基于RBF神经网络车速控制的再生制动系统测试

针对纯电动汽车再生制动系统优劣评估问题,提出了一种基于车速自动跟踪的再生制动系统测试方法.首先根据离线测试数据推导车速跟踪开环控制动态数学模型;然后用RBF神经网络搭建车速跟踪闭环控制驾驶员模型;最后利用PSO算法对RBF神经网络参数进行优化.在试验室自主研发的整车惯性模拟台架上进行试验,试验结果表明:用RBF神经网络算法控制车速跟踪相比传统模糊PID控制减小了车速跟踪误差,提高了再生制动系统测试的准确性,该方法在实际再生制动测试中应用是可行的.

模糊能耗及卡尔曼滤波的电动汽车剩余续驶里程估算

为了提高电动汽车的剩余续驶里程估算精度,在工况识别基础上,提出了一种将模糊能耗与卡尔曼滤波相结合的剩余续驶里程估算模型。建立了整车能耗模型;在MATLAB/Simulink下建立特征参数与能耗之间的模糊规则库;基于卡尔曼滤波对输出剩余续驶里程进行优化。优化结果表明:采用该方法的行驶里程实际值与期望值平均误差为2.11%,相比传统平均能耗法,其剩余续驶里程估算精度提高了77%。