成都 610039)
文章重點是梳理基于工況預測的混合動力汽車能量管理策略,在各類工況識別模型與能量管理優(yōu)化的作用下提升燃油經(jīng)濟性,同時組建了行駛工況大數(shù)據(jù),優(yōu)化管理策略模型,為后續(xù)研究工作者提供了參考。
行駛工況的構建是研究汽車燃油經(jīng)濟性和污染物排放等指標的第一步,行駛工況反映的是某個區(qū)域車輛行駛特征的速度-時間-坡度等曲線,對車檢測指標最終會體現(xiàn)在工況中的地理性,駕駛風格以及道路的不平整度等方面。國內(nèi)外眾多學者在工況的預測方面做出了重要貢獻,
工況的構建的研究方法有多種,林歆悠等人采用學習向量化(Learning Vector Quantization LVQ)神經(jīng)網(wǎng)絡模型在工況識別中訓練工況特征參數(shù),基于動態(tài)規(guī)劃(Dynamic Programming,DP)為主要的數(shù)學模型,再制定工況識別控制策略。章楠通過構建一種基于改進學習向量化(I-LVQ)神經(jīng)網(wǎng)絡工況識別模型并設計I-LVQ算法。相較于傳統(tǒng)LVQ訓練算法以及識別精度都有一定的提升。行駛過程中的干擾性對后期優(yōu)化有較大影響,曹騫等人在車輛行駛過程中收集數(shù)據(jù),建立大數(shù)據(jù)庫,根據(jù)傅里葉變換通過濾波降噪篩選出有效數(shù)據(jù),基于馬爾科夫鏈的行駛工況組建算法。結果表明其有效性也得以驗證。
能量管理在汽車使用過程中占有重要的地位,對于現(xiàn)代純電動(BEV)與混合動力(Hybrid vehicle)尤其至關重要,出行過程中能量消耗量最小而不影響駕駛性才是能量管理的最優(yōu)解。動態(tài)規(guī)劃(DP)的全局優(yōu)化優(yōu)勢在于能將問題分解為多個子問題,在通過最優(yōu)原則下保證子問題的解最優(yōu),同時減少搜索時間和計算量?;诳刂埔?guī)則的基礎上,建立模糊推理過程,再通過反模糊化進行能量分配,因混合動力汽車具有較高的非線性和不確定性因素,因此模糊控制策略在混合動力車輛控制中具有較強的魯棒性。
基于工況預測的混合動力汽車能量管理,仿真模型建立是驗證優(yōu)化管理策略的重要一步,模型建立所需軟件有ADVISOR(AdvancedVehIcle SimulatOR,高級車輛仿真器)軟件與MATLAB軟件相結合建立的混合動力系統(tǒng) [9],也可通過AVL Cruise仿真軟件搭配MATLAB/Simulink平臺建立各類動力系統(tǒng)。
近幾年對汽車能源輸出控制方面的研究有著長足進步,文章針對車輛工況中的參數(shù)提取方法和管理策略的優(yōu)化以及仿真軟件的選擇做了簡單的梳理,具體如下:①車輛行駛工況的預測算法逐漸提高,但在計算方法與運算量上還有提升的空間,在各類算法中優(yōu)化方法還有待進一步研究,為進一步提升運行工況的精度和適用度奠定基礎;②在優(yōu)化管理策略中,管理策略的優(yōu)化有著較高的實用價值,能根據(jù)實時工況特點選擇合適的管理策略,減少能耗損失,在多種管理策略的算法中,通過對比分析,得出最優(yōu)控制策略,算法的研究在能量管理中意義非凡。