Implementation of Radial Basis Function Artificial Neural Network into an Adaptive Equivalent Consumption Minimization Strategy for Optimized Control of a Hybrid Electric Vehicle

Continued increases in the emission of greenhouse gases by passenger vehicles have accelerated the production of hybrid electric vehicles. With this increase in production, there has been a parallel demand for continuously improving strategies of hybrid electric vehicle control. The goal of an ideal control strategy is to maximize fuel economy while minimizing emissions. Methods exist by which the globally optimal control strategy may be found. However, these methods are not applicable in real-world driving applications since these methods require a priori knowledge of the upcoming drive cycle. Real-time control strategies use the global optimal as a benchmark against which performance can be evaluated. The goal of this work is to use a previously defined strategy that has been shown to closely approximate the global optimal and implement a radial basis function (RBF) artificial neural network (ANN) that dynamically adapts the strategy based on past driving conditions. The strategy used is the Equivalent Consumption Minimization Strategy (ECMS), which uses an equivalence factor to define the control strategy and the power train component torque split. An equivalence factor that is optimal for a single drive cycle can be found offline with a priori knowledge of the drive cycle. The RBF-ANN is used to dynamically update the equivalence factor by examining a past time window of driving characteristics. A total of 30 sets of training data (drive cycles) are used to train the RBF-ANN. For the majority of drive cycles examined, the RBF-ANN implementation is shown to produce fuel economy values that are within ±2.5% of the fuel economy obtained with the optimal equivalence factor. The advantage of the RBF-ANN is that it does not require a priori drive cycle knowledge and is able to be implemented in real-time while meeting or exceeding the performance of the optimal ECMS. Recommendations are made on how the RBF-ANN could be improved to produce better results across a greater array of driving conditions.

Research on ECMS Based on Segmented Path Braking Energy Recovery in a Fuel Cell Vehicle

Proton exchange membrane fuel cells are widely regarded as having the potential to replace internal combustion engines in vehicles.Since fuel cells cannot recover energy and have a slow dynamic response,they need to be used with different power sources.Developing efficient energy management strategies to achieve excellent fuel economy is the goal of research.This paper proposes an adaptive equivalent fuel minimum consumption strategy(AECMS)to solve the problem of the poor economy of the whole vehicle caused by the wrong selection of equivalent factors(EF)in traditional ECMS.In this method,the kinematics interval is used to update the equivalent factor by considering the penalty term of energy recovery on SOC changes.Finally,the optimized equivalent factor is substituted into the optimization objective function to achieve efficient energy regulation.Simulation results under the New European Driving Cycle show that compared with the traditional ECMS based on fixed SOC benchmarks,the proposed method improves fuel economy by 1.7%while ensuring vehicle power and increases SOC by 30%.

A Predictive Energy Management Strategies for Mining Dump Trucks

The plug-in hybrid vehicles(PHEV)technology can effectively address the issues of poor dynamics and higher energy consumption commonly found in traditional mining dump trucks.Meanwhile,plug-in hybrid electric trucks can achieve excellent fuel economy through efficient energy management strategies(EMS).Therefore,a series hybrid system is constructed based on a 100-ton mining dump truck in this paper.And inspired by the dynamic programming(DP)algorithm,a predictive equivalent consumption minimization strategy(P-ECMS)based on the DP optimization result is proposed.Based on the optimal control manifold and the SOC reference trajectory obtained by the DP algorithm,the P-ECMS strategy performs real-time stage parameter optimization to obtain the optimal equivalent factor(EF).Finally,applying the equivalent consumption minimization strategy(ECMS)realizes real-time control.The simulation results show that the equivalent fuel consumption of the P-ECMS strategy under the experimentally collected mining cycle conditions is 150.8 L/100 km,which is 10.9%less than that of the common CDCS strategy(169.3 L/100 km),and achieves 99.47%of the fuel saving effect of the DP strategy(150 L/100 km).

Design and optimization of equivalent consumption minimization strategy for 4WD hybrid electric vehicles incorporating vehicle connectivity

This paper presents an optimized equivalent consumption minimization strategy(ECMS) for four-wheel-drive(4 WD) hybrid electric vehicles(HEVs) incorporating vehicle connectivity. In order to be applicable to the 4 WD architecture, the ECMS is designed based on a rule-based strategy and used under the condition that a certain propulsion mode is activated. Assuming that a group of 4 WD HEVs are connected and position information can be shared with each other, we formulate a decentralized model predictive control(MPC) framework that compromises fuel efficiency, mobility, and inter-vehicle distance to optimize the velocity profile of each individual vehicle. Based on the optimized velocity profile, an optimization problem considering both fuel economy and battery state of charge(SOC) sustainability is formulated to optimize the equivalent factors(EFs) of the ECMS for HEVs over an appropriate time window. MATLAB User Datagram Protocol(UDP) is used in the codes run on multiple computers to simulate the wireless communication among vehicles, which share position information via UDP-based communication, and dSPACE is used as a software-in-the-loop platform for the simulation of the optimized ECMS. Simulation results validate the control effectiveness of the proposed method.

基于DP-ECMS的插电式混合动力城市客车能量管理策略研究

以一款气-电型插电式混合动力城市客车(PHEV)为研究对象,针对能量管理中的最小能耗问题分别应用电量消耗-电量维持(CD-CS)策略、动态规划(DP)、等效能耗最小化策略(ECMS)和自适应等效能耗最小化策略(A-ECMS)进行中国典型城市工况仿真。在对上述几种能量管理策略仿真结果分析的基础上,提出一种将动态规划与等效能耗最小化策略相结合的DP-ECMS策略。结果表明:DP-ECMS的能耗特性接近动态规划,同时具有等效能耗最小化策略的实时性特点,为PHEV的能量管理提供了参考。

基于动态规划算法的混合动力汽车改进型ECMS能量管理控制研究

为改善混合动力汽车的燃油经济性,以耦合器侧的输入扭矩为研究对象,以最优化扭矩分配为目标,应用动态规划求出已知工况下并联型混合动力汽车全局最优的动力源工作状态,以此作为输入求得等效因子,并提出一种改进型瞬时等效燃油消耗最低策略(ECMS)。将电池充放电过程等效为虚拟的发动机运转过程,利用虚拟等效燃油消耗,建立改进型ECMS能量管理整车仿真模型,并与功率跟随策略和传统ECMS进行仿真分析比较。结果表明:对于改进型ECMS,相较于功率跟随策略,SOC降低了3.36%,燃油经济性提高了10.95%;相较于传统ECMS,SOC提高了1.48%,燃油经济性提高了3.20%。

基于驾驶意图云模型识别的混合动力汽车A-ECMS的构建

基于驾驶意图云模型识别的自适应等效燃油消耗最小策略(A-ECMS),构建了一种混合动力汽车能量管理策略,并对该策略进行了仿真研究。采用云模型算法,识别驾驶意图,获取了典型行驶工况下的意图识别结果;以加权平均的方法,求得各意图下对应的等效因子;建立了等效因子查询表。结果表明:在新欧洲行驶循环(NEDC)工况下,相比于基于充电状态(SOC)反馈的A-ECMS策略,本策略的燃油经济性提高了1.3%;在自定义组合工况下也能取得近似ECMS策略的燃油经济性控制效果,且具有更好的SOC稳定性控制效果。因而,该A-ECMS策略提高了原来的等效燃油消耗最小策略(ECMS)的实用性,体现驾驶意图。

并联混合动力汽车ECMS的时变等效因子提取算法的研究

为解决当前等效燃油消耗最小控制策略(ECMS)未能根据实际工况选取最优等效因子的问题,利用动态规划算法(DP)和ECMS各自的优点,构建并联混合动力汽车能量算法模型,即采用动态规划算法的等效燃油消耗最小控制策略(ECMSwDP),将等效因子作为全局最优算法的控制变量,通过对等效因子的离散全局优化,获得基于工况的最佳时变等效因子。在标准工况下对时变等效因子实时控制策略与全局最优控制策略DP的各项性能参数进行了数值仿真,验证了时变等效因子提取算法的有效性和等效因子初始值选取方法的可行性。

基于FLC-ECMS的FCHEV能量管理策略

针对燃料电池混合动力汽车行驶过程中三能量源功率协调分配问题,提出一种融合等效氢消耗最小和模糊控制的分层能量管理策略,降低氢能源消耗,延长电池使用寿命。在上层能量管理中,为了保持电池和超级电容荷电状态的一致性,根据电池和超级电容荷电状态惩罚函数,设计变等效因子,采用等效氢消耗最小策略,得到燃料电池最优输出功率;在下层能量管理中,根据超级电容功率密度大的特性,设计模糊控制策略,实现电池和超级电容的功率分配。与单一等效消耗最小策略相比,所提策略有效降低了氢气消耗,提高了燃油经济性,延长了电池寿命。

基于充电行为电量规划的自适应能量管理策略

为提高插电式混合动力汽车(PHEV)的燃油经济性,以并联式PHEV为研究对象,考虑驾驶员充电行为,提出基于充电行为电量规划和等效燃油消耗最小策略(ECMS)的自适应能量管理策略。构建了包含不同类型工况的组合工况。根据驾驶员的充电行为特征(充电频率、充电上限、放电下限)进行充电行为分析,并进行4类工况电量消耗与燃油消耗ECMS策略下的离线仿真数据获取。根据驾驶员充电行为以及离线数据进行SOC轨迹的规划。结果表明:在电池SOC初始值分别为0.9、0.6时,提出的能量管理策略相较于基于电量消耗维持的等效燃油消耗策略,整车燃油经济性分别提升7.87%和13.1%。

复合储能式装载机能量控制优化与仿真

针对工程车辆在机群作业下的能量管理问题,以复合储能式装载机为研究对象,利用Recurdyn-Edem联合仿真建立连续作业环境获取工况数据;分别以V型工况及集群作业下装载机单次循环工况油耗最少为目标,设计了基于等效油耗最小策略与规则相结合的控制策略,为了能够进一步提高全局工况的燃油经济性,使用遗传算法对等效油耗最小关键参数进行寻优,最后带入整车模型进行仿真验证。结果表明,V型工况与集群作业工况下,该控制策略相较于自适应神经模糊控制,燃油经济性分别提升了3.23%和4.26%;通过dSPACE进行硬件在环试验,试验与仿真结果基本一致,进而验证了优化结果的有效性。

氢能无人机等效消耗最小化策略设计

【目的】为了提高氢能混合动力固定翼无人机飞行过程中能源系统功率变化的稳定性以及燃料经济性。【方法】在传统等效消耗最小化策略理论的基础上引入一种考虑蓄电池组功率变化幅度对能量消耗影响的变等效因子。将此因子与原有等效因子加权相加,形成复合等效因子。建立了适用于复杂飞行工况的无人机混合动力仿真平台,研究了复合等效因子对等效消耗最小化策略控制效果的影响。【结果】结果表明,使用复合等效因子的等效消耗最小化策略可以有效降低能源系统的功率波动幅度,巡航飞行时氢燃料电池的功率波动幅度比传统等效消耗最小化策略降低了94.7%,飞行过程中蓄电池组SOC累计变化量降低了46%;在3.5 h的飞行任务中可节省193标准升氢气,提高了燃料的经济性。当蓄电池组SOC接近平衡值时,可以大幅减缓充电功率的变化率。改进后的等效消耗最小化策略有利于延长能源系统的使用寿命,提高燃料电池和蓄电池组的安全性。

混合动力汽车深度强化学习分层能量管理策略

为了提高混合动力汽车的燃油经济性和控制策略的稳定性,以第三代普锐斯混联式混合动力汽车作为研究对象,提出了一种等效燃油消耗最小策略(equivalent fuel consumption minimization strategy,ECMS)与深度强化学习方法(deep feinforcement learning,DRL)结合的分层能量管理策略。仿真结果证明,该分层控制策略不仅可以让强化学习中的智能体在无模型的情况下实现自适应节能控制,而且能保证混合动力汽车在所有工况下的SOC都满足约束限制。与基于规则的能量管理策略相比,此分层控制策略可以将燃油经济性提高20.83%~32.66%;增加智能体对车速的预测信息,可进一步降低5.12%的燃油消耗;与没有分层的深度强化学习策略相比,此策略可将燃油经济性提高8.04%;与使用SOC偏移惩罚的自适应等效燃油消耗最小策略(A-ECMS)相比,此策略下的燃油经济性将提高5.81%~16.18%。

混合动力重卡自适应等效燃油消耗最小化能量管理策略

为解决等效燃油消耗最小化策略的关键参数在不同工况下的动态调整,提出一种适用于混合动力重型汽车的自适应等效燃油消耗最小化策略(adaptive equivalent consumption minimization strategy,A-ECMS)。该策略以层次聚类算法得到的6种典型行驶工况为例,提出了一种基于神经网络工况识别算法。应用改进的混沌粒子群优化(chaosparticle swarm optimization,CPSO)算法优化特定驾驶循环下等效燃油消耗最小化策略(equivalent consumption minimization strategy,ECMS)的3个关键参数:等效因子、惩罚函数的比例因子和发动机起动车速阈值。提出了一种基于工况识别的新型自适应能量管理策略对关键参数进行优化,根据该重型卡车的传动系统构型,建立了车辆的纵向动力学模型,并通过仿真进行了验证。仿真结果表明复合工况驱动循环下的CPSO-ECMS和A-ECMS控制策略与传统等效燃油消耗策略相比,油耗分别降低了5.9%和8.9%。

基于粒子群优化的模糊自适应等效油耗最小能量管理策略

为提高等效燃油消耗最小能量管理策略(ECMS)对不同工况的适应能力,提出一种基于粒子群算法优化的模糊自适应等效燃油消耗最小的能量管理策略(PSO-fuzzy A-ECMS)。以基于SOC反馈原理对等效因子进行比例调节方法为基础,针对仅依靠SOC反馈的等效因子调节方式存在一定局限性的问题,引入模糊控制以需求功率和SOC为输入对比例系数进行调节,利用粒子群算法优化模糊控制器中的隶属度函数,减少模糊控制在能量管理应用中对专家经验的依赖,最后在标准循环工况下进行仿真。仿真结果显示:相较于基于SOC反馈的等效因子修正方法,本文提出的PSO-fuzzy A-ECMS策略能够维持SOC在合理区间内变化,在燃油经济性和电池充放电平衡方面能够取得更好的控制效果。

融合工况预测的混合动力拖拉机自适应能量管理策略

针对传统等效燃油消耗最小策略(ECMS)下等效因子取值固定和工况适应性差的问题,提出了一种融合拖拉机工况预测的自适应等效燃油消耗最小策略(PA-ECMS)。以搭载混合动力液压机械无级变速动力总成的大马力拖拉机为研究对象,将ECMS策略应用于混合动力拖拉机的动力分配。首先,基于径向基(RBF)神经网络,建立了拖拉机工况预测模型,通过历史工况预测未来一段时间的工况信息;接着,结合电池荷电状态(SOC)反馈和预测的工况信息,对等效因子进行自适应调整;最后,在PA-ECMS策略框架下,对混合动力拖拉机的功率进行优化分配。仿真结果表明:与固定等效因子的ECMS策略和仅基于SOC反馈的自适应等效燃油消耗最小策略(A-ECMS)相比,采用所提策略时拖拉机在犁耕工况下的油耗分别降低了6.30%和2.55%,且具有更好的电量维持性能。

混合动力船舶等效油耗最小能量管理策略

为了降低混合动力船舶的燃油消耗,同时解决传统等效油耗最小能量管理策略(ECMS)易导致动力设备处于恶劣工况的缺点,提出一种利用逻辑门限值规则对混合动力系统工作模式进行预识别的改进ECMS,并采用改进的蚁群算法对充放电等效因子进行离线优化。在船舶典型航行工况下,通过MATLAB/Simulink建立的船舶仿真模型进行逻辑门限值能量管理策略、等效因子分别取经验值和优化值的改进ECMS的仿真分析。结果表明:等效因子寻优后的改进ECMS有更好的燃油经济性,同时也利于保证电池荷电状态(SOC)平衡和动力设备的效率。

多旋翼混合动力无人机自适应能量管理策略仿真

为提高多旋翼混合动力无人机的运行稳定性、输出动力性和能量利用率,利用GT-Power和Simulink进行模型联合搭建,对比基于规则的能量管理策略及等效燃油最小消耗能量管理策略(Equivalent consumption minimization strategy,ECMS),设计开发了基于BP(Back propagation)神经网络优化的自适应ECMS(Adaptive-ECMS,A-ECMS)。仿真研究表明:A-ECMS在运行稳定性上,整体工况转速波动率为7.74%,较基于规则策略和ECMS都有明显降低;A-ECMS在复合扰动下和随机紊流下转速波动率分别为8.32%、7.18%,与基于规则策略和ECMS相比在突发工况下运行更为稳定。A-ECMS能有效提高混合动力系统动力性能,使发动机处于经济工况10 kW;可根据荷电状态(State of charge,SOC)变化实时对电池功率进行调整。A-ECMS平均燃油消耗率为297.585 g/(kW⋅h),整体燃油消耗量为3755.31 g,与基于规则策略和ECMS相比明显较低,在各工况下运行时发动机工况点集中于燃油经济区,有效提高了系统经济性。

基于遗传算法优化的汽车转矩系统节能协调控制研究

为了提高混合动力汽车的节能效果,在等效燃油消耗最小策略(ECMS)的基础上引入遗传算法(GA),设计了一种基于遗传算法优化电机转矩系统节能协调控制方法。以整车冲击度作为价值指标设置目标函数,通过GA获得最佳转矩优化参数,以优化模式运行阶段的电机转矩,减小冲击影响。研究结果表明:优化后电机转矩达到了稳定低值,实现了系统误差补偿的显著提升。对新欧洲驾驶循环(NEDC)和全球轻型汽车测试循环(WLTC)工况进行优化,可以对冲击度起到良好抑制作用,冲击度均下降幅度近44%。遗传算法优化等效燃油消耗最小策略(GA-ECMS)协调控制方案可以获得更优模式切换品质,也可以实现混合动力系统运行模式经济性的大幅提升。经实例验证,GA优化使电机保持更稳定转矩输出状态,对整车冲击度起到明显抑制效果,有效地协调控制汽车转矩系统,满足节能要求。

基于运行模式和动态混合度的燃料电池混合动力有轨电车等效氢耗最小化能量管理方法研究

清洁环保的燃料电池混合动力有轨电车近年来受到极大关注,其高效的能量管理方法对混合动力系统性能起到至关重要的作用。传统等效氢耗最小化方法的荷电状态(state of charge,SOC)平衡系数通常采用恒定值,而有轨电车在大功率峰值需求和减速制动过程中,恒定的SOC平衡系数不能满足瞬时等效氢耗最小的指标要求,并且在未知有轨电车工况条件下最优SOC平衡系数无法确定。针对上述问题,建立基于燃料电池/锂电池的混合动力有轨电车动力系统模型,并通过分析SOC平衡系数与氢耗特性,提出一种基于运行模式和动态混合度的等效氢耗最小化能量管理控制方法。该方法通过划分有轨电车运行模式,分析不同运行模式下SOC平衡系数与瞬时氢耗的关系,在此基础上提出基于运行模式和动态混合度的等效氢耗瞬时优化方法。结合有轨电车典型工况,搭建RT-LAB实时仿真平台,开展有轨电车能量管理系统实时仿真,并与传统等效氢耗最小化方法进行对比分析。结果表明,所提出的能量管理方法能够根据有轨电车工况的实时变化而自动分配需求功率,并在不同初始SOC的情况下,满足等效氢耗量最小的性能指标要求,提高整车燃料经济性。