基于改进蚁群算法的行驶工况构建及精度分析

文章以合肥市典型道路为例,选取5条城市道路进行数据采集,采用主成分分析与遗传变异改进的蚁群算法(ant colony optimization,ACO)相结合的方法,构建了合肥市典型行驶工况。在划分了运动学片段的基础上,利用主成分分析法对13个运动学特征参数进行降维处理,以排名前3的主成分为聚类因子,用改进的蚁群算法对运动学片段样本进行分类,通过组合类内运动学片段,完成代表性工况的构建,并对代表性工况进行精度分析。研究结果表明,与K-means聚类法、系统聚类法相比,改进的ACO能够有效提高行驶工况的构建精度。

基于粒子群优化支持向量机算法的行驶工况识别及应用

实车采集4种典型行驶工况数据,采用随机数法提取并扩充行驶工况识别训练及测试样本,利用多元统计理论对数据进行处理,基于粒子群优化的支持向量机(PSO-SVM)算法来进行行驶工况识别,分析了识别周期及更新周期对行驶工况在线识别精度的影响。将行驶工况识别技术应用在插电式混合动力汽车的能量管理策略中。仿真结果表明,相对于未采用行驶工况识别技术以及采用传统SVM算法进行工况识别的能量管理策略,基于PSO-SVM算法工况识别的能量管理策略使整车燃油经济性分别提高9.836%和4.348%,并且电池荷电状态(SOC)变化相对平稳,有利于提高系统效率和延长电池寿命。

基于DL-MOPSO算法的等效燃油消耗最小能量管理策略优化研究

等效燃油消耗最小能量管理策略(ECMS)的优化问题,是一个不连续、非可导的内外层嵌套多目标优化问题,为进一步提高整车燃油经济性,同时使电池具有良好的电量保持性能,提出一种内外层嵌套的双层多目标粒子群算法(DL-MOPSO)对充放电等效因子和功率分配方式同时进行寻优。仿真结果表明,与传统的穷举法相比,DL-MOPSO算法寻优获得的ECMS可提高整车燃油经济性10. 28%,且SOC终值与目标值差为0. 001 9,有效保持电量平衡。最后分析了惩罚函数中β参数对ECMS寻优的影响,对β参数的取值具有一定指导意义。